エッジ AI を使用して新しい機会を発見するにはどうすればよいですか?

新興企業にとっても大企業にとっても、現在および将来の競争力を確保するには、新しく革新的なテクノロジーに取り組むことが重要です。人工知能 (AI) は、ますます幅広い業界に多面的なソリューションを提供します。

現在の経済状況では、研究開発にはこれまで以上に十分な資金を投入する必要があります。企業は将来のテクノロジーやインフラへの投資を振り返ることがよくありますが、失敗のリスクはプロジェクトの関係者に大きなプレッシャーを与えます。

ただし、これはイノベーションが停止したり、速度が低下したりするべきだという意味ではありません。新興企業と大企業の両方にとって、現在および将来の競争力を確保するには、新しく革新的なテクノロジーに取り組むことが重要です。人工知能 (AI) は、ますます幅広い業界に多面的なソリューションを提供します。

過去 10 年にわたり、人工知能はまったく新しい収益機会を生み出す上で重要な役割を果たしてきました。ユーザー行動の理解と予測から、コードやコンテンツの生成支援に至るまで、人工知能と機械学習 (ML) 革命により、消費者がアプリ、Web サイト、オンライン サービスから得られる価値は飛躍的に増大しました。

ただし、この革命は主にクラウドに限定されており、実質的に無制限のストレージとコンピューティング、および主要なパブリック クラウド サービス プロバイダーの便利な仮想ハードウェアにより、あらゆる AI/ML アプリケーションで最高のパフォーマンスを確立することが可能になります。実践モデルが比較的想像しやすくなります。

AI: エッジへの移行

AI 処理は主にクラウドで行われるため、AI/ML 革命は依然としてエッジ デバイスには手の届かないところにあります。これらは、工場の現場、建設現場、研究所、自然保護区、私たちが身に着けているアクセサリーや衣類、出荷する荷物の内部、および接続、ストレージ、コンピューティングが必要なその他の環境で見られる、小型で低消費電力のプロセッサーです。 、エネルギーは有限であるか、当たり前のものとは考えられません。彼らの環境では、コンピューティング サイクルとハードウェア アーキテクチャが重要であり、予算はエンドポイントやソケット接続の数ではなく、ワットとナノ秒で測定されます。

AI/ML における次のテクノロジーの壁を打ち破ろうとしている CTO、エンジニアリング、データ、機械学習のリーダー、製品チームは、エッジに目を向ける必要があります。エッジ AI とエッジ ML は独特で複雑な課題を抱えており、システム統合、設計、運用、ロジスティクスから組み込み、データ、IT、ML エンジニアリングに至るまで幅広い専門知識を持つ多くの関係者の慎重な調整と関与が必要です。

エッジ AI とは、ハイエンドのゲートウェイやローカル サーバーからローエンドの環境発電センサーや MCU まで、ある種の特定目的のハードウェアでアルゴリズムを実行する必要があることを意味します。このような製品やアプリケーションを確実に成功させるには、データ チームと ML チームが製品チームやハードウェア チームと緊密に連携して、互いのニーズ、制約、要件を理解し、考慮する必要があります。

カスタム エッジ AI ソリューションを構築する課題は克服できないわけではありませんが、必要なチーム間のギャップを埋め、より短い時間でより高いレベルの成果を確実に達成できるエッジ AI アルゴリズム開発用のプラットフォームが存在します。さらなる投資の方向性を定める必要がある。その他の注意事項は次のとおりです。

アルゴリズム開発中のハードウェアのテスト

データ サイエンス チームと ML チームにアルゴリズムを開発させ、それをファームウェア エンジニアに渡してデバイスにインストールすることは効率的ではありませんし、常に可能でもありません。ハードウェアインザループのテストと展開は、エッジ AI 開発パイプラインの基本的な部分である必要があります。ハードウェア上でアルゴリズムの実行とテストを同時に行う方法がなければ、エッジ AI アルゴリズムの開発時に発生する可能性のあるメモリ、パフォーマンス、遅延の制限を予測することは困難です。

一部のクラウドベースのモデル アーキテクチャは、いかなるタイプの制約付きデバイスやエッジ デバイスでも実行することを意図していないため、事前に予測することでファームウェア チームと ML チームの数か月の労力を節約できます。

IoT データはビッグ データと同等ではありません

ビッグ データとは、パターンや傾向を明らかにするために分析できる大規模なデータ セットを指します。ただし、モノのインターネット (IoT) データは必ずしも量ではなく、データの質が重要です。さらに、このデータは時系列のセンサー データ、音声データ、または画像である可能性があり、前処理が必要な場合があります。

デジタル信号処理 (DSP) などの従来のセンサー データ処理テクノロジーと AI/ML を組み合わせることで、以前のテクノロジーでは不可能だった正確な洞察を提供する新しいエッジ AI アルゴリズムを生み出すことができます。ただし、IoT データはビッグデータではないため、エッジ AI 開発に使用されるこれらのデータセットの量と分析は異なります。結果として得られるモデルの精度とパフォーマンスに基づいて、データセットのサイズと品質を迅速に実験することは、運用環境に導入可能なアルゴリズムへの道における重要なステップです。

ハードウェアの開発は十分に困難です

選択したハードウェアがエッジ AI ソフトウェア ワークロードを実行できるかどうかが分からないと、ハードウェアの構築は困難です。部品表を選択する前に、ハードウェアのベンチマークを開始することが重要です。既存のハードウェアでは、デバイスで利用可能なメモリの制限がより重要になる可能性があります。

初期の小規模なデータ セットであっても、エッジ AI 開発プラットフォームは、AI ワークロードの実行に必要なハードウェアの種類のパフォーマンスとメモリの推定値を提供し始めることができます。

デバイスの選択とエッジ AI モデルの初期バージョンに対するベンチマークを比較検討するプロセスを用意することで、デバイス上で実行される必要なファームウェアと AI モデルをサポートするためのハードウェア サポートが確実に整備されます。

新しいエッジ AI ソフトウェアを構築、検証し、本番環境にプッシュする

開発プラットフォームを選択するときは、さまざまなベンダーが提供するエンジニアリング サポートも考慮する価値があります。エッジ AI にはデータ サイエンス、ML、ファームウェア、ハードウェアが含まれており、内部の開発チームが追加のサポートを必要とする可能性がある分野でベンダーがガイダンスを提供することが重要です。

場合によっては、開発される実際のモデルよりも、データ インフラストラクチャ、ML 開発ツール、テスト、デプロイメント環境、継続的統合を含むシステム レベルの設計プロセスの計画が重要になります。デプロイメント (CI/CD) パイプライン。

最後に、エッジ AI 開発ツールは、ML エンジニアからファームウェア開発者まで、チーム内のさまざまなユーザーに対応することが重要です。ローコード/ノーコードのユーザー インターフェイスは、新しいアプリケーションのプロトタイプを迅速に作成して構築するための優れた方法であり、API と SDK は、Jupyter ノートブックの Python を使用してより効率的かつ迅速に作業できる経験豊富な ML 開発者にとって役立ちます。

このプラットフォームは、アクセスの柔軟性という利点を提供し、エッジ AI アプリケーションを構築する部門横断的なチーム内に存在する可能性のある複数の利害関係者や開発者のニーズに応えます。

以上がエッジ AI を使用して新しい機会を発見するにはどうすればよいですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。