エッジ インテリジェンス: 定義、アプリケーション、コンポーネント、および利点
エッジ インテリジェンスは、エッジ コンピューティングをさらに発展させたものです。これにより、スマート センサー ノードはローカルで意思決定を行うことができ、オプションでデータをゲートウェイに送信してさらなるフィルタリングを行い、最終的にはクラウドまたは他のストレージ システムに送信することができます。エッジ インテリジェンスは人工知能とエッジ コンピューティングを組み合わせたもので、クラウドに依存せず、ローカルで情報を直接感知し、リアルタイムの意思決定アプリケーションを通じて環境の変化に迅速に対応します。このテクノロジーの出現により、さまざまな業界に、より効率的なデータ処理とより迅速な意思決定機能がもたらされます。
エッジ インテリジェンスに基づくアプリケーション
機械学習の側面
機械学習 (ML) はエッジ インテリジェンスの中心であり、データ ストリーム内のパターンと異常を検出して、適切な応答をトリガーします。 ML には、工場、スマート シティ、スマート グリッド、拡張現実および仮想現実、コネクテッド ビークル、ヘルスケア システムなど、幅広い用途があります。 ML モデルはクラウドでトレーニングされ、エッジ デバイスにインテリジェンスを提供するために使用されます。
機械学習は、機能的な AI を作成する効果的な方法です。 AI エンティティの分類と予測には、デシジョン ツリー、ベイジアン ネットワーク、K 平均法クラスタリングなどの ML 技術が使用されます。ディープラーニングは、人工ニューラル ネットワークを使用して、画像分類や顔認識などのタスクを実行します。
人工知能の側面
機械学習は製造業で非常に普及していますが、人工知能はソーシャル メディアやビジネスからコンテンツを抽出するためによく使用されています。情報学や、オンライン ショッピングの記録などで収集されるビッグ データ。分析のために IoT デバイスからクラウドに大量のデータを送信するには、費用がかかり、非効率的です。エッジ インテリジェンスは、クラウド サービスをネットワークのコアからネットワークのエッジにプッシュして処理します。エッジ ノード センサーにはスマートフォンやその他のモバイル デバイスを使用できます。
その中でも、リアルタイムビデオ分析は、エッジコンピューティングの非常に人気のあるアプリケーションになると予想されています。コンピュータ ビジョンに基づいて構築されたアプリケーションとして、リアルタイム ビデオ分析は監視カメラからキャプチャされた高解像度ビデオを継続的に収集します。これらのアプリケーションでは、ビデオを分析するために大量の計算、高帯域幅、低遅延が必要です。これは、クラウドの AI をエッジをカバーするゲートウェイに拡張することで実現できます。
エッジ インテリジェンスの利点
1. 低遅延インテリジェンス
クラウド コンピューティングまたは集中型システムには遅延の問題が発生しています。データを取得して中央の場所に送信し、処理して応答するには時間がかかり、リアルタイムの意思決定が容易になりません。
エッジ インテリジェンスの主な利点は、レイテンシーを削減し、それによって実用的なイベントをほぼリアルタイムで実行し、それによってシステム全体のパフォーマンスが向上することです。これにより、クラウド コンピューティングと集中システムは、生の無関係なデータを扱う必要がなくなり、代わりに、高度に構造化され、コンテキストが豊富で実用的なデータを処理できるようになります。このようにして、エッジだけでなくシステム全体の遅延も改善されます。
2. 低帯域幅のデータ ストレージ
どの IoT モデルにおいても、数千のエッジ デバイスによって収集されたすべてのデータの送信は大きな影響を与えます。帯域幅に関する要件は非常に高いです。これらのデバイスの数が増えると、指数関数的に増加します。リモート サイトの場所には、クラウド サーバーとの間でデータや分析を転送するための帯域幅さえない場合があります。エッジ インテリジェンスは、分析を実行し、必要なアクションを実行するのに役立ちます。後で収集できるデータ、メタデータ、運用レポートを保存できます。
3. 線形スケーラビリティ
エッジ インテリジェンス アーキテクチャは、IoT 導入の拡大に応じて線形に拡張できます。エッジ インテリジェンス アーキテクチャは、展開されたデバイスのコンピューティング能力を活用します。深層学習および機械学習モデルを実行するという重労働を引き受けることができます。これにより、エッジデバイスがインテリジェント機能の実行という主な負担を共有するため、集中型クラウドシステムへの負担が軽減されます。
4. 運用コストの削減
#エッジ インテリジェンスは時間に敏感なデータをローカルで操作するため、クラウド スペースを大幅に節約できます。中央システムに豊富なデータを提供するためです。これにより、運用コストも削減されます。エッジ インテリジェンスは、接続されているすべての IoT デバイスの運用をリアルタイムで推進するため、専門家はデバイスの導入と保守をより効率的に行うことができます。
エッジ インテリジェンス アーキテクチャ コンポーネント
エッジ インテリジェンス アーキテクチャの 4 つの主要コンポーネント: エッジ キャッシュ、エッジ トレーニング、エッジ推論、エッジ オフロード。
1. エッジ キャッシング
エッジ インテリジェンスの下で、エッジ キャッシングは主にエンド ユーザーとその周囲の環境からエッジ デバイスへのトラフィックを処理します。配布されたデータ。このデータに加えて、エッジ デバイス自体によって生成されたデータもエッジ キャッシュに属します。さらに、モバイル センサーは環境データを収集し、人工知能アルゴリズムがユーザーにサービスを提供するために使用できるように、環境データを処理して適切な場所に保存します。
このモジュールは、完全なエッジ データ ストレージ管理を担当します。
2. エッジトレーニング
これまで、インテリジェント エッジに展開された AI モデルのトレーニングはほとんど一元化されてきました。強力な GPU を備えた強力な中央サーバーでディープ ラーニング モデルをトレーニングし、互換性のあるエッジ SDK とランタイム環境を使用してエッジ デバイスに移植します。これは、クラウド接続または他の IO インターフェイスを使用して、モデルの再トレーニングとエッジ デバイスへのデプロイを制御するための最良の方法であり続けます。しかし、真のエッジ インテリジェンス アーキテクチャを実現するには、エッジ トレーニングを実装する必要があります。
エッジ トレーニングとは、データにデプロイされたモデルの重みとバイアスの最適値を学習したり、エッジでキャプチャされたトレーニング データの隠れたパターンを特定したりするプロセスを指します。
3. エッジ推論
エッジ推論は、エッジ上の出力を計算することにより、テスト データ セット上のトレーニング モデルまたはアルゴリズムを評価します。デバイスのパフォーマンスプロセス。
4. エッジ オフロード
エッジ オフロードは、エッジ デバイスがオフロード トレーニングなどの特定のタスクをオフロードできる、エッジ インテリジェンスのもう 1 つの重要な機能です。 、エッジ キャッシング、またはネットワーク内の他のエッジ デバイスへのエッジ推論。これは、エッジ デバイスがインテリジェントなエコシステムを構築する分散コンピューティング パラダイムに似ています。エッジ オフロードは、他の 3 つのコンポーネントの上にある抽象的なサービス層であるため、スタンドアロン エッジ デバイスの欠点を克服するためのフェールセーフ戦略も提供することが非常に重要です。構造化された効果的な実装により、エッジ インテリジェンスがエッジ環境で利用可能なリソースを最大限に活用できるようになります。
以上がエッジ インテリジェンス: 定義、アプリケーション、コンポーネント、および利点の詳細内容です。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
