인공지능(AI)이 성숙해짐에 따라 채택이 계속 증가하고 있습니다. 최근 연구에 따르면 조직의 35%가 인공지능을 사용하고 있으며 42%는 인공지능의 잠재력을 탐구하고 있습니다. AI는 잘 알려져 있고 클라우드에 대량으로 배포되어 있지만 엣지에서는 아직 초기 단계이며 몇 가지 고유한 과제에 직면해 있습니다.
많은 사람들이 자동차 내비게이션부터 걸음 수 추적, 디지털 보조원과의 대화에 이르기까지 하루 종일 인공 지능을 사용합니다. 사용자가 모바일 기기에서 이러한 서비스에 자주 액세스하더라도 AI의 클라우드 사용에는 여전히 계산 결과가 존재합니다. 보다 구체적으로 말하면, 사람이 정보를 요청하고, 요청은 클라우드의 중앙 학습 모델에 의해 처리되며, 결과는 사람의 로컬 장치로 다시 전송됩니다.
Edge AI는 클라우드 AI보다 덜 자주 이해되고 배포됩니다. 처음부터 AI 알고리즘과 혁신은 모든 데이터가 중앙 위치로 전송될 수 있다는 근본적인 가정에 의존해 왔습니다. 이 중앙 위치에서 알고리즘은 데이터에 대한 전체 액세스 권한을 갖습니다. 이를 통해 알고리즘은 계산 및 데이터에 대한 완전한 액세스를 통해 뇌나 중추신경계와 같은 지능을 구축할 수 있습니다.
그러나 엣지의 AI는 다릅니다. 그것은 모든 세포와 신경에 지능을 분배합니다. 인텔리전스를 엣지까지 확장함으로써 우리는 이러한 엣지 장치에 에이전시를 제공합니다. 이는 의료 및 산업 제조와 같은 많은 응용 분야와 분야에서 매우 중요합니다.
에지에 AI를 배포하는 세 가지 주요 이유가 있습니다.
개인 식별 정보(PII) 보호
먼저, PII 또는 민감한 IP(지적 재산)를 처리하는 일부 조직은 병원의 영상 기계 또는 공장 현장의 제조 기계 등 데이터가 시작된 곳에 데이터를 보관하는 것을 선호합니다. 이는 데이터가 네트워크를 통해 전송될 때 발생할 수 있는 "드리프트" 또는 "누출"의 위험을 줄여줍니다.
대역폭 사용량 최소화
두 번째는 대역폭 문제입니다. 엣지에서 클라우드로 대량의 데이터를 전송하면 네트워크가 정체되어 어떤 경우에는 실용적이지 않습니다. 의료 환경의 이미징 시스템이 너무 큰 파일을 생성하여 클라우드로 전송하는 것이 불가능하거나 완료하는 데 며칠이 걸리는 것은 드문 일이 아닙니다.
단순히 데이터를 엣지에서 처리하는 것이 더 효율적입니다. 특히 독점 시스템 개선을 목표로 통찰력을 얻을 때 더욱 그렇습니다. 과거에는 컴퓨팅을 이동하고 유지 관리하는 것이 훨씬 더 어려웠으므로 이 데이터를 컴퓨팅 위치로 이동해야 했습니다. 데이터가 더 중요하고 관리하기 어려운 경우가 많아 이제 이 패러다임이 도전받고 있으며, 이로 인해 계산을 데이터 위치로 이동해야 하는 사용 사례가 발생하고 있습니다.
지연 방지
AI를 엣지에 배포하는 세 번째 이유는 지연 시간입니다. 인터넷은 빠르지만 실시간은 아닙니다. 수술을 지원하는 로봇 팔이나 시간에 민감한 생산 라인과 같이 밀리초가 중요한 상황이 있는 경우 조직은 엣지에서 AI를 실행하기로 결정할 수 있습니다.
이러한 이점에도 불구하고 엣지에 AI 배포와 관련된 몇 가지 고유한 과제가 여전히 남아 있습니다. 이러한 문제를 관리하는 데 도움이 되도록 고려해야 할 몇 가지 팁은 다음과 같습니다.
모델 훈련의 좋은 결과와 나쁜 결과
대부분의 AI 기술은 모델을 훈련하기 위해 많은 양의 데이터를 사용합니다. 그러나 최첨단 산업 사용 사례에서는 대부분의 제조 제품에 결함이 없어 라벨이 붙어 있거나 양호하다는 주석이 달렸기 때문에 이것이 더 어려워지는 경우가 많습니다. "좋은 결과"와 "나쁜 결과" 사이의 불균형으로 인해 모델이 문제를 식별하는 방법을 학습하는 것이 더 어려워집니다.
상황별 정보 없이 데이터 분류에 의존하는 순수 AI 솔루션은 레이블이 지정된 데이터가 부족하고 드문 이벤트로 인해 생성 및 배포가 쉽지 않은 경우가 많습니다. 데이터 중심 접근 방식이라고도 알려진 AI에 컨텍스트를 추가하면 최종 솔루션의 정확성과 규모 측면에서 이점을 얻을 수 있는 경우가 많습니다. 사실 AI는 인간이 수동으로 수행하는 일상적인 작업을 대체할 수 있는 경우가 많지만 모델을 구축할 때, 특히 작업할 데이터가 많지 않을 때 인간의 통찰력을 활용하면 큰 이점을 얻을 수 있습니다.
숙련된 분야 전문가로부터 알고리즘을 구축하는 데이터 과학자와 긴밀히 협력하여 AI 학습을 시작하세요.
AI는 마법처럼 모든 문제를 해결하거나 답변을 제공할 수 없습니다.
일반적으로 출력에는 여러 단계가 있습니다. 예를 들어, 공장 현장에는 많은 워크스테이션이 있을 수 있으며 서로 종속될 수 있습니다. 한 공정 중 공장 내 한 영역의 습도는 나중에 생산 라인의 다른 영역에서 다른 공정의 결과에 영향을 미칠 수 있습니다.
사람들은 종종 인공 지능이 이러한 모든 관계를 마법처럼 하나로 묶을 수 있다고 생각합니다. 이는 많은 경우에 가능하지만 수집하는 데 많은 양의 데이터와 오랜 시간이 필요할 수 있으므로 해석 가능성과 업데이트를 지원하지 않는 매우 복잡한 알고리즘이 생성될 수도 있습니다.
인공지능은 진공상태에서 살 수 없습니다. 이러한 상호 의존성을 포착하면 단순한 솔루션에서 시간이 지남에 따라 다양한 배포에 걸쳐 확장할 수 있는 솔루션으로 한계가 높아집니다.
이해관계자 지원 부족으로 AI 규모 제한
조직 내 사람들이 AI의 이점에 회의적이라면 조직 전체에 AI를 확장하는 것이 어렵습니다. 광범위한 지원을 얻는 가장 좋은(아마도 유일한) 방법은 가치가 높고 어려운 문제부터 시작한 다음 AI를 사용하여 문제를 해결하는 것입니다.
아우디에서는 용접건 전극 교체 빈도 문제 해결을 고려하고 있습니다. 그러나 전극의 가격이 저렴하다고 해서 인간이 수행하는 일상적인 작업이 없어지는 것은 아닙니다. 대신 업계 전반에 걸쳐 어려운 문제로 보편적으로 인식되고 있는 용접 공정을 선택했고, 인공지능을 통해 공정의 품질을 획기적으로 향상시켰다. 이는 회사 전체의 엔지니어들의 상상력을 촉발시켰고, 그들은 효율성과 품질을 개선하기 위해 AI를 다른 프로세스에 어떻게 사용할 수 있는지 살펴보았습니다.
에지에 AI를 배포하면 조직과 팀에 도움이 될 수 있습니다. 시설을 지능형 엣지로 전환하고, 품질을 개선하고, 제조 프로세스를 최적화하고, 조직 전체의 개발자와 엔지니어에게 영감을 주어 AI를 통합하거나 예측 분석, 효율성 향상을 위한 권장 사항 또는 이상 현상을 포함한 AI 사용 사례를 발전시킬 수 있는 방법을 모색할 수 있는 잠재력이 있습니다. 발각. 그러나 그것은 또한 새로운 도전을 가져옵니다. 업계로서 우리는 대기 시간을 줄이고, 개인 정보 보호를 강화하고, IP를 보호하고 네트워크를 원활하게 실행하면서 이를 배포할 수 있어야 합니다.
위 내용은 엣지의 AI: 배포 전 고려해야 할 세 가지 팁의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
