Edge Intelligence ist eine Weiterentwicklung des Edge Computing. Es ermöglicht intelligenten Sensorknoten, Entscheidungen lokal zu treffen, mit der Option, Daten zur weiteren Filterung an ein Gateway und schließlich an die Cloud oder ein anderes Speichersystem zu senden. Edge Intelligence kombiniert künstliche Intelligenz und Edge Computing, sodass es nicht mehr auf die Cloud angewiesen ist, sondern Informationen direkt lokal erfasst und durch Echtzeit-Entscheidungsanwendungen schnell auf Änderungen in der Umgebung reagiert. Das Aufkommen dieser Technologie wird verschiedenen Branchen eine effizientere Datenverarbeitung und schnellere Entscheidungsmöglichkeiten bieten.
Aspekte des maschinellen Lernens
Maschinelles Lernen (ML) ist der Kern der Edge Intelligence, indem es Muster und Anomalien in Datenströmen erkennt, um entsprechende Reaktionen auszulösen. ML verfügt über ein breites Anwendungsspektrum, darunter Fabriken, Smart Cities, Smart Grids, Augmented und Virtual Reality, vernetzte Fahrzeuge und Gesundheitssysteme. ML-Modelle werden in der Cloud trainiert und dann verwendet, um Edge-Geräte mit Intelligenz auszustatten.
Maschinelles Lernen ist ein effektiver Weg, um funktionale KI zu schaffen. ML-Techniken wie Entscheidungsbäume, Bayes'sche Netzwerke und K-Means-Clustering werden zur Klassifizierung und Vorhersage von KI-Entitäten verwendet. Deep Learning nutzt künstliche neuronale Netze, um Aufgaben wie Bildklassifizierung und Gesichtserkennung auszuführen.
Aspekte der künstlichen Intelligenz
Maschinelles Lernen ist in der Fertigung sehr beliebt geworden, während künstliche Intelligenz eher auf große Datenmengen angewendet wird, die aus Social-Media-Inhalten, Geschäftsinformatik und Online-Einkaufsaufzeichnungen gesammelt werden. Die Übertragung großer Datenmengen von IoT-Geräten zur Analyse in die Cloud ist teuer und ineffizient. Edge Intelligence überträgt Cloud-Dienste zur Verarbeitung vom Kern des Netzwerks an den Rand des Netzwerks. Der Edge-Knotensensor kann ein Smartphone oder ein anderes mobiles Gerät sein.
Dabei dürfte die Echtzeit-Videoanalyse eine sehr beliebte Anwendung für Edge Computing werden. Als auf Computer Vision basierende Anwendung erfasst die Echtzeit-Videoanalyse kontinuierlich hochauflösende Videos, die von Überwachungskameras aufgenommen wurden. Diese Anwendungen erfordern einen hohen Rechenaufwand, eine hohe Bandbreite und eine geringe Latenz zur Videoanalyse. Dies kann erreicht werden, indem die KI der Cloud auf Gateways ausgeweitet wird, die den Rand abdecken.
1. Intelligenz mit geringer Latenz
Cloud Computing oder zentralisierte Systeme hatten schon immer Latenzprobleme. Das Erfassen von Daten und deren Übermittlung an einen zentralen Ort, die Verarbeitung und Beantwortung nehmen Zeit in Anspruch und ermöglichen keine Entscheidungsfindung in Echtzeit.
Der Hauptvorteil von Edge Intelligence besteht darin, die Latenz zu reduzieren und dadurch umsetzbare Ereignisse nahezu in Echtzeit auszuführen, wodurch die Gesamtsystemleistung verbessert wird. Dies befreit Cloud Computing und zentralisierte Systeme auch von der Arbeit mit rohen und irrelevanten Daten; sie können stattdessen hochstrukturierte, kontextreiche und umsetzbare Daten verarbeiten. Auf diese Weise wird die Latenz nicht nur am Edge, sondern im gesamten System verbessert.
2. Datenspeicherung mit geringer Bandbreite
In jedem IoT-Modell sind die Bandbreitenanforderungen für die Übertragung aller von Tausenden von Edge-Geräten gesammelten Daten sehr hoch. Mit zunehmender Anzahl dieser Geräte wird sie exponentiell wachsen. Der entfernte Standort verfügt möglicherweise nicht einmal über die Bandbreite, um Daten und Analysen vom Cloud-Server hin und her zu übertragen. Edge Intelligence hilft bei der Durchführung von Analysen und der Ergreifung erforderlicher Maßnahmen. Es kann Daten, Metadaten und Betriebsberichte speichern, die später gesammelt werden können.
3. Lineare Skalierbarkeit
Edge-Intelligence-Architektur kann linear skaliert werden, wenn die IoT-Bereitstellungen wachsen. Die Edge-Intelligence-Architektur nutzt die Rechenleistung der bereitgestellten Geräte. Es kann die schwere Arbeit der Ausführung von Deep-Learning- und Machine-Learning-Modellen übernehmen. Dies entlastet zentralisierte Cloud-Systeme, da Edge-Geräte die Hauptlast für die Ausführung intelligenter Funktionen tragen.
4. Reduzieren Sie die Betriebskosten
Da Edge Intelligence zeitkritische Daten lokal verarbeitet, kann viel Cloud-Speicherplatz eingespart werden, da inhaltsreiche Daten an zentrale Systeme bereitgestellt werden. Dies reduziert auch die Betriebskosten. Edge Intelligence steuert den Betrieb aller angeschlossenen IoT-Geräte in Echtzeit, sodass Fachleute Geräte effizienter bereitstellen und warten können.
Die 4 Hauptkomponenten der Edge-Intelligence-Architektur: Edge-Caching, Edge-Training, Edge-Inferenz und Edge-Offloading.
1. Edge Caching
Edge Caching verarbeitet unter Edge Intelligence hauptsächlich eingehende verteilte Daten von Endbenutzern und ihrer Umgebung zu Edge-Geräten. Zusätzlich zu diesen Daten gehören auch vom Edge-Gerät selbst generierte Daten zum Edge-Cache. Darüber hinaus sammeln mobile Sensoren Umweltdaten, verarbeiten und speichern sie an angemessenen Orten, damit sie von Algorithmen der künstlichen Intelligenz zur Bereitstellung von Diensten für Benutzer verwendet werden können.
Dieses Modul ist für die vollständige Edge-Datenspeicherverwaltung verantwortlich.
2. Edge-Training
Bisher wurde das Training von KI-Modellen, die auf dem Intelligent Edge eingesetzt werden, größtenteils zentralisiert. Wir trainieren Deep-Learning-Modelle auf leistungsstarken zentralen Servern, die mit leistungsstarken GPUs ausgestattet sind, und portieren sie mithilfe ihrer kompatiblen Edge-SDKs und Laufzeitumgebungen auf Edge-Geräte. Dies ist nach wie vor die beste Möglichkeit, die Umschulung und Bereitstellung von Modellen auf Edge-Geräten mithilfe von Cloud-Konnektivität oder anderen E/A-Schnittstellen zu steuern. Aber für eine echte Edge-Intelligence-Architektur müssen wir Edge-Training implementieren.
Edge-Training bezieht sich auf den Prozess des Erlernens optimaler Werte von Gewichtungen und Bias für ein auf Daten basierendes Modell oder der Identifizierung versteckter Muster in am Edge erfassten Trainingsdaten.
3. Edge-Inferenz
Edge-Inferenz ist der Prozess der Bewertung der Leistung eines trainierten Modells oder Algorithmus anhand eines Testdatensatzes durch Berechnung der Ausgabe auf einem Edge-Gerät.
4. Edge Offloading
Edge Offloading ist ein weiteres wichtiges Merkmal von Edge Intelligence, bei dem Edge-Geräte bestimmte Aufgaben wie Edge-Training, Edge-Caching oder Edge-Inferenz auf andere Edge-Geräte im Netzwerk auslagern können. Es ähnelt dem verteilten Computing-Paradigma, bei dem Edge-Geräte intelligente Ökosysteme schaffen. Edge Offload ist eine abstrakte Serviceschicht über den anderen drei Komponenten. Daher ist es sehr wichtig, dass es auch eine ausfallsichere Strategie bietet, um die Mängel eigenständiger Edge-Geräte zu überwinden. Eine strukturierte und effektive Implementierung ermöglicht es Edge Intelligence, die verfügbaren Ressourcen in der Edge-Umgebung optimal zu nutzen.
Das obige ist der detaillierte Inhalt vonEdge Intelligence: Definition, Anwendungen, Komponenten und Vorteile. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
