Table des matières
Applications basées sur l'intelligence de pointe
Avantages de l'intelligence de pointe
Composants de l'architecture Edge Intelligence
Maison Périphériques technologiques IA Edge Intelligence : définition, applications, composants et avantages

Edge Intelligence : définition, applications, composants et avantages

Jan 22, 2024 pm 11:54 PM
人工智能 机器学习

Edge Intelligence : définition, applications, composants et avantages

Edge Intelligence est un développement ultérieur de l'informatique de pointe. Il permet aux nœuds de capteurs intelligents de prendre des décisions localement, avec la possibilité d'envoyer des données à une passerelle pour un filtrage plus poussé et enfin vers le cloud ou un autre système de stockage. L'intelligence de pointe combine l'intelligence artificielle et l'informatique de pointe afin qu'elle ne repose plus sur le cloud, mais détecte directement les informations localement et réagisse rapidement aux changements de l'environnement grâce à des applications de prise de décision en temps réel. L’émergence de cette technologie apportera un traitement des données plus efficace et des capacités de prise de décision plus rapides à diverses industries.

Applications basées sur l'intelligence de pointe

Aspects de l'apprentissage automatique

L'apprentissage automatique (ML) est au cœur de l'intelligence de pointe en détectant des modèles et des anomalies dans les flux de données pour déclencher des réponses appropriées. Le ML a un large éventail d'applications, notamment les usines, les villes intelligentes, les réseaux intelligents, la réalité augmentée et virtuelle, les véhicules connectés et les systèmes de santé. Les modèles ML sont formés dans le cloud, puis utilisés pour doter les appareils de périphérie d'intelligence.

L'apprentissage automatique est un moyen efficace de créer une IA fonctionnelle. Les techniques de ML telles que les arbres de décision, les réseaux bayésiens et le clustering K-means sont utilisées pour la classification et la prédiction des entités d'IA. L'apprentissage profond utilise des réseaux de neurones artificiels pour effectuer des tâches telles que la classification d'images et la reconnaissance faciale.

Aspects de l'intelligence artificielle

L'apprentissage automatique est devenu très populaire dans le secteur manufacturier, tandis que l'intelligence artificielle est davantage appliquée aux mégadonnées collectées à partir d'éléments tels que le contenu des médias sociaux, l'informatique d'entreprise et les enregistrements d'achats en ligne. La transmission de grandes quantités de données depuis des appareils IoT vers le cloud à des fins d'analyse est coûteuse et inefficace. L'intelligence de périphérie pousse les services cloud du cœur du réseau vers la périphérie du réseau pour le traitement. Le capteur de nœud périphérique peut être un smartphone ou un autre appareil mobile.

Parmi eux, l'analyse vidéo en temps réel devrait devenir une application très populaire pour l'informatique de pointe. En tant qu'application basée sur la vision par ordinateur, l'analyse vidéo en temps réel collectera en permanence les vidéos haute définition capturées par les caméras de surveillance. Ces applications nécessitent des calculs élevés, une bande passante élevée et une faible latence pour analyser la vidéo. Cela peut être réalisé en étendant l’IA du cloud aux passerelles couvrant la périphérie.

Avantages de l'intelligence de pointe

1. L'intelligence à faible latence

Le cloud computing ou les systèmes centralisés ont toujours eu des problèmes de latence. Capturer des données et les envoyer à un emplacement central, les traiter et y répondre prend du temps et ne facilite pas la prise de décision en temps réel.

Le principal avantage de l'intelligence de pointe est de réduire la latence, exécutant ainsi des événements exploitables en temps quasi réel, améliorant ainsi les performances globales du système. Cela libère également le cloud computing et les systèmes centralisés du traitement de données brutes et non pertinentes ; ils peuvent à la place traiter des données hautement structurées, riches en contexte et exploitables. De cette manière, la latence est améliorée non seulement en périphérie, mais également dans l’ensemble du système.

2. Stockage de données à faible bande passante

Dans tout modèle IoT, les besoins en bande passante pour transmettre toutes les données collectées par des milliers d'appareils de périphérie sont très élevés. À mesure que le nombre de ces appareils augmente, il va croître de façon exponentielle. L'emplacement du site distant peut même ne pas disposer de la bande passante nécessaire pour transférer des données et des analyses depuis le serveur cloud. L'intelligence Edge permet d'effectuer des analyses et de prendre les actions requises. Il peut stocker des données, des métadonnées et des rapports opérationnels qui peuvent être collectés ultérieurement.

3. Évolutivité linéaire

L'architecture d'intelligence de pointe peut évoluer de manière linéaire à mesure que les déploiements IoT se développent. L’architecture Edge Intelligence exploite la puissance de calcul des appareils déployés. Il peut assumer la lourde tâche d’exécuter des modèles d’apprentissage profond et d’apprentissage automatique. Cela soulage la pression sur les systèmes cloud centralisés, car les appareils de périphérie partagent la principale charge de l'exécution des fonctions intelligentes.

4. Réduire les coûts opérationnels

Étant donné que l'intelligence de pointe fonctionne localement sur des données sensibles au temps, elle peut économiser beaucoup d'espace cloud car elle fournit des données riches en contenu aux systèmes centraux. Cela réduit également les coûts d’exploitation. L'intelligence Edge pilote les opérations en temps réel pour tous les appareils IoT connectés, ce qui permet aux professionnels de déployer et de maintenir les appareils plus efficacement.

Composants de l'architecture Edge Intelligence

Les 4 composants principaux de l'architecture Edge Intelligence : mise en cache des bords, formation des bords, inférence des bords et déchargement des bords.

1. Edge Caching

Dans le cadre de l'intelligence de pointe, la mise en cache de périphérie gère principalement les données distribuées entrantes des utilisateurs finaux et de leur environnement vers les appareils de périphérie. En plus de ces données, les données générées par le périphérique Edge lui-même appartiennent également au cache Edge. De plus, les capteurs mobiles collectent des données environnementales, les traitent et les stockent dans des endroits raisonnables pour être utilisées par des algorithmes d'intelligence artificielle afin de fournir des services aux utilisateurs.

Ce module est responsable de la gestion complète du stockage des données Edge.

2. Entraînement Edge

À ce jour, la formation des modèles d'IA déployés sur la périphérie intelligente a été en grande partie centralisée. Nous formons des modèles d'apprentissage en profondeur sur de puissants serveurs centraux équipés de GPU puissants et les portons sur des appareils Edge à l'aide de leurs SDK Edge et environnements d'exécution compatibles. Cela reste le meilleur moyen de contrôler le recyclage et le déploiement de modèles sur des appareils de périphérie utilisant la connectivité cloud ou d'autres interfaces IO. Mais pour une véritable architecture Edge Intelligence, nous devons mettre en œuvre une formation Edge.

L'entraînement Edge fait référence au processus d'apprentissage des valeurs optimales de poids et de biais pour un modèle déployé sur des données ou d'identification de modèles cachés sur les données d'entraînement capturées en périphérie.

3. Edge Inférence

L'inférence Edge est le processus d'évaluation des performances d'un modèle ou d'un algorithme entraîné sur un ensemble de données de test en calculant la sortie sur un appareil Edge.

4. Déchargement Edge

Le déchargement Edge est une autre fonctionnalité importante de l'intelligence Edge, où les appareils Edge peuvent décharger certaines tâches telles que la formation Edge, la mise en cache Edge ou l'inférence Edge vers d'autres appareils Edge du réseau. Cela ressemble au paradigme de l’informatique distribuée dans lequel les appareils de pointe créent des écosystèmes intelligents. Le déchargement Edge est une couche de service abstraite au-dessus des trois autres composants. Il est donc très important qu'elle fournisse également une stratégie de sécurité pour surmonter les lacunes des périphériques Edge autonomes. Une mise en œuvre structurée et efficace permettra à l’intelligence de pointe de tirer le meilleur parti des ressources disponibles dans l’environnement de pointe.

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!

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

AI Hentai Generator

AI Hentai Generator

Générez AI Hentai gratuitement.

Article chaud

R.E.P.O. Crystals d'énergie expliqués et ce qu'ils font (cristal jaune)
2 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Repo: Comment relancer ses coéquipiers
4 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Hello Kitty Island Adventure: Comment obtenir des graines géantes
4 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
Combien de temps faut-il pour battre Split Fiction?
3 Il y a quelques semaines By DDD

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Jun 28, 2024 am 03:51 AM

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Jun 10, 2024 am 11:08 AM

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Sept questions d'entretien technique Cool GenAI et LLM Sept questions d'entretien technique Cool GenAI et LLM Jun 07, 2024 am 10:06 AM

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Jun 11, 2024 pm 03:57 PM

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Jul 25, 2024 am 06:42 AM

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Jul 17, 2024 pm 06:37 PM

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Cinq écoles d'apprentissage automatique que vous ne connaissez pas Cinq écoles d'apprentissage automatique que vous ne connaissez pas Jun 05, 2024 pm 08:51 PM

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

SK Hynix présentera de nouveaux produits liés à l'IA le 6 août : HBM3E à 12 couches, NAND à 321 hauteurs, etc. SK Hynix présentera de nouveaux produits liés à l'IA le 6 août : HBM3E à 12 couches, NAND à 321 hauteurs, etc. Aug 01, 2024 pm 09:40 PM

Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière

See all articles