エッジ人工知能とは何か、エッジ人工知能を実装する方法
エッジ AI は、エッジ人工知能の略語です。モノのインターネット システムの次の開発フロンティアです。それでは、エッジ人工知能とは何ですか?エッジ人工知能を実現するにはどうすればよいですか?編集者をフォローするこの記事を読んでみましょう!
エッジ人工知能とは
簡単に言うと、エッジ人工知能とはアプリケーションを指します。人工知能はエッジデバイス上で直接利用可能 人工知能は、実行される機械学習アルゴリズムの形で使用されます。機械学習は、近年目覚ましい進歩を遂げた幅広い分野です。これは、コンピューターがデータから学習することで、場合によっては人間の能力を超えて、特定のタスクのパフォーマンスを自律的に向上できるという原理に基づいています。
今日、機械学習は、次のような高度なタスクを実行できます。
● コンピューター ビジョン: 画像分類、オブジェクト検出、セマンティック セグメンテーション。
# 音声認識、自然言語処理、チャットボット、翻訳。
# 天気と株式市場の予測および推奨システム。
#● 異常検出と予知保全。 機械学習は長い間存在してきたのに、なぜエッジ AI が突然特別になったのでしょうか? これをよりわかりやすく説明するために、まずエッジ AI のエッジが実際に何を意味するのかを見てみましょう。 エッジ コンピューティングとクラウド コンピューティング本質的に、エッジ コンピューティングとクラウド コンピューティングは、データの処理やアルゴリズムの実行など、同じことを行うように設計されています。ただし、エッジ コンピューティングとクラウド コンピューティングの根本的な違いは、コンピューティングが実際に行われる場所です。 エッジ コンピューティングでは、情報処理はオンサイトで、アクティブに展開された分散型 IoT デバイスまたはエッジで行われます。エッジ デバイスの例としては、スマートフォンやさまざまなマイクロコントローラーが挙げられます。しかし、クラウド コンピューティングでは、同じ情報処理がデータ センターなどの集中的な場所で行われます。 従来、IoT 分野ではクラウド コンピューティングが主流でした。当然より優れたコンピューティング能力を持つデータセンターを利用しているため、エッジの IoT デバイスはローカル データを送信するだけで、低消費電力と手頃な価格という主要な特性を維持できます。クラウド コンピューティングは依然として IoT にとって非常に重要かつ強力なツールですが、2 つの重要な理由により、最近エッジ コンピューティングへの注目が高まっています。## ● エッジ デバイス上のハードウェアは、コスト競争力を維持しながらさらに強力になります。
# ソフトウェアはエッジ デバイス向けにますます最適化されています。
この傾向は大きく進み、エッジ コンピューティング デバイス上で機械学習を実行できるようになりましたが、機械学習は高度なコンピューティング要件のため、長い間クラウド コンピューティングに限定されてきました! したがって、エッジ コンピューティングの人工知能は、生まれる。
エッジ人工知能: クラウドをエッジに導入してモノのインターネットを成長させる
エッジ人工知能により、IoT デバイスはますますスマートになっています。機械学習を通じて、最先端のデバイスは意思決定、予測、複雑なデータの処理、ソリューションの管理を行うことができるようになりました。
たとえば、エッジ IoT デバイスは動作状況を処理し、マシンが故障するかどうかを予測できます。これにより、企業は予知保全を実行し、完全な故障が発生した場合の大きな損失とコストを回避できます。
一方、エッジ人工知能を搭載したセキュリティカメラは、映像を撮影するだけでなく、人間を認識し、人の通行量を計算できるようになります。あるいは、顔認識を使用すると、誰がいつ特定のエリアを通過したかを正確に識別することも可能です。
機械学習の進歩に伴い、多くのエキサイティングな可能性がエッジ デバイスにも拡張されるようになります。しかし、このパラダイム シフトの鍵は明らかであり、クラウド コンピューティング機能がこれまで以上に疎外されているのには理由があります。
エッジ人工知能の利点
1. 遅延の削減
エッジで情報を処理することの最も直接的な利点は、クラウド間でデータを送信する必要がないことです。したがって、データ処理の遅延を大幅に削減できます。
前述の予防メンテナンスの例では、エッジ AI 対応デバイスは、損傷したマシンをシャットダウンするなど、即座に対応できるようになります。クラウド コンピューティングを使用して機械学習アルゴリズムを実行すると、クラウドへのデータ送信で少なくとも 1 秒が失われます。これは重要ではないように聞こえるかもしれませんが、重要な機器の運用に関しては、達成可能なあらゆる安全マージンを追求する価値があります!
2. 帯域幅要件とコストを削減します
エッジ間で送信されるデータを削減します。 IoT デバイスにより、ネットワーク帯域幅要件が低くなり、コストが削減されます。
画像分類タスクを例として考えてみましょう。クラウド コンピューティングに依存しているため、オンライン処理のために画像全体を送信する必要があります。ただし、代わりにエッジ コンピューティングを使用すると、そのデータを送信する必要がなくなります。代わりに、処理された結果を送信するだけで済みます。これは通常、元の画像よりも数桁小さくなります。この効果にネットワーク内の IoT デバイスの数を掛けると、その数は数千以上になる可能性があります。
3. データ セキュリティの向上
外部へのデータ送信を減らすことは、開いている接続が減り、サイバー攻撃の機会が減るということも意味します。これにより、エッジデバイスが安全に動作し、傍受やデータ漏洩の可能性を回避できます。さらに、データは一元化されたクラウドに保存されなくなるため、単一の侵害による影響は大幅に軽減されます。
4. 信頼性の向上
エッジ人工知能とエッジ コンピューティングの分散型の性質により、運用リスクもネットワーク全体に分散される可能性があります。基本的に、集中管理されたクラウド コンピューターやクラスターに障害が発生した場合でも、コンピューティング プロセスがクラウドから独立しているため、個々のエッジ デバイスは機能を維持できます! これは、ヘルスケアなどの重要な IoT アプリケーションにとって特に重要です。
エッジ AI が重要な理由
エッジ AI の実際的な利点は明らかですが、その本質的な影響はさらにわかりにくいかもしれません。
エッジ人工知能は私たちの生活を変える
エッジ人工知能は、人工知能を日常生活に真に統合する最初の波を表します。 AI と機械学習の研究は何十年も前から行われてきましたが、消費者向け製品への実用的な応用が見え始めたのは最近です。たとえば、自動運転車は、エッジ人工知能の進歩の産物です。エッジ AI は、ゆっくりと、しかし確実に、私たちが環境と対話する方法をさまざまな方法で変えています。
エッジ人工知能により、人々が人工知能を手頃な価格で利用できるようになります
人工知能の使用と開発は、もはや研究機関や大企業だけのものではありません。エッジ AI は比較的手頃な価格のエッジ デバイスで実行できるように設計されているため、誰でも AI の仕組みを理解し、自分に適した AI を開発することがこれまでより簡単になります。
さらに重要なのは、エッジ AI により、世界中の教育者が教室での学習に人工知能と機械学習を具体的な方法で導入できるようになります。たとえば、エッジ デバイスを使用した実践的な経験を学生に提供するなどです。
エッジ人工知能は私たちの考え方に挑戦します
人工知能と機械学習の可能性は人間の創造性と想像力によってのみ制限されるとよく言われますが、機械学習はますます進歩します。私たちがより高度になるにつれて、かつては人間のみが可能であった多くのタスクが自動化され、私たちに本来備わっている生産性と目的の概念が深刻な挑戦を受けることになります。
将来何が起こるかはわかりませんが、エッジ AI がもたらすものについては概して楽観的です。それは、エッジ AI が私たちに、より創造的で充実した仕事を見つけるよう後押ししてくれると信じているからです。たとえば、AI が組み込まれたエッジ デバイスは、作業環境でのヘルメットのコンプライアンスを含む PPE をリアルタイムで監視し、PPE に違反する人に安全信号とメンテナンス信号を送信できます。コンピューター ビジョンと機械学習を組み合わせることで、PPE コンプライアンス監視プロセスを自動化できます。
もう 1 つの例は、AI 統合カメラが、交通の妨げになりがちな都市のボトルネックや渋滞点を軽減できることです。交通渋滞は主に、走行中の車両間の距離、信号機、道路標識、交差点の歩行者など、特定の要因を無視することによって発生します。高度道路交通システムは、車両分類、交通違反検出、交通流分析、駐車場検出、ナンバープレート認識、歩行者検出、交通標識検出、衝突回避、道路状況監視などを含むコンピュータビジョンの主な応用分野です。車内のドライバーの注意力の検出も可能です。
この記事を通じて、誰もがエッジ人工知能とは何か、それがモノのインターネット、さらには人類の未来にとって何を意味するのかを理解できたと思います。以上が少しでもお役に立てれば幸いです。
以上がエッジ人工知能とは何か、エッジ人工知能を実装する方法の詳細内容です。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。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









機械学習とデータ サイエンスの分野では、モデルの解釈可能性が常に研究者や実務家に焦点を当ててきました。深層学習やアンサンブル手法などの複雑なモデルが広く適用されるようになったことで、モデルの意思決定プロセスを理解することが特に重要になってきました。 Explainable AI|XAI は、モデルの透明性を高めることで、機械学習モデルに対する信頼と自信を構築するのに役立ちます。モデルの透明性の向上は、複数の複雑なモデルの普及や、モデルを説明するための意思決定プロセスなどの方法によって実現できます。これらの方法には、特徴重要度分析、モデル予測間隔推定、ローカル解釈可能性アルゴリズムなどが含まれます。特徴重要度分析では、入力特徴に対するモデルの影響度を評価することで、モデルの意思決定プロセスを説明できます。モデルの予測間隔の推定

平たく言えば、機械学習モデルは、入力データを予測された出力にマッピングする数学関数です。より具体的には、機械学習モデルは、予測出力と真のラベルの間の誤差を最小限に抑えるために、トレーニング データから学習することによってモデル パラメーターを調整する数学関数です。機械学習には、ロジスティック回帰モデル、デシジョン ツリー モデル、サポート ベクター マシン モデルなど、多くのモデルがあります。各モデルには、適用可能なデータ タイプと問題タイプがあります。同時に、異なるモデル間には多くの共通点があったり、モデル進化の隠れた道が存在したりすることがあります。コネクショニストのパーセプトロンを例にとると、パーセプトロンの隠れ層の数を増やすことで、それをディープ ニューラル ネットワークに変換できます。パーセプトロンにカーネル関数を追加すると、SVM に変換できます。これです

この記事では、学習曲線を通じて機械学習モデルの過学習と過小学習を効果的に特定する方法を紹介します。過小適合と過適合 1. 過適合 モデルがデータからノイズを学習するためにデータ上で過学習されている場合、そのモデルは過適合していると言われます。過学習モデルはすべての例を完璧に学習するため、未確認の新しい例を誤って分類してしまいます。過適合モデルの場合、完璧/ほぼ完璧なトレーニング セット スコアとひどい検証セット/テスト スコアが得られます。若干修正: 「過学習の原因: 複雑なモデルを使用して単純な問題を解決し、データからノイズを抽出します。トレーニング セットとしての小さなデータ セットはすべてのデータを正しく表現できない可能性があるため、2. 過学習の Heru。」

1950 年代に人工知能 (AI) が誕生しました。そのとき、研究者たちは、機械が思考などの人間と同じようなタスクを実行できることを発見しました。その後、1960 年代に米国国防総省は人工知能に資金を提供し、さらなる開発のために研究所を設立しました。研究者たちは、宇宙探査や極限環境での生存など、多くの分野で人工知能の応用を見出しています。宇宙探査は、地球を超えた宇宙全体を対象とする宇宙の研究です。宇宙は地球とは条件が異なるため、極限環境に分類されます。宇宙で生き残るためには、多くの要素を考慮し、予防策を講じる必要があります。科学者や研究者は、宇宙を探索し、あらゆるものの現状を理解することが、宇宙の仕組みを理解し、潜在的な環境危機に備えるのに役立つと信じています。

C++ の機械学習アルゴリズムが直面する一般的な課題には、メモリ管理、マルチスレッド、パフォーマンスの最適化、保守性などがあります。解決策には、スマート ポインター、最新のスレッド ライブラリ、SIMD 命令、サードパーティ ライブラリの使用、コーディング スタイル ガイドラインの遵守、自動化ツールの使用が含まれます。実践的な事例では、Eigen ライブラリを使用して線形回帰アルゴリズムを実装し、メモリを効果的に管理し、高性能の行列演算を使用する方法を示します。

翻訳者 | Li Rui によるレビュー | 今日、人工知能 (AI) および機械学習 (ML) モデルはますます複雑になっており、これらのモデルによって生成される出力はブラックボックスになっており、関係者に説明することができません。 Explainable AI (XAI) は、利害関係者がこれらのモデルがどのように機能するかを理解できるようにし、これらのモデルが実際に意思決定を行う方法を確実に理解できるようにし、AI システムの透明性、信頼性、およびこの問題を解決するための説明責任を確保することで、この問題を解決することを目指しています。この記事では、さまざまな説明可能な人工知能 (XAI) 手法を検討して、その基礎となる原理を説明します。説明可能な AI が重要であるいくつかの理由 信頼と透明性: AI システムが広く受け入れられ、信頼されるためには、ユーザーは意思決定がどのように行われるかを理解する必要があります

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

MetaFAIR はハーバード大学と協力して、大規模な機械学習の実行時に生成されるデータの偏りを最適化するための新しい研究フレームワークを提供しました。大規模な言語モデルのトレーニングには数か月かかることが多く、数百、さらには数千の GPU を使用することが知られています。 LLaMA270B モデルを例にとると、そのトレーニングには合計 1,720,320 GPU 時間が必要です。大規模なモデルのトレーニングには、これらのワークロードの規模と複雑さにより、特有のシステム上の課題が生じます。最近、多くの機関が、SOTA 生成 AI モデルをトレーニングする際のトレーニング プロセスの不安定性を報告しています。これらは通常、損失スパイクの形で現れます。たとえば、Google の PaLM モデルでは、トレーニング プロセス中に最大 20 回の損失スパイクが発生しました。数値的なバイアスがこのトレーニングの不正確さの根本原因です。
