Bagaimana untuk menggunakan edge AI untuk menemui peluang baharu?

Bagi pemula dan perusahaan besar, komitmen terhadap teknologi baharu dan transformatif adalah penting untuk memastikan daya saing semasa dan masa hadapan. Kecerdasan buatan (AI) menyediakan penyelesaian pelbagai rupa kepada rangkaian industri yang semakin luas.

Dalam iklim ekonomi semasa, R&D mesti dibiayai sepenuhnya berbanding sebelum ini. Perniagaan sering tidak yakin tentang melabur dalam teknologi dan infrastruktur masa depan, dan risiko kegagalan memberi tekanan yang besar kepada pihak berkepentingan projek.

Walau bagaimanapun, ini tidak bermakna inovasi harus berhenti atau perlahan. Bagi pemula dan perusahaan besar, komitmen terhadap teknologi baharu dan transformatif adalah penting untuk memastikan daya saing semasa dan masa hadapan. Kecerdasan buatan (AI) menyediakan penyelesaian pelbagai rupa kepada rangkaian industri yang semakin luas.

Sejak sedekad yang lalu, kecerdasan buatan telah memainkan peranan penting dalam membuka peluang hasil baharu sepenuhnya. Daripada memahami dan meramalkan gelagat pengguna kepada membantu dalam menjana kod dan kandungan, revolusi kecerdasan buatan dan pembelajaran mesin (ML) telah meningkatkan secara eksponen nilai yang diperoleh pengguna daripada apl, tapak web dan perkhidmatan dalam talian mereka.

Walau bagaimanapun, revolusi ini sebahagian besarnya terhad kepada awan, di mana penyimpanan dan pengiraan yang hampir tidak terhad, serta perkakasan maya yang mudah daripada penyedia perkhidmatan awan awam utama, membolehkan penciptaan penyelesaian baharu untuk setiap aplikasi AI/ML . Mewujudkan model amalan terbaik menjadi agak mudah untuk dibayangkan.

AI: Bergerak ke tepi

Memandangkan pemprosesan AI berlaku terutamanya dalam awan, revolusi AI/ML kekal di luar jangkauan peranti tepi. Ini ialah pemproses yang lebih kecil dan berkuasa rendah yang terdapat di tingkat kilang, tapak pembinaan, makmal penyelidikan, rizab alam semula jadi, pada aksesori dan pakaian yang kami pakai, di dalam bungkusan yang kami hantar, dan dalam mana-mana persekitaran lain yang memerlukan sambungan, Penyimpanan, pengiraan , dan tenaga adalah terhad atau tidak boleh dipandang remeh. Dalam persekitaran mereka, kitaran pengiraan dan seni bina perkakasan penting, dan belanjawan diukur bukan dalam bilangan titik akhir atau sambungan soket, tetapi dalam watt dan nanosaat.

Pemimpin CTO, kejuruteraan, data dan ML serta pasukan produk yang ingin memecahkan halangan teknologi seterusnya dalam AI/ML mesti melihat ke tepi. Edge AI dan edge ML menghadirkan cabaran unik dan kompleks yang memerlukan penyelarasan dan penglibatan yang teliti daripada banyak pihak berkepentingan dengan kepakaran luas daripada penyepaduan sistem, reka bentuk, operasi dan logistik kepada kepakaran terbenam, data, IT dan ML.

Edge AI bermaksud bahawa algoritma mesti dijalankan dalam beberapa jenis perkakasan tujuan khusus, daripada get laluan mewah atau pelayan tempatan kepada penderia penuaian tenaga dan MCU peringkat rendah. Memastikan kejayaan produk dan aplikasi tersebut memerlukan data dan pasukan ML untuk bekerjasama rapat dengan pasukan produk dan perkakasan untuk memahami dan mempertimbangkan keperluan, kekangan dan keperluan masing-masing.

Walaupun cabaran membina penyelesaian AI kelebihan tersuai tidak dapat diatasi, platform wujud untuk pembangunan algoritma AI tepi yang boleh membantu merapatkan jurang antara pasukan yang diperlukan, memastikan tahap pencapaian yang lebih tinggi dalam masa kejayaan yang lebih singkat dan mengesahkan arah untuk pelaburan selanjutnya perlu dibuat. Berikut adalah perkara lain yang perlu diperhatikan.

Menguji perkakasan semasa membangunkan algoritma

Memiliki sains data dan pasukan ML membangunkan algoritma dan kemudian menyerahkannya kepada jurutera perisian tegar untuk memasangnya pada peranti adalah tidak cekap mahupun umum. Pengujian dan penggunaan perkakasan dalam gelung harus menjadi bahagian asas mana-mana saluran pembangunan AI kelebihan. Tanpa cara untuk menjalankan dan menguji algoritma pada perkakasan secara serentak, sukar untuk meramalkan had memori, prestasi dan kependaman yang mungkin timbul apabila membangunkan algoritma AI kelebihan.

Sesetengah seni bina model berasaskan awan juga tidak dimaksudkan untuk dijalankan pada sebarang jenis peranti yang terhad atau tepi, meramalkan lebih awal boleh menjimatkan kedua-dua perisian tegar dan pasukan ML berbulan-bulan kesakitan.

Data IoT tidak sama dengan data besar

Data besar merujuk kepada set data besar yang boleh dianalisis untuk mendedahkan corak atau arah aliran. Walau bagaimanapun, data Internet of Things (IoT) tidak semestinya mengenai kuantiti, tetapi lebih kepada kualiti data. Selain itu, data ini boleh berupa penderia siri masa atau data audio, atau imej, dan mungkin memerlukan prapemprosesan.

Menggabungkan teknologi pemprosesan data sensor tradisional seperti pemprosesan isyarat digital (DSP) dengan AI/ML boleh menghasilkan algoritma AI kelebihan baharu yang memberikan cerapan tepat yang tidak mungkin dilakukan dengan teknologi terdahulu. Tetapi data IoT bukanlah data besar, jadi volum dan analisis set data ini yang digunakan untuk pembangunan AI tepi akan berbeza-beza. Bereksperimen dengan pantas dengan saiz dan kualiti set data berdasarkan ketepatan dan prestasi model yang terhasil merupakan langkah penting dalam laluan ke algoritma yang boleh digunakan pengeluaran.

Membangun perkakasan cukup sukar

Membina perkakasan adalah sukar tanpa mengetahui sama ada perkakasan yang dipilih boleh menjalankan beban kerja perisian AI yang canggih. Adalah penting untuk mula menanda aras perkakasan anda sebelum memilih bil bahan. Dengan perkakasan sedia ada, had memori yang tersedia pada peranti mungkin lebih kritikal.

Walaupun dengan set data awal yang kecil, platform pembangunan AI tepi boleh mula memberikan anggaran prestasi dan memori untuk jenis perkakasan yang diperlukan untuk menjalankan beban kerja AI.

Mempunyai proses untuk menimbang pemilihan peranti dan penanda aras terhadap versi awal model AI tepi memastikan sokongan perkakasan disediakan untuk menyokong perisian tegar yang diperlukan dan model AI yang akan dijalankan pada peranti.

Bina, sahkan dan tolak perisian AI kelebihan baharu kepada pengeluaran

Apabila memilih platform pembangunan, sokongan kejuruteraan yang ditawarkan oleh vendor berbeza juga patut dipertimbangkan. Edge AI merangkumi sains data, ML, perisian tegar dan perkakasan, dan adalah penting bagi vendor untuk memberikan panduan dalam bidang yang pasukan pembangunan dalaman mungkin memerlukan beberapa sokongan tambahan.

Dalam beberapa kes, ia adalah kurang mengenai model sebenar yang akan dibangunkan dan lebih lanjut mengenai perancangan proses reka bentuk peringkat sistem, termasuk infrastruktur data, alat pembangunan ML, ujian, persekitaran penggunaan dan penyepaduan berterusan, Berterusan saluran paip penyebaran (CI/CD).

Akhir sekali, alat pembangunan edge AI adalah penting untuk menampung pengguna yang berbeza dalam pasukan anda—daripada jurutera ML kepada pembangun perisian tegar. Antara muka pengguna kod rendah/tiada kod ialah cara terbaik untuk membuat prototaip dan membina aplikasi baharu dengan pantas, manakala API dan SDK berguna untuk pembangun ML yang lebih berpengalaman yang boleh bekerja dengan lebih baik dan lebih pantas menggunakan Python daripada komputer riba Jupyter.

Platform ini menawarkan kelebihan fleksibiliti akses, memenuhi keperluan pelbagai pihak berkepentingan atau pembangun yang mungkin wujud dalam pasukan merentas fungsi yang membina aplikasi AI canggih.

Atas ialah kandungan terperinci Bagaimana untuk menggunakan edge AI untuk menemui peluang baharu?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!