AI di tepi: Tiga petua untuk dipertimbangkan sebelum digunakan

Apabila kecerdasan buatan (AI) semakin matang, penerimaan pakai terus meningkat. Menurut penyelidikan baru-baru ini, 35% organisasi menggunakan kecerdasan buatan dan 42% sedang meneroka potensinya. Walaupun AI difahami dengan baik dan digunakan dalam jumlah besar dalam awan, ia masih muncul di pinggir dan menghadapi beberapa cabaran unik.

Ramai orang menggunakan kecerdasan buatan sepanjang hari, daripada menavigasi kereta mereka kepada menjejaki langkah mereka kepada bercakap dengan pembantu digital. Walaupun pengguna kerap mengakses perkhidmatan ini pada peranti mudah alih, hasil pengiraan masih wujud dalam penggunaan awan AI. Lebih khusus lagi, seseorang meminta maklumat, permintaan itu diproses oleh model pembelajaran pusat dalam awan, dan hasilnya dihantar semula ke peranti setempat orang itu.

Edge AI difahami dan digunakan kurang kerap berbanding cloud AI. Sejak awal, algoritma dan inovasi AI telah bergantung pada andaian asas—bahawa semua data boleh dihantar ke lokasi pusat. Di lokasi pusat ini, algoritma mempunyai akses penuh kepada data. Ini membolehkan algoritma membina kecerdasannya seperti otak atau sistem saraf pusat, dengan akses penuh kepada pengiraan dan data.

Walau bagaimanapun, AI di tepi adalah berbeza. Ia mengedarkan kecerdasan merentasi semua sel dan saraf. Dengan mendorong kecerdasan ke tepi, kami memperkasakan peranti kelebihan ini dengan agensi. Ini penting dalam banyak aplikasi dan bidang seperti penjagaan kesihatan dan pembuatan perindustrian.

Sebab untuk menggunakan AI di tepi

Terdapat tiga sebab utama untuk menggunakan AI di tepi.

Melindungi Maklumat Pengenalan Peribadi (PII)

Pertama, sesetengah organisasi yang mengendalikan PII atau IP sensitif (harta intelek) lebih suka menyimpan data pada sumbernya - Dalam pengimejan mesin di hospital atau mesin pembuatan di lantai kilang. Ini mengurangkan risiko "hanyut" atau "kebocoran" yang boleh berlaku apabila data dihantar melalui rangkaian.

Meminimumkan penggunaan lebar jalur

Yang kedua ialah isu lebar jalur. Menghantar sejumlah besar data dari tepi ke awan akan menyumbat rangkaian dan menjadi tidak praktikal dalam beberapa kes. Ia bukan sesuatu yang luar biasa untuk mesin pengimejan dalam persekitaran kesihatan menjana fail yang sangat besar sehingga memindahkannya ke awan adalah mustahil atau mengambil masa beberapa hari untuk disiapkan.

Memproses data di tepi adalah lebih cekap, terutamanya apabila cerapan itu bertujuan untuk menambah baik mesin proprietari. Pada masa lalu, pengkomputeran adalah lebih sukar untuk dipindahkan dan diselenggara, jadi data ini perlu dialihkan ke lokasi pengkomputeran. Paradigma ini sedang dicabar sekarang kerana data selalunya lebih penting dan lebih sukar untuk diurus, yang membawa kepada kes penggunaan yang memerlukan pengiraan bergerak ke lokasi data.

Elakkan Kependaman

Sebab ketiga untuk menggunakan AI di tepi ialah kependaman. Internet adalah pantas, tetapi bukan masa nyata. Jika terdapat situasi di mana milisaat penting, seperti lengan robot yang membantu pembedahan atau talian pengeluaran sensitif masa, organisasi mungkin memutuskan untuk menjalankan AI di pinggir.

Cabaran AI di pinggir dan cara menyelesaikannya

Walaupun manfaat ini, masih terdapat beberapa cabaran unik yang dikaitkan dengan menggunakan AI di tepi. Berikut ialah beberapa petua yang perlu anda pertimbangkan untuk membantu menguruskan cabaran ini.

Hasil latihan model yang baik dan buruk

Kebanyakan teknologi AI menggunakan sejumlah besar data untuk melatih model. Walau bagaimanapun, dalam kes penggunaan industri yang canggih ini selalunya menjadi lebih sukar, kerana kebanyakan produk perkilangan adalah bebas kecacatan dan oleh itu dilabel atau diberi anotasi sebagai baik. Ketidakseimbangan yang terhasil antara "hasil yang baik" dan "hasil yang buruk" menjadikannya lebih sukar bagi model untuk belajar mengenal pasti masalah.

Penyelesaian AI tulen yang bergantung pada klasifikasi data tanpa maklumat kontekstual selalunya tidak mudah dibuat dan digunakan kerana kekurangan data berlabel dan juga peristiwa yang jarang berlaku. Menambah konteks pada AI, atau dikenali sebagai pendekatan berpusatkan data, selalunya membawa faedah dari segi ketepatan dan skala penyelesaian akhir. Sebenarnya, walaupun AI selalunya boleh menggantikan tugas biasa yang dilakukan secara manual oleh manusia, ia banyak mendapat manfaat daripada cerapan manusia apabila membina model, terutamanya apabila tidak ada banyak data untuk digunakan.

Mulakan lonjakan pembelajaran AI dengan mendapatkan komitmen daripada pakar perkara yang berpengalaman, bekerja rapat dengan saintis data yang membina algoritma.

AI tidak boleh menyelesaikan atau memberikan jawapan kepada setiap masalah secara ajaib

Biasanya terdapat banyak langkah yang masuk ke dalam output. Sebagai contoh, lantai kilang mungkin mempunyai banyak stesen kerja, dan mereka mungkin bergantung antara satu sama lain. Kelembapan di satu kawasan kilang semasa satu proses boleh menjejaskan hasil proses lain kemudian di kawasan yang berbeza dalam barisan pengeluaran.

Orang ramai sering berfikir bahawa kecerdasan buatan boleh menggabungkan semua perhubungan ini secara ajaib. Walaupun ini boleh dilakukan dalam banyak kes, ia juga boleh memerlukan sejumlah besar data dan masa yang lama untuk dikumpulkan, menghasilkan algoritma yang sangat kompleks yang tidak menyokong kebolehtafsiran dan pengemaskinian.

Kecerdasan buatan tidak boleh hidup dalam vakum. Menangkap saling kebergantungan ini akan mendorong sampul surat daripada penyelesaian mudah kepada penyelesaian yang boleh berskala dari semasa ke semasa dan merentasi penggunaan yang berbeza.

Kekurangan sokongan pihak berkepentingan mengehadkan skala AI

Sukar untuk menskalakan AI di seluruh organisasi jika sekumpulan orang dalam organisasi itu ragu-ragu dengan faedahnya. Cara terbaik (mungkin sahaja) untuk mendapatkan sokongan yang meluas ialah bermula dengan masalah yang bernilai tinggi dan sukar dan kemudian menggunakan AI untuk menyelesaikannya.

Di Audi, kami mempertimbangkan untuk menyelesaikan masalah kekerapan penggantian elektrod pistol kimpalan. Tetapi kos elektrod yang rendah tidak menghapuskan sebarang tugas biasa yang dilakukan oleh manusia. Sebaliknya, mereka memilih proses kimpalan yang diiktiraf secara universal sebagai masalah sukar di seluruh industri dan meningkatkan kualiti proses dengan ketara melalui kecerdasan buatan. Ini mencetuskan imaginasi jurutera di seluruh syarikat, yang melihat bagaimana AI boleh digunakan dalam proses lain untuk meningkatkan kecekapan dan kualiti.

Mengimbangi faedah dan cabaran edge AI

Menggunakan AI di edge boleh membantu organisasi dan pasukan mereka. Ia berpotensi untuk mengubah kemudahan menjadi kelebihan pintar, meningkatkan kualiti, mengoptimumkan proses pembuatan dan memberi inspirasi kepada pembangun dan jurutera di seluruh organisasi untuk meneroka cara mereka boleh menyepadukan AI atau memajukan kes penggunaan AI, termasuk analisis ramalan, pengesyoran untuk meningkatkan kecekapan atau anomali pengesanan. Tetapi ia juga membawa cabaran baru. Sebagai sebuah industri, kita mesti dapat menggunakannya sambil mengurangkan kependaman, meningkatkan privasi, melindungi IP dan memastikan rangkaian berjalan lancar.

Atas ialah kandungan terperinci AI di tepi: Tiga petua untuk dipertimbangkan sebelum digunakan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!