Портал IT Business Edge обсуждает феномен объединения технологий искусственного интеллекта и периферийных вычислений и влияние, которое оно оказывает на современные цифровые предприятия.

Периферийные вычисления (Edge computing) вызывают значительный интерес благодаря новым сценариям использования, особенно после появления 5G. Согласно прогнозам Linux Foundation, опубликованным в отчете «2021 State of the Edge», капитализация мирового рынка инфраструктуры периферийных вычислений к 2028 г. превысит 800 млрд. долл. В то же время предприятия также активно инвестируют в искусственный интеллект. По данным исследования McKinsey «The state of AI in 2020», 50% респондентов внедрили ИИ как минимум в одну бизнес-функцию.

Хотя большинство компаний делают эти технологические инвестиции в рамках своей цифровой трансформации, дальновидные организации и облачные компании видят новые возможности в объединении периферийных вычислений и ИИ.

Что такое Edge AI

ИИ в значительной степени зависит от передачи данных и выполнения сложных алгоритмов машинного обучения. Периферийные вычисления — вычислительная парадигма нового поколения, которая переносит ИИ и машинное обучение туда, где происходят генерация данных и вычисления: на границу сети. Их объединение привело к появлению нового направления — периферийного ИИ (Edge AI).

Edge AI обеспечивает более быстрые вычисления и извлечение инсайтов, лучшую безопасность данных и эффективный контроль над непрерывностью операций. В результате он может повысить производительность приложений с поддержкой ИИ и снизить эксплуатационные расходы. Edge AI также может помочь в преодолении связанных с ИИ технологических проблем.

Периферийный ИИ облегчает машинное обучение, автономное применение моделей глубокого обучения и передовых алгоритмов на самих устройствах Интернета вещей (IoT), вне облачных сервисов.

Как Edge AI преобразит предприятия

Эффективная модель Edge AI включает оптимизированную инфраструктуру вычислений, которая может обрабатывать более объемные рабочие нагрузки ИИ на периферии. Edge AI в сочетании с решениями для хранения данных может обеспечить лучшую в отрасли производительность и безграничную масштабируемость, что позволит предприятиям эффективно использовать свои данные.

Многие мировые компании уже пользуются преимуществами Edge AI. Периферийный ИИ может принести пользу различным отраслям: от улучшения контроля производства на сборочной линии до управления автономными транспортными средствами. Более того, начавшееся во многих странах внедрение технологии 5G дает Edge AI дополнительный импульс, поскольку появляется все больше промышленных приложений для этой технологии.

К числу преимуществ сочетания периферийных вычислений и ИИ для предприятий относятся:

  • эффективное предиктивное обслуживание и управление активами;
  • сокращение продолжительности контрольной проверки продукта до менее чем одной минуты;
  • сокращение количества проблем на местах;
  • повышение удовлетворенности клиентов;
  • обеспечение крупномасштабной инфраструктуры и управление жизненным циклом периферийных устройств;
  • улучшение управления дорожным движением в городах.

Внедрение Edge AI является мудрым бизнес-решением: средний возврат инвестиций (ROI) в 5,7% от развертывания промышленного Edge AI происходит в течение трех лет.

Преимущества машинного обучения на периферии

Машинное обучение — это искусственное моделирование процесса человеческого обучения с использованием данных и алгоритмов. С помощью Edge AI оно может протянуть руку помощи предприятиям, особенно тем, которые в значительной степени полагаются на устройства IoT.

Ниже перечислены некоторые из преимуществ машинного обучения на периферии.

Конфиденциальность. Сегодня, когда информация и данные являются наиболее ценными активами, потребители с осторожностью относятся к местонахождению своих данных. Компании, которые внедрят в свои приложения персонализированные функции с поддержкой ИИ, смогут предоставить своим пользователям понимание того, как собираются и хранятся их данные. Это повысит лояльность клиентов к бренду.

Сокращение задержки. Большинство процессов обработки данных происходит как на уровне сети, так и на уровне устройства. Edge AI устраняет необходимость пересылки огромных объемов данных через сети и на устройства; таким образом, улучшается пользовательский опыт.

Минимизация полосы пропускания. Каждый день предприятию с тысячами IoT-устройств приходится передавать огромные объемы данных в облако. Затем проводить аналитику в облаке и возвращать результаты анализа обратно на устройство. Без достаточно большой пропускной способности сети и облачного хранилища этот сложный процесс превратился бы в невыполнимую задачу. Не говоря уже о возможности раскрытия конфиденциальной информации во время процесса передачи.

Однако в Edge AI реализована технология клаудлетов (cloudlet), которая представляет собой небольшое облачное хранилище, расположенное на периферии. Эта технология повышает мобильность и снижает нагрузку на передачу данных. Следовательно, она может снизить стоимость услуг передачи данных и повысить скорость и надежность потока данных.

Недорогая цифровая инфраструктура. По данным Amazon, 90% затрат на цифровую инфраструктуру приходится на Inference — жизненно важный процесс генерации данных в машинном обучении. 60% респондентов недавнего исследования RightScale согласны с тем, что Святой Грааль экономии затрат скрывается в инициативах облачных вычислений. Edge AI, в свою очередь, устраняет непомерные расходы на процессы ИИ или машинного обучения, выполняемые в облачных дата-центрах.

Технологии, влияющие на развитие Edge AI

Наиболее значительную роль в сфере Edge AI играет развитие знаний в сферах науки о данных, машинного обучения и IoT. Однако главное здесь — строго следовать траектории развития информатики. В частности, это касается приложений и устройств нового поколения с поддержкой ИИ, которые могут идеально вписаться в экосистему ИИ и машинного обучения.

К счастью, на арене периферийных вычислений появляются многообещающие аппаратные разработки, которые смягчат нынешние ограничения Edge AI. Так, стартапы Sima.ai, Esperanto Technologies и AIStorm — одни из немногих организаций, разрабатывающих микрочипы, способные справиться с тяжелыми нагрузками ИИ.

В 2017 г. Intel приобрела за 15,3 млрд. долл. израильскую компанию Mobileye, занимающуюся развитыми системами помощи водителю (ADAS)[ для снижения опасности столкновения. Недавно китайский технологический гигант Baidu начал массовое производство второго поколения Kunlun AI — сверхбыстрых микрочипов для периферийных вычислений на границе.

Сюда следует добавить ускорители Google Edge TPU и Nvidia Jetson Nano, а также разработку компаниями Amazon, Microsoft, Intel и Asus материнских плат для расширения возможностей периферийных вычислений. И упомянуть AWS DeepLens — первую в мире видеокамеру с поддержкой глубокого обучения.

Проблемы Edge AI

Низкое качество данных, предоставляемых ведущими интернет-провайдерами по всему миру является основным препятствием для исследований и разработок в области Edge AI. Недавний отчет Alation показывает, что 87% респондентов — в основном сотрудники ИТ-компаний — приводят низкое качество данных в качестве причины, из-за которой их организации не могут внедрить инфраструктуру Edge AI.

Уязвимая функция безопасности. Некоторые эксперты в области цифровых технологий утверждают, что децентрализованный характер периферийных вычислений повышает их безопасность. Но в действительности распределенные данные требуют обеспечения безопасности в большем количестве точек. Это делает инфраструктуру Edge AI уязвимой для различных кибератак.

Ограниченные возможности машинного обучения. МО требует больших вычислительных мощностей на аппаратных платформах периферийных вычислений. В инфраструктуре Edge AI производительность вычислений ограничена производительностью периферийного или IoT-устройства. В большинстве случаев сложные модели Edge AI приходится упрощать перед развертыванием, чтобы повысить их точность и эффективность.

Сценарии использования Edge AI

Виртуальные помощники, такие как Amazon Alexa или Apple Siri, являются большими бенефициарами разработок Edge AI, которые позволяют их алгоритмам машинного обучения быстро обучаться на основе данных, хранящихся на устройстве, и не зависеть от данных, хранящихся в облаке.

Автоматизированный оптический контроль играет важную роль на производственных линиях. Он позволяет обнаруживать неисправные детали собранных компонентов продуктов с помощью автоматизированного визуального анализа. Edge AI дает возможность проводить высокоточный сверхбыстрый анализ данных, не полагаясь на огромные объемы передачи данных через облако.

Автономные транспортные средства. Способность автономных транспортных средств с поддержкой Edge AI принимать быстрые и точные решения позволяет лучше распознавать объекты дорожного движения и легче ориентироваться в маршрутах движения по сравнению с человеком. Это приводит к более быстрому и безопасному потоку транспорта без ручного вмешательства.

Помимо всех рассмотренных выше сценариев использования, Edge AI может сыграть решающую роль в технологиях распознавания лиц, повышении безопасности промышленного IoT и оказании неотложной медицинской помощи. Список вариантов использования Edge AI растет с каждым днем. В ближайшем будущем, удовлетворяя личные и деловые потребности каждого, Edge AI станет традиционной повседневной технологией.