IA à la pointe : trois conseils à prendre en compte avant le déploiement

À mesure que l’intelligence artificielle (IA) mûrit, son adoption continue d’augmenter. Selon une étude récente, 35 % des organisations utilisent l’intelligence artificielle et 42 % explorent son potentiel. Bien que l’IA soit bien comprise et déployée en grand nombre dans le cloud, elle en est encore à ses débuts à la périphérie et est confrontée à des défis uniques.

De nombreuses personnes utilisent l'intelligence artificielle tout au long de la journée, de la navigation automobile au suivi des pas en passant par la conversation avec les assistants numériques. Même si les utilisateurs accèdent fréquemment à ces services sur des appareils mobiles, les résultats des calculs existent toujours dans l'utilisation de l'IA dans le cloud. Plus précisément, une personne demande des informations, la demande est traitée par un modèle d'apprentissage central dans le cloud et les résultats sont renvoyés sur l'appareil local de la personne.

Edge AI est compris et déployé moins fréquemment que l’IA cloud. Depuis le début, les algorithmes et les innovations de l’IA reposent sur une hypothèse fondamentale : toutes les données peuvent être envoyées vers un emplacement central. Dans cet emplacement central, les algorithmes ont un accès complet aux données. Cela permet à l’algorithme de construire son intelligence comme un cerveau ou un système nerveux central, avec un accès complet aux calculs et aux données.

Cependant, l’IA à la périphérie est différente. Il distribue l'intelligence à travers toutes les cellules et tous les nerfs. En poussant l’intelligence jusqu’à la périphérie, nous donnons à ces appareils de pointe le pouvoir d’agir. Ceci est essentiel dans de nombreuses applications et domaines tels que les soins de santé et la fabrication industrielle.

Raisons du déploiement de l'IA à la périphérie

Il existe trois raisons principales pour déployer l'IA à la périphérie.

Protection des informations personnelles identifiables (PII)

Tout d'abord, certaines organisations qui gèrent des PII ou des IP sensibles (propriété intellectuelle) préfèrent conserver les données d'où elles proviennent : images de machines dans un hôpital ou machines de fabrication dans une usine. Cela réduit le risque de « dérive » ou de « fuite » pouvant survenir lors de la transmission de données sur le réseau.

Minimiser l'utilisation de la bande passante

Le deuxième est le problème de la bande passante. L’envoi de grandes quantités de données de la périphérie vers le cloud engorgerait le réseau et serait peu pratique dans certains cas. Il n’est pas rare que les machines d’imagerie dans les environnements de santé génèrent des fichiers si volumineux que leur transfert vers le cloud est impossible ou prend des jours.

Le simple traitement des données à la périphérie est plus efficace, en particulier lorsque les informations visent à améliorer les machines propriétaires. Dans le passé, l'informatique était beaucoup plus difficile à déplacer et à entretenir, ces données devaient donc être déplacées vers l'emplacement informatique. Ce paradigme est remis en question maintenant que les données sont souvent plus importantes et plus difficiles à gérer, ce qui conduit à des cas d'utilisation qui justifient de déplacer le calcul vers l'emplacement des données.

Éviter la latence

La troisième raison du déploiement de l'IA en périphérie est la latence. Internet est rapide, mais pas en temps réel. S’il existe des situations où les millisecondes comptent, comme dans le cas de bras robotiques assistant des interventions chirurgicales ou de lignes de production sensibles au facteur temps, les organisations peuvent décider d’utiliser l’IA à la périphérie.

Les défis de l'IA à la périphérie et comment les résoudre

Malgré ces avantages, il existe encore des défis uniques associés au déploiement de l'IA à la périphérie. Voici quelques conseils que vous devriez prendre en compte pour vous aider à gérer ces défis.

Bons et mauvais résultats de la formation de modèles

La plupart des technologies d'IA utilisent de grandes quantités de données pour former des modèles. Cependant, dans les cas d'utilisation industrielle de pointe, cela devient souvent plus difficile, car la plupart des produits fabriqués sont exempts de défauts et donc étiquetés ou annotés comme étant bons. Le déséquilibre qui en résulte entre les « bons résultats » et les « mauvais résultats » rend plus difficile pour le modèle d'apprendre à identifier les problèmes.

Les solutions d'IA pure qui reposent sur la classification des données sans informations contextuelles ne sont souvent pas faciles à créer et à déployer en raison du manque de données étiquetées et même d'événements rares. L'ajout de contexte à l'IA, également connu sous le nom d'approche centrée sur les données, apporte souvent des avantages en termes de précision et d'échelle de la solution finale. La vérité est que même si l’IA peut souvent remplacer des tâches banales effectuées manuellement par des humains, elle bénéficie grandement de la compréhension humaine lors de la création de modèles, en particulier lorsqu’il n’y a pas beaucoup de données avec lesquelles travailler.

Obtenez l'engagement d'experts expérimentés en la matière, travaillant en étroite collaboration avec les data scientists qui construisent les algorithmes, pour donner un coup de pouce à l'apprentissage de l'IA.

L'IA ne peut pas résoudre ou fournir une réponse comme par magie à chaque problème

Le résultat comporte généralement de nombreuses étapes. Par exemple, une usine peut comporter de nombreux postes de travail et ils peuvent dépendre les uns des autres. L'humidité dans une zone de l'usine au cours d'un processus peut affecter les résultats d'un autre processus ultérieur dans une autre zone de la chaîne de production.

Les gens pensent souvent que l’intelligence artificielle peut reconstituer comme par magie toutes ces relations. Bien que cela soit possible dans de nombreux cas, cela peut également nécessiter de grandes quantités de données et beaucoup de temps pour les collecter, ce qui entraîne des algorithmes très complexes qui ne prennent pas en charge l’interprétabilité et la mise à jour.

L'intelligence artificielle ne peut pas vivre dans le vide. La capture de ces interdépendances repoussera les limites d’une solution simple à une solution pouvant évoluer au fil du temps et sur différents déploiements.

Le manque de soutien des parties prenantes limite l'ampleur de l'IA

Il est difficile de faire évoluer l’IA dans toute une organisation si un groupe de personnes au sein de l’organisation est sceptique quant à ses avantages. La meilleure (peut-être la seule) façon d’obtenir un large soutien est de commencer par un problème difficile et de grande valeur, puis d’utiliser l’IA pour le résoudre.

Chez Audi, nous envisageons de résoudre le problème de la fréquence de remplacement des électrodes des pistolets de soudage. Mais le faible coût des électrodes n’élimine pas les tâches banales effectuées par les humains. Au lieu de cela, ils ont choisi un procédé de soudage universellement reconnu comme un problème difficile dans l’industrie et ont considérablement amélioré la qualité du processus grâce à l’intelligence artificielle. Cela a éveillé l’imagination des ingénieurs de toute l’entreprise, qui ont étudié comment l’IA pourrait être utilisée dans d’autres processus pour améliorer l’efficacité et la qualité.

Équilibrer les avantages et les défis de l'IA de pointe

Le déploiement de l'IA à la périphérie peut aider les organisations et leurs équipes. Il a le potentiel de transformer les installations en périphéries intelligentes, d'améliorer la qualité, d'optimiser les processus de fabrication et d'inspirer les développeurs et les ingénieurs de toute l'organisation à explorer comment ils peuvent intégrer l'IA ou faire progresser les cas d'utilisation de l'IA, y compris l'analyse prédictive, les recommandations pour améliorer l'efficacité ou les anomalies. détection. Mais cela amène aussi de nouveaux défis. En tant qu'industrie, nous devons être capables de le déployer tout en réduisant la latence, en augmentant la confidentialité, en protégeant la propriété intellectuelle et en assurant le bon fonctionnement du réseau.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!