AI가 여전히 도전과 한계에 직면해 있는 이유

지능이 급증하고 있으며 오늘날 새로운 생성 인공 지능(gen-AI) 및 기계 학습(ML)을 사용하여 핵심 플랫폼을 확장하지 않는 엔터프라이즈 기술 공급업체를 찾기가 어려울 것입니다. 생성적 AI와 LLM(대형 언어 모델) 사용, 벡터 데이터베이스 생성 및 기타 견고한 신기술 트렌드는 향후 10년 동안 AI가 구축되는 방식에 조용히 영향을 미치고 있습니다.

Edge는 사물 인터넷과 같습니다

우리가 이야기할 때 엣지 컴퓨팅, 흔히 사물인터넷(IoT) 공간에 존재하는 컴퓨팅 디바이스를 지칭합니다. 원격 스마트 시티 및 산업 장비 센서, 카메라, 가속도계 및 자이로스코프 측정 장치부터 공항 키오스크 체크인 컴퓨터, POS 장비, 네트워크 및 데이터베이스 연결 또는 스토리지 기능을 갖춘 모든 제품에 이르기까지 다양합니다. 나중에 검색하고 분석하거나 둘 다를 위해 정보를 처리합니다.

언어와 기술 순수주의를 고집하는 사람들에게 엣지컴퓨팅은 IoT 기기에서 일어나는 현상이므로 두 용어가 완전히 동일하지는 않습니다. 구체적인 맥락과 필요한 설명이 필요하지만, 이제 우리는 엣지 디바이스에 인공지능을 적용할 수 있게 되었습니다. 즉, 우리 스마트 시티의 스마트 디바이스는 실제로 점점 더 똑똑해지고 있습니다

인공지능을 둘러싼 대화 엣지 인공지능에 대한 이야기가 점점 늘어나고 있습니다. 지능. 연결될 수 있는 모든 것은 엣지에서 생성되며, 이미 많은 데이터가 생성되고 있습니다. 이러한 상황의 규모는 이 모든 데이터를 클라우드에 업로드하는 데 사용할 수 있는 네트워크 대역폭을 빠르게 초과하며, 오늘날의 네트워크가 업로드가 아닌 다운로드에 최적화되어 있다는 사실로 인해 더욱 악화됩니다. 이는 비용, 대기 시간, 보안 및 개인 정보 보호와 같은 다른 문제와 결합되어 AI 리소스를 데이터로 이동해야 하며 그 반대는 아닙니다.

AI를 엣지에 다양한 방식으로 배포할 수 있습니다. 경우에 따라 기업에서는 다양한 수준의 분석을 자동화할 수 있는 디지털 모션 프로세서(DMP)와 같은 기술을 포함하여 컴퓨팅 리소스를 통합하는 스마트 센서를 배포합니다.

DMP(데이터 관리 플랫폼) 없이 배포하도록 선택할 수 있습니다. 단순히 데이터를 수집하여 원시 형식으로 출력한 다음 외부 도구로 분석해야 합니다. 기본 센서는 원하는 출력을 얻기 위해 개발자의 더 많은 작업이 필요하지만 스마트 장치에 내장된 인공 지능의 한계에 의존하기보다는 "스스로 할 수 있는" 모델을 제공합니다.

기기 내부 및 외부 분석 방법

오늘 우리는 두 가지 접근 방식을 보았습니다. 센서 유형에 관계없이 고급 데이터 분석 및 인공 지능 소프트웨어는 센서 근처 또는 센서 내부에서 실행되어야 합니다. 두 가지 센서 접근 방식 모두 비용, 효율성, 확장성 및 유연성 측면에서 장점과 단점이 있습니다. 그러나 엣지 환경에서는 이러한 위치의 문제를 해결하기 위해 엣지 컴퓨팅 인프라가 필요합니다.

스마트 센서에 대한 요구 사항에는 생성된 대량의 데이터 처리, 일정하거나 거의 일정한 인터넷 연결, 잠재적으로 막대한 전력 요구 사항이 포함됩니다. 기본 센서가 실시간으로 데이터를 생성하려면 생성된 데이터를 모두 2차 위치로 보내 처리해야 합니다.

엣지 AI 구현 시 센서 자체 이상으로 해결해야 할 과제가 있습니다. . 여기에는 정보 기술(IT)과 운영 기술(OT) 기술 간의 단절이 포함됩니다. 실제로 현장을 운영하는 사람들은 AI 모델을 개발하는 사람들과 다르고, 역할마다 우선순위와 전문성도 다르다. 엣지에서 AI를 성공적으로 구현하려면 두 팀 모두 협력해야 합니다

이기종 환경과 대규모 변화 조건에서 현실 세계에 AI/ML을 배포할 때 발생하는 복잡성을 관리하는 기술적 과제를 처리하는 동안 다음을 수행하는 것이 중요합니다. 구현 모델과 엣지 컴퓨팅 인프라가 필요한 AI 도구에 대한 일관된 제공 메커니즘을 제공해야 합니다.

현재 많은 엣지 AI 프로젝트는 여전히 실험실 또는 제한된 현장 시험 단계에 있습니다. 기업이 수십만 개의 위치에 걸쳐 본격적인 프로덕션 배포를 고려하기 시작하면 다양성, 보안 및 리소스 제약과 같은 다양한 엣지 문제를 해결할 수 있는 오케스트레이션 기반을 구축하고 현장 성능을 완전히 이해하여 준비해야 합니다. 부정확한 분석 또는 발생할 수 있는 기타 문제에 대한

요약

오늘날 우리는 다양한 소매점, 태양열 발전소 및 제조 시설과 같은 분산 환경에서 프로젝트를 성공적으로 배포하는 많은 산업을 볼 수 있으며 일부 회사는 기본 센서를 사용하여 데이터를 에지 노드로 보냅니다. 또는 센서 내에 소프트웨어를 내장할 수도 있습니다.

자동화가 이루어지면 예제의 데이터가 인공지능 모델로 처리되어 전 세계 분석가에게 실시간으로 제공됩니다. 그들은 한 시간 안에 완전한 보고서를 분석하고 작성할 수 있습니다. 기술자는 더 이상 분석을 수행하기 위해 현장으로 물리적으로 이동할 필요가 없으므로 물리적 안전 위험이 줄어듭니다.

IoT 엣지의 더 많은 AI를 직장과 가정 생활에 영향을 미치는 애플리케이션을 위해 기업 네트워크에 연결하기 위해 노력하면서 확장성, 보안과 같은 요소를 고려합니다. , 아이덴티티 등은 물론 안정성까지 고려해야 합니다

어떤 경우에는 중요한 결정을 내리기 위해 장치 자체에 의존할 수도 있지만, 자동화, 통합, 조정을 위해서는 여전히 인공 지능이 필요합니다

위 내용은 AI가 여전히 도전과 한계에 직면해 있는 이유의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!