Jadual Kandungan
Apa itu edge artificial intelligence
Pengkomputeran Tepi lwn. Pengkomputeran Awan
Edge AI: Membawa awan ke tepi untuk mengembangkan IoT
Faedah kecerdasan buatan tepi
1. Mengurangkan kependaman
2. Kurangkan keperluan dan kos lebar jalur
3. Keselamatan data dipertingkatkan
4. Meningkatkan kebolehpercayaan
Mengapa edge AI penting
Edge AI mengubah cara hidup kita
Kepintaran buatan Edge menjadikan kecerdasan buatan mampu dimiliki oleh orang ramai
Edge AI mencabar cara kita berfikir
Rumah Peranti teknologi AI Apakah kecerdasan buatan tepi dan cara melaksanakan kecerdasan buatan tepi

Apakah kecerdasan buatan tepi dan cara melaksanakan kecerdasan buatan tepi

Apr 09, 2023 pm 06:31 PM
pembelajaran mesin Kepintaran buatan tepi

Edge AI ialah singkatan dari edge artificial intelligence Ia adalah sempadan pembangunan seterusnya bagi sistem Internet of Things. Jadi, apakah itu kecerdasan buatan tepi untuk membaca di bawah Jom baca artikel ini!

Apakah kecerdasan buatan tepi dan cara melaksanakan kecerdasan buatan tepi

Apa itu edge artificial intelligence

Ringkasnya, edge artificial intelligence merujuk kepada aplikasi kecerdasan buatan secara langsung pada peranti tepi Kecerdasan buatan digunakan dalam bentuk algoritma pembelajaran mesin yang berjalan. Pembelajaran mesin adalah bidang yang luas yang telah mencapai kemajuan yang luar biasa dalam beberapa tahun kebelakangan ini. Ia berdasarkan prinsip bahawa komputer boleh meningkatkan prestasi mereka secara autonomi pada tugasan tertentu dengan belajar daripada data, kadang-kadang di luar kemampuan manusia.

Hari ini, pembelajaran mesin boleh melaksanakan banyak tugas lanjutan, termasuk tetapi tidak terhad kepada:

● Penglihatan komputer: pengelasan imej, pengesanan objek, pembahagian semantik.

● Pengecaman pertuturan, pemprosesan bahasa semula jadi, chatbots, terjemahan.

● Sistem ramalan dan pengesyoran cuaca dan pasaran saham.

● Pengesanan anomali, penyelenggaraan ramalan.

Jadi pembelajaran mesin telah wujud sekian lama, apakah yang membuatkan edge AI tiba-tiba begitu istimewa untuk menerangkan perkara ini dengan lebih baik, mari kita lihat apa sebenarnya edge in edge AI?

Pengkomputeran Tepi lwn. Pengkomputeran Awan

Pada asasnya, pengkomputeran tepi dan pengkomputeran awan kedua-duanya direka untuk melakukan perkara yang sama, iaitu memproses data, menjalankan algoritma, dsb. Walau bagaimanapun, perbezaan asas antara pengkomputeran tepi dan pengkomputeran awan adalah di mana pengkomputeran itu sebenarnya berlaku.

Dalam pengkomputeran tepi, pemprosesan maklumat berlaku di tapak dan pada peranti IoT teragih yang digunakan secara aktif atau di tepi. Beberapa contoh peranti tepi ialah telefon pintar, dan pelbagai mikropengawal. Walau bagaimanapun, dalam pengkomputeran awan, pemprosesan maklumat yang sama berlaku di lokasi terpusat, seperti pusat data.

Secara tradisinya, pengkomputeran awan telah menguasai ruang IoT. Oleh kerana ia dikuasakan oleh pusat data yang secara semula jadi mempunyai kuasa pengkomputeran yang lebih besar, peranti IoT di pinggir boleh menghantar data tempatan dan mengekalkan ciri utamanya iaitu penggunaan kuasa yang rendah dan mampu milik. Walaupun pengkomputeran awan kekal sebagai alat yang sangat penting dan berkuasa untuk IoT, pengkomputeran tepi telah mendapat perhatian yang semakin meningkat baru-baru ini atas dua sebab penting.

● Perkakasan pada peranti edge menjadi lebih berkuasa sambil kekal bersaing dengan kos.

● Perisian semakin dioptimumkan untuk peranti tepi.

Arah aliran ini membuat kemajuan yang besar dan kini boleh menjalankan pembelajaran mesin pada peranti pengkomputeran tepi, manakala pembelajaran mesin telah lama dikhaskan untuk pengkomputeran awan kerana keperluan pengkomputeran yang tinggi Jadi, pengkomputeran tepi Kecerdasan buatan telah dilahirkan .

Edge AI: Membawa awan ke tepi untuk mengembangkan IoT

Dengan edge AI, peranti IoT menjadi semakin pintar. Melalui pembelajaran mesin, peranti canggih kini boleh membuat keputusan, membuat ramalan, memproses data yang kompleks dan mengurus penyelesaian.

Sebagai contoh, peranti IoT edge boleh memproses keadaan operasi dan meramalkan sama ada mesin akan rosak, yang membolehkan syarikat melakukan penyelenggaraan ramalan dan mengelakkan kerugian dan kos yang lebih besar sekiranya berlaku kegagalan sepenuhnya.

Sebaliknya, kamera keselamatan yang dilengkapi dengan edge AI bukan lagi sekadar menangkap video, tetapi akan dapat mengenali manusia dan mengira trafik pejalan kaki. Atau, dengan pengecaman muka, adalah mungkin untuk mengenal pasti dengan tepat siapa yang melalui kawasan tertentu dan bila.

Apabila pembelajaran mesin berkembang, banyak kemungkinan menarik kini akan diperluaskan kepada peranti edge juga. Tetapi kunci kepada anjakan paradigma ini adalah jelas, dan terdapat sebab mengapa keupayaan pengkomputeran awan lebih terpinggir berbanding sebelum ini.

Faedah kecerdasan buatan tepi

1. Mengurangkan kependaman

Faedah paling langsung memproses maklumat di tepi ialah data tidak perlu dihantar antara awan. Oleh itu, kelewatan dalam pemprosesan data dapat dikurangkan dengan ketara.

Dalam contoh penyelenggaraan pencegahan sebelum ini, peranti berdaya AI edge akan dapat bertindak balas serta-merta, seperti mematikan mesin yang rosak. Jika kami menggunakan pengkomputeran awan untuk melaksanakan algoritma pembelajaran mesin, kami akan kehilangan sekurang-kurangnya satu saat dalam penghantaran data ke awan. Walaupun ia mungkin tidak penting, apabila ia berkaitan dengan pengendalian peralatan kritikal, setiap margin keselamatan yang boleh dicapai patut dikejar!

2. Kurangkan keperluan dan kos lebar jalur

Dalam Kurang data dihantar antara tepi Peranti IoT, menyebabkan keperluan jalur lebar rangkaian yang lebih rendah dan oleh itu kos yang lebih rendah.

Ambil tugas pengelasan imej sebagai contoh. Disebabkan pergantungan pada pengkomputeran awan, keseluruhan imej mesti dihantar untuk pemprosesan dalam talian. Tetapi jika anda menggunakan pengkomputeran tepi sebaliknya, anda tidak perlu lagi menghantar data tersebut. Sebaliknya, kami hanya boleh menghantar hasil yang diproses, yang biasanya beberapa susunan magnitud lebih kecil daripada imej asal. Jika kita mendarabkan kesan ini dengan bilangan peranti IoT dalam rangkaian, ia boleh menjadi beribu-ribu atau lebih.

3. Keselamatan data dipertingkatkan

Mengurangkan penghantaran data ke lokasi luaran juga bermakna lebih sedikit sambungan terbuka dan lebih sedikit peluang untuk serangan siber. Ini membolehkan peranti tepi beroperasi dengan selamat, mengelakkan kemungkinan pemintasan atau kebocoran data. Selain itu, memandangkan data tidak lagi disimpan dalam awan terpusat, akibat daripada satu pelanggaran dapat dikurangkan dengan baik.

4. Meningkatkan kebolehpercayaan

Disebabkan sifat teragih kecerdasan buatan tepi dan pengkomputeran tepi, risiko operasi juga boleh diagihkan ke seluruh rangkaian. Pada asasnya, walaupun komputer awan berpusat atau kluster gagal, peranti tepi individu dapat mengekalkan fungsinya kerana proses pengkomputeran kini bebas daripada awan Ini amat penting untuk aplikasi IoT kritikal, seperti penjagaan kesihatan.

Mengapa edge AI penting

Walaupun manfaat praktikal edge AI adalah jelas, impak yang wujud mungkin lebih sukar difahami.

Edge AI mengubah cara hidup kita

Edge AI mewakili gelombang pertama benar-benar menyepadukan AI ke dalam kehidupan seharian. Walaupun AI dan penyelidikan pembelajaran mesin telah wujud selama beberapa dekad, kami baru mula melihat aplikasi praktikal mereka dalam produk pengguna. Kereta pandu sendiri, sebagai contoh, adalah hasil kemajuan dalam kecerdasan buatan tepi. Edge AI perlahan-lahan tetapi pasti mengubah cara kita berinteraksi dengan persekitaran kita dalam pelbagai cara.

Kepintaran buatan Edge menjadikan kecerdasan buatan mampu dimiliki oleh orang ramai

Penggunaan dan pembangunan kecerdasan buatan tidak lagi eksklusif untuk institusi penyelidikan dan perusahaan besar. Oleh kerana edge AI direka bentuk untuk dijalankan pada peranti tepi yang agak berpatutan, lebih mudah berbanding sebelum ini untuk sesiapa sahaja memahami cara AI berfungsi dan membangunkan peranti yang sesuai untuk mereka.

Lebih penting lagi, edge AI membolehkan pendidik di seluruh dunia membawa kecerdasan buatan dan pembelajaran mesin ke dalam pembelajaran bilik darjah dengan cara yang ketara. Contohnya, dengan menyediakan pelajar pengalaman praktikal menggunakan peranti tepi.

Edge AI mencabar cara kita berfikir

Sering kali dikatakan bahawa potensi kecerdasan buatan dan pembelajaran mesin hanya dihadkan oleh kreativiti dan imaginasi manusia, tetapi apabila pembelajaran mesin menjadi semakin banyak. kita menjadi lebih maju, banyak tugas yang dahulunya hanya boleh dilakukan oleh manusia akan menjadi automatik, dan konsep produktiviti dan tujuan yang wujud akan dicabar dengan serius.

Walaupun saya tidak pasti apa yang akan datang pada masa hadapan, saya secara amnya optimis tentang kelebihan yang akan dibawa oleh AI kerana saya percaya ia akan mendorong kita untuk mencari pekerjaan yang lebih kreatif dan memuaskan. Sebagai contoh, peranti tepi tertanam AI boleh memantau PPE dalam masa nyata, termasuk pematuhan topi keras dalam persekitaran kerja, dan menghantar isyarat keselamatan dan penyelenggaraan kepada sesiapa sahaja yang melanggar PPE. Penglihatan komputer digabungkan dengan pembelajaran mesin boleh mengautomasikan proses pemantauan pematuhan PPE.

Contoh lain ialah kamera bersepadu AI yang boleh mengurangkan kesesakan dan titik tercekik di bandar yang sering menghalang lalu lintas. Kesesakan lalu lintas berlaku terutamanya kerana mengabaikan faktor tertentu, seperti jarak antara dua kenderaan yang bergerak, lampu isyarat, papan tanda jalan, pejalan kaki di persimpangan, dll. Sistem pengangkutan pintar adalah bidang aplikasi utama penglihatan komputer, termasuk klasifikasi kenderaan, pengesanan pelanggaran lalu lintas, analisis aliran lalu lintas, pengesanan tempat letak kereta, pengecaman plat lesen, pengesanan pejalan kaki, pengesanan tanda lalu lintas, pengelakan perlanggaran, pemantauan keadaan jalan raya, dsb., sebagai serta pengesanan daya perhatian pemandu dalam kereta.

Melalui artikel ini, saya percaya semua orang telah memahami apa itu kecerdasan buatan tepi dan maksudnya untuk Internet Perkara dan juga masa depan manusia. Saya harap perkara di atas dapat membantu anda.

Atas ialah kandungan terperinci Apakah kecerdasan buatan tepi dan cara melaksanakan kecerdasan buatan tepi. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

AI Hentai Generator

AI Hentai Generator

Menjana ai hentai secara percuma.

Artikel Panas

R.E.P.O. Kristal tenaga dijelaskan dan apa yang mereka lakukan (kristal kuning)
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Tetapan grafik terbaik
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Cara Memperbaiki Audio Jika anda tidak dapat mendengar sesiapa
3 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Cara Membuka Segala -galanya Di Myrise
4 minggu yang lalu By 尊渡假赌尊渡假赌尊渡假赌

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Artikel ini akan membawa anda memahami SHAP: penjelasan model untuk pembelajaran mesin Artikel ini akan membawa anda memahami SHAP: penjelasan model untuk pembelajaran mesin Jun 01, 2024 am 10:58 AM

Dalam bidang pembelajaran mesin dan sains data, kebolehtafsiran model sentiasa menjadi tumpuan penyelidik dan pengamal. Dengan aplikasi meluas model yang kompleks seperti kaedah pembelajaran mendalam dan ensemble, memahami proses membuat keputusan model menjadi sangat penting. AI|XAI yang boleh dijelaskan membantu membina kepercayaan dan keyakinan dalam model pembelajaran mesin dengan meningkatkan ketelusan model. Meningkatkan ketelusan model boleh dicapai melalui kaedah seperti penggunaan meluas pelbagai model yang kompleks, serta proses membuat keputusan yang digunakan untuk menerangkan model. Kaedah ini termasuk analisis kepentingan ciri, anggaran selang ramalan model, algoritma kebolehtafsiran tempatan, dsb. Analisis kepentingan ciri boleh menerangkan proses membuat keputusan model dengan menilai tahap pengaruh model ke atas ciri input. Anggaran selang ramalan model

Telus! Analisis mendalam tentang prinsip model pembelajaran mesin utama! Telus! Analisis mendalam tentang prinsip model pembelajaran mesin utama! Apr 12, 2024 pm 05:55 PM

Dalam istilah orang awam, model pembelajaran mesin ialah fungsi matematik yang memetakan data input kepada output yang diramalkan. Secara lebih khusus, model pembelajaran mesin ialah fungsi matematik yang melaraskan parameter model dengan belajar daripada data latihan untuk meminimumkan ralat antara output yang diramalkan dan label sebenar. Terdapat banyak model dalam pembelajaran mesin, seperti model regresi logistik, model pepohon keputusan, model mesin vektor sokongan, dll. Setiap model mempunyai jenis data dan jenis masalah yang berkenaan. Pada masa yang sama, terdapat banyak persamaan antara model yang berbeza, atau terdapat laluan tersembunyi untuk evolusi model. Mengambil perceptron penyambung sebagai contoh, dengan meningkatkan bilangan lapisan tersembunyi perceptron, kita boleh mengubahnya menjadi rangkaian neural yang mendalam. Jika fungsi kernel ditambah pada perceptron, ia boleh ditukar menjadi SVM. yang ini

Kenal pasti overfitting dan underfitting melalui lengkung pembelajaran Kenal pasti overfitting dan underfitting melalui lengkung pembelajaran Apr 29, 2024 pm 06:50 PM

Artikel ini akan memperkenalkan cara mengenal pasti pemasangan lampau dan kekurangan dalam model pembelajaran mesin secara berkesan melalui keluk pembelajaran. Underfitting dan overfitting 1. Overfitting Jika model terlampau latihan pada data sehingga ia mempelajari bunyi daripadanya, maka model tersebut dikatakan overfitting. Model yang dipasang terlebih dahulu mempelajari setiap contoh dengan sempurna sehingga ia akan salah mengklasifikasikan contoh yang tidak kelihatan/baharu. Untuk model terlampau, kami akan mendapat skor set latihan yang sempurna/hampir sempurna dan set pengesahan/skor ujian yang teruk. Diubah suai sedikit: "Punca overfitting: Gunakan model yang kompleks untuk menyelesaikan masalah mudah dan mengekstrak bunyi daripada data. Kerana set data kecil sebagai set latihan mungkin tidak mewakili perwakilan yang betul bagi semua data. 2. Underfitting Heru

Evolusi kecerdasan buatan dalam penerokaan angkasa lepas dan kejuruteraan penempatan manusia Evolusi kecerdasan buatan dalam penerokaan angkasa lepas dan kejuruteraan penempatan manusia Apr 29, 2024 pm 03:25 PM

Pada tahun 1950-an, kecerdasan buatan (AI) dilahirkan. Ketika itulah penyelidik mendapati bahawa mesin boleh melakukan tugas seperti manusia, seperti berfikir. Kemudian, pada tahun 1960-an, Jabatan Pertahanan A.S. membiayai kecerdasan buatan dan menubuhkan makmal untuk pembangunan selanjutnya. Penyelidik sedang mencari aplikasi untuk kecerdasan buatan dalam banyak bidang, seperti penerokaan angkasa lepas dan kelangsungan hidup dalam persekitaran yang melampau. Penerokaan angkasa lepas ialah kajian tentang alam semesta, yang meliputi seluruh alam semesta di luar bumi. Angkasa lepas diklasifikasikan sebagai persekitaran yang melampau kerana keadaannya berbeza daripada di Bumi. Untuk terus hidup di angkasa, banyak faktor mesti dipertimbangkan dan langkah berjaga-jaga mesti diambil. Para saintis dan penyelidik percaya bahawa meneroka ruang dan memahami keadaan semasa segala-galanya boleh membantu memahami cara alam semesta berfungsi dan bersedia untuk menghadapi kemungkinan krisis alam sekitar

Melaksanakan Algoritma Pembelajaran Mesin dalam C++: Cabaran dan Penyelesaian Biasa Melaksanakan Algoritma Pembelajaran Mesin dalam C++: Cabaran dan Penyelesaian Biasa Jun 03, 2024 pm 01:25 PM

Cabaran biasa yang dihadapi oleh algoritma pembelajaran mesin dalam C++ termasuk pengurusan memori, multi-threading, pengoptimuman prestasi dan kebolehselenggaraan. Penyelesaian termasuk menggunakan penunjuk pintar, perpustakaan benang moden, arahan SIMD dan perpustakaan pihak ketiga, serta mengikuti garis panduan gaya pengekodan dan menggunakan alat automasi. Kes praktikal menunjukkan cara menggunakan perpustakaan Eigen untuk melaksanakan algoritma regresi linear, mengurus memori dengan berkesan dan menggunakan operasi matriks berprestasi tinggi.

AI yang boleh dijelaskan: Menerangkan model AI/ML yang kompleks AI yang boleh dijelaskan: Menerangkan model AI/ML yang kompleks Jun 03, 2024 pm 10:08 PM

Penterjemah |. Disemak oleh Li Rui |. Chonglou Model kecerdasan buatan (AI) dan pembelajaran mesin (ML) semakin kompleks hari ini, dan output yang dihasilkan oleh model ini adalah kotak hitam – tidak dapat dijelaskan kepada pihak berkepentingan. AI Boleh Dijelaskan (XAI) bertujuan untuk menyelesaikan masalah ini dengan membolehkan pihak berkepentingan memahami cara model ini berfungsi, memastikan mereka memahami cara model ini sebenarnya membuat keputusan, dan memastikan ketelusan dalam sistem AI, Amanah dan akauntabiliti untuk menyelesaikan masalah ini. Artikel ini meneroka pelbagai teknik kecerdasan buatan (XAI) yang boleh dijelaskan untuk menggambarkan prinsip asasnya. Beberapa sebab mengapa AI boleh dijelaskan adalah penting Kepercayaan dan ketelusan: Untuk sistem AI diterima secara meluas dan dipercayai, pengguna perlu memahami cara keputusan dibuat

Adakah Flash Attention stabil? Meta dan Harvard mendapati bahawa sisihan berat model mereka berubah-ubah mengikut urutan magnitud Adakah Flash Attention stabil? Meta dan Harvard mendapati bahawa sisihan berat model mereka berubah-ubah mengikut urutan magnitud May 30, 2024 pm 01:24 PM

MetaFAIR bekerjasama dengan Harvard untuk menyediakan rangka kerja penyelidikan baharu untuk mengoptimumkan bias data yang dijana apabila pembelajaran mesin berskala besar dilakukan. Adalah diketahui bahawa latihan model bahasa besar sering mengambil masa berbulan-bulan dan menggunakan ratusan atau bahkan ribuan GPU. Mengambil model LLaMA270B sebagai contoh, latihannya memerlukan sejumlah 1,720,320 jam GPU. Melatih model besar memberikan cabaran sistemik yang unik disebabkan oleh skala dan kerumitan beban kerja ini. Baru-baru ini, banyak institusi telah melaporkan ketidakstabilan dalam proses latihan apabila melatih model AI generatif SOTA Mereka biasanya muncul dalam bentuk lonjakan kerugian Contohnya, model PaLM Google mengalami sehingga 20 lonjakan kerugian semasa proses latihan. Bias berangka adalah punca ketidaktepatan latihan ini,

Lima sekolah pembelajaran mesin yang anda tidak tahu Lima sekolah pembelajaran mesin yang anda tidak tahu Jun 05, 2024 pm 08:51 PM

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

See all articles