クラウド vs エッジ AI: あなたの施設にはどちらが最適ですか?
ビル管理者は、前例のないペースで、担当する物件にスマート テクノロジーを統合しています。 Juniper Research によると、世界中のスマート ビルディングの数は 2026 年までに 150% 増加し、今年の 4,500 万棟から 1 億 1,500 万棟以上に増加すると予想されています。導入がこのように劇的に増加したのには十分な理由があります。最先端の自動化ソフトウェアとシステムは、占有率、室内空気質 (IAQ)、公共施設の使用状況などの運用パラメータを継続的に監視する機会を所有者に提供し、前例のないレベルの安全性と効率性の達成に役立ちます。
しかし、一部のビル管理者にとっては、施設にスマート テクノロジーを統合することに不安を感じる場合があります。自動化システムを導入する際に下さなければならない決定は複雑で、馴染みのない要素が含まれる場合があります。しかし、ビル管理者は、HVAC、照明制御、冷却装置を習得しているのと同じように、モノのインターネット (IoT)、ネットワーキング、人工知能 (AI) についても学ぶことができます。
人工知能を活用したモノのインターネット (AIoT) システムは、特に恐ろしい場合がありますが、建物の効率、安全性、持続可能性を最大化する最も強力な方法の 1 つとなります。 AI はエッジ (エッジ AI) またはクラウド (クラウド AI) で適用できます。どちらにもアプリケーションの目的とニーズに応じて利点があり、それぞれ (または両方を組み合わせて) をいつ使用するかを知っている建設管理者には利点があります。
リモート ストレージとローカル ストレージの違いを理解する
現在導入されている AI は、もともとクラウド コンピューティング テクノロジとして誕生しました。これらのシステムの背後にある機械学習アルゴリズムは、アルゴリズムをトレーニングするためと、アルゴリズムを呼び出して洞察を提供するため、つまり推論と呼ばれるプロセスの両方に、かなりのコンピューティング能力を必要とします。最近まで、ローカルのインフラストラクチャにはこれらのことを効率的に実行するためのリソースがほとんどなかったため、建築オペレーターは AI アプリケーションをデータセンターの外で実行する必要がありました。
ただし、リモート データ センターの外でスマート ビルディング アプリケーションを実行するには、独自の制限があります。接続性、帯域幅のコスト、セキュリティ、レイテンシー (データをクラウドに送信したり返送したりするのにかかる時間) は、システムの効率に影響を与える可能性があります。機械またはビルディング オートメーション システム全体が故障しそうになった場合、アラームと自動応答が可能な限り即座に発せられる必要があります。
新世代のエッジ コンピューティング テクノロジは、この問題を大幅に軽減します。施設に設置されたインフラストラクチャには、コンピューティング集約型のワークロードに必要な処理能力が備わっています。
7 年前に設立された FogHorn のような企業は、デジタル的に建物運営を変革する新たな可能性を生み出すエッジ人工知能テクノロジーを開発しました。これには、AI モデルを最適化して低コストのエッジ コンピューティング デバイス上で効率的に実行するための高度な技術 (エッジ化と呼ばれる) が含まれます。 Johnson Controls は 2022 年初めに FogHorn を買収し、現在エッジ テクノロジーを OpenBlue プラットフォームに統合しています。
エッジ デバイスは、ローカルの機能ギャップを埋めることにより、建物を可能な限り効率的かつ効果的に運営するという目標にとって重要なアーキテクチャ コンポーネントを提供します。
クラウドとエッジ AI の選択
エッジ AI の出現により、インテリジェント オートメーション テクノロジの導入を検討している建設管理者は、オンプレミスに導入するか、それとも導入するかという問題にほぼ必然的に直面するようになりました。クラウド上の AI。この問題に直面している人のために、考慮すべき簡単な経験則がいくつかあります。
Edge AI は、次の場合に最適に機能します。
- リアルタイムまたはほぼリアルタイムで操作を実行する必要がある。運用上の問題を検出し、自動的にアラートや応答を発行するインテリジェントな自動化システムは、遅延が最小限に抑えられた場合に最も効果的に機能する傾向があります。
- システムのローカル制御が必要です。マシンをシャットダウンしたり、クラウドから制御システムを調整したりすると、多くの場合、セキュリティと遅延の問題が伴います。
- データ転送とストレージのコストには制限があります。たとえば、複数のカメラからの高忠実度の画像が、一般的な AI アプリケーションであるコンピューター ビジョン AI モデルによって分析されるビデオ監視システムを考えてみましょう。すべてのデータをクラウドに送信して保存すると、すぐにコストが高くなる可能性があります。
次のような場合にはクラウドの方が優れている可能性があります:
- 厳密なデータ分析を完了します。建設管理者は、多くの場合、AI 分析に基づいて自社の運営方法をより深く理解したり、自社の施設の「デジタル ツイン」バージョンでシミュレーション演習を実行したりしたいと考えています。この種のデータ分析は通常、リアルタイムで行う必要がないため、管理者が最も強力なハードウェアおよびソフトウェア ツールを活用してあらゆる規模の作業を実行できるクラウドで実行するのが最適です。
次の状況では、この 2 つの組み合わせが最適です。
- 複数の建物を実行し、それらの間で情報を関連付けます。クラウドにより、一元化されたデータクリアリングハウスとコマンドセンターが可能になります。実際には、ハイブリッド アプローチが採用されることが多く、個々の建物での初期処理の一部がエッジ AI によって行われ、その後クラウド AI が複数の建物からの集約データ (場合によっては他のデータ ソースと組み合わせて実行) 上で実行されます。
人工知能導入への最初の一歩を踏み出しましょう
これらの決定は建設管理者が単独で行う必要はないということを覚えておくことが重要です。専門の技術プロバイダーがいますので、安心してご利用いただけます。 AI は、お客様固有のニーズを最も満たす場所に導入されます。建設管理者は、データ サイエンティストである必要はなく、AI とその基盤となる機械学習アルゴリズムのあらゆる側面を完全に理解している必要はありません。代わりに、専門のテクノロジー ベンダーと協力して、AI に舞台裏でその魔法を働かせることができます。
オラクルは、現在大量の職場復帰政策に着手している多くの組織と同様に、パンデミックの余波をスマート ビルディング システムを導入するユニークな時期と捉えています。パンデミック関連の閉鎖が数年続いた後、従業員は、アメニティがすぐに利用でき、コラボレーションツールが遍在し、空気の質が監視され、混雑が制限され、会社が活力に満ちた物理的な職場にしがみついています。持続可能な開発目標は、次の点で達成されています。エネルギーとエネルギー使用、水と廃棄物の削減。建物の占有率が依然として歴史的に低い水準にあるため、稼働させる必要のないシステムをシャットダウンすることは、効率を大幅に向上させるのに役立ちます。
こうした職場のダイナミクスと期待の変化は、IoT テクノロジー、それらを接続する高度なネットワーク、およびそれらを制御する人工知能システムへの新たな投資を評価する機会となる可能性があります。これは、占有状況、従業員エクスペリエンスのニーズ、サイトの所有権、およびそのユースケースの重要性(例:研究室かオフィススペースか)に基づいて、より適切な意思決定を行えるように職場を進化させる機会でもあります。
建設管理者はこれまで、自動制御システムに投資するかどうかを決定する際にスケジュールに優先順位を付けてきました。もはや。新しい重要な考慮事項は、使用率のメトリクスです。全員が戻ってくることを当然のこととは考えられず、多くの企業がハイブリッド勤務方針を採用しています。
よりスマートで、より安全で、より持続可能な空間の構築
オフィスは、初めて、魅力的で生産性の高い作業環境として家庭と競合する必要があります。人々は、オフィスの室内空気質 (IAQ) が監視され、水やエネルギーなどの資源が効率的に使用され、住んでいる部屋が快適であることを知って安心したいと考えています。 AIoT システムは、建物のエネルギー効率、健康性、自律性、安全性を高め、居住者のニーズにさらに対応できるようにするのに役立ちます。
これに応えて、新旧のビル管理者は、AIoT 自動化システムの実装と運用の最適化に必要な新しいスキルを習得できるよう、スマート テクノロジー プロバイダーからのサポートを求めています。貴重な教訓は、AI をオンプレミスまたはクラウドにいつ導入するかということです。エッジ AI とクラウド AI が建物の目標やアプリケーションのニーズに合致しているかどうかを判断すると、情報に基づいた建物管理者は、AI が健康な空気、快適な空間、効率的な運営を確保して建物の活性化に役立つと信頼できます。
以上がクラウド vs エッジ AI: あなたの施設にはどちらが最適ですか?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。

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











このサイトは6月27日、JianyingはByteDanceの子会社であるFaceMeng Technologyによって開発されたビデオ編集ソフトウェアであり、Douyinプラットフォームに依存しており、基本的にプラットフォームのユーザー向けに短いビデオコンテンツを作成すると報告しました。 Windows、MacOS、その他のオペレーティング システム。 Jianyingは会員システムのアップグレードを正式に発表し、インテリジェント翻訳、インテリジェントハイライト、インテリジェントパッケージング、デジタルヒューマン合成などのさまざまなAIブラックテクノロジーを含む新しいSVIPを開始しました。価格的には、クリッピングSVIPの月額料金は79元、年会費は599元(当サイト注:月額49.9元に相当)、継続月額サブスクリプションは月額59元、継続年間サブスクリプションは、年間499元(月額41.6元に相当)です。さらに、カット担当者は、ユーザーエクスペリエンスを向上させるために、オリジナルのVIPに登録している人は、

検索強化生成およびセマンティック メモリを AI コーディング アシスタントに組み込むことで、開発者の生産性、効率、精度を向上させます。 JanakiramMSV 著者の EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG から翻訳。基本的な AI プログラミング アシスタントは当然役に立ちますが、ソフトウェア言語とソフトウェア作成の最も一般的なパターンに関する一般的な理解に依存しているため、最も適切で正しいコードの提案を提供できないことがよくあります。これらのコーディング アシスタントによって生成されたコードは、彼らが解決する責任を負っている問題の解決には適していますが、多くの場合、個々のチームのコーディング標準、規約、スタイルには準拠していません。これにより、コードがアプリケーションに受け入れられるように修正または調整する必要がある提案が得られることがよくあります。

AIGC について詳しくは、51CTOAI.x コミュニティ https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou を参照してください。これらの質問は、インターネット上のどこでも見られる従来の質問バンクとは異なります。既成概念にとらわれずに考える必要があります。大規模言語モデル (LLM) は、データ サイエンス、生成人工知能 (GenAI)、および人工知能の分野でますます重要になっています。これらの複雑なアルゴリズムは人間のスキルを向上させ、多くの業界で効率とイノベーションを推進し、企業が競争力を維持するための鍵となります。 LLM は、自然言語処理、テキスト生成、音声認識、推奨システムなどの分野で幅広い用途に使用できます。 LLM は大量のデータから学習することでテキストを生成できます。

大規模言語モデル (LLM) は巨大なテキスト データベースでトレーニングされ、そこで大量の現実世界の知識を取得します。この知識はパラメータに組み込まれており、必要なときに使用できます。これらのモデルの知識は、トレーニングの終了時に「具体化」されます。事前トレーニングの終了時に、モデルは実際に学習を停止します。モデルを調整または微調整して、この知識を活用し、ユーザーの質問により自然に応答する方法を学びます。ただし、モデルの知識だけでは不十分な場合があり、モデルは RAG を通じて外部コンテンツにアクセスできますが、微調整を通じてモデルを新しいドメインに適応させることが有益であると考えられます。この微調整は、ヒューマン アノテーターまたは他の LLM 作成物からの入力を使用して実行され、モデルは追加の実世界の知識に遭遇し、それを統合します。

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究

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。

8月1日の本サイトのニュースによると、SKハイニックスは本日(8月1日)ブログ投稿を発表し、8月6日から8日まで米国カリフォルニア州サンタクララで開催されるグローバル半導体メモリサミットFMS2024に参加すると発表し、多くの新世代の製品。フューチャー メモリおよびストレージ サミット (FutureMemoryandStorage) の紹介。以前は主に NAND サプライヤー向けのフラッシュ メモリ サミット (FlashMemorySummit) でしたが、人工知能技術への注目の高まりを背景に、今年はフューチャー メモリおよびストレージ サミット (FutureMemoryandStorage) に名前が変更されました。 DRAM およびストレージ ベンダー、さらに多くのプレーヤーを招待します。昨年発売された新製品SKハイニックス
