ИИ и периферийные вычисления
С развитием интернета вещей и периферийных вычислений стало возможным приблизить ИИ и машинное обучение к непосредственно источнику информации.
В последние годы облачные вычисления позволили разработать более эффективные и действенные методы обработки больших объемов данных. В настоящее время для обучения искусственного интеллекта (ИИ) и моделей машинного обучения, а также для прогнозирования результатов применяются облачные серверы, например, от Google или Amazon. Хотя это эффективный и быстрый вариант, технология Edge AI является ему альтернативой.
Edge AI позволяет внедрить машинное обучение туда, где вырабатывается информация, запуская локально алгоритмы машинного обучения на машинах, собирающих данные. Это снижает требования к пропускной способности сети и время ожидания данных, позволяя осуществлять обработку и принимать решения в режиме реального времени. Это также может сэкономить электроэнергию и затраты на передачу данных, так как требуется передавать в меньшие объёмы.
Технология периферийных вычислений становится популярной, особенно по мере развития интернета вещей (IoT) и увеличения производительности одноплатных компьютеров. Raspberry Pi и NVIDIA Jetson — это лишь несколько примеров мощных одноплатных компьютеров. Пользователи таких компьютеров нередко применяют технологии ИИ.
Преимущества
Обработка данных без облачных или локальных (On-premise) серверов и при этом вблизи источника данных (на границе системы) может принести пользу во многих отраслях промышленности. Удаленные точки, где нет Wi-Fi и качество LTE связи плохое, например, удаленные нефтяные и газовые скважины, являются идеальной сферой применения этой технологии. На таких прискваженных участках данные непрерывно собираются и отправляются для обработки с помощью моделей для прогнозирования отказов оборудования и планирования технического обслуживания. Традиционно данные отправлялись бы в облако по сотовой связи или в самых удаленных местах по спутниковой связи, однако в случае обработки данных в местах расположения скважин необходимо передавать только предупреждения и оповещения, что сокращает объем передаваемой информации. Этот тип прогнозного технического обслуживания сегодня начинает внедряться.
Отправка необработанных данных в облако также представляет собой угрозу безопасности. Во многих компаниях и государственных учреждениях существует требование локализации данных. Это может быть выполнено путем обработки данных предварительно обученными моделями на локальном оборудовании меньшего масштаба.
Скорость — еще одно существенное преимущество граничных вычислений. Наглядный пример этому — беспилотные автомобили, которые непрерывно генерируют огромный объем данных, подлежащих моментальной обработке, чтобы определить, требуется ли от автомобилей ответная реакция или нет. В подобных ситуациях, когда необходимо принять решение молниеносно, задержек, неизбежных при взаимодействии с облаком, быть не должно.
Применения в промышленности
Первым шагом внедрения модели искусственного интеллекта на устройствах, осуществляющих периферийные и облачные вычисления, является сбор данных. Если говорить об удаленных нефтяных и газовых скважинах, необходимо, чтобы инженер по обработке данных совместно с группой технического обслуживания определил, какое оборудование подлежит мониторингу, а также какие данные имеются, а каких не хватает. Когда достаточное количество данных собрано, можно начинать обучение модели. Затем эту обученную модель устанавливают на локальном компьютере, контролирующем все датчики. В случае обнаружения какой-либо аномалии или предпосылок, что техническое обслуживание потребуется раньше, чем запланировано, он отправит предупреждения. Сырые данные в облако не передаются, но результат обработки, как правило, выгружается в корпоративную систему менеджмента эффективности.
Те же технологии машинного обучения, исполняемые на локальном вычислителе, могут применяться для любых промышленных приложений, в тех случаях, когда компания не хочет рисковать конфиденциальностью производственных данных или установка выделенного сервера не обоснована.
Сценарии применения малогабаритных Edge-устройств
ИИ, машинное обучение и зрение уже сегодня могут выполняться и выполняются на малогабаритных устройствах, когда требуется обработка небольших объемов данных и независимость от качества канала связи. Они активно и незаметно интегрируются в нашу повседневную жизнь. Примером таких внедрений являются продвинутые рекламные дисплеи, некоторые вендинговые автоматы, кассы самообслуживания и многое другое. Интеллектуальные устройства проникают сегодня во всех сферы жизни человека, где имеется источник значимых данных.
Одним из примеров Edge-вычислителя является серия устройств NVIDIA Jetson. Это одноплатные компьютеры от компании NVIDIA, предназначенные для разработки, отладки и внедрения ИИ. Компьютеры серии Jetson — это не просто аппаратная платформа, оптимизированная под ИИ, но и целый набор инструментов для ускорения процесса разработки в виде SDK JetPack.
Такие малогабаритные устройства в настоящее время применяются в прототипах беспилотных автомобилей, в системах контроля качества продукции, в системах видеоаналитики пассажиропотока или для составления карт перемещения покупателей в магазинах.
Заключение
В ряде случаев облачные вычисления являются единственно возможным способом для обработки больших массивов данных. Однако, в связи с растущей потребностью в локальных вычислительных мощностях, популярность Edge-платформ периферийных вычислений растёт изо дня в день. Развитие и внедрение в нашу жизнь компактных вычислительных устройств ускоряется по мере увеличения числа задач, которые способен решить ИИ. Время покажет, возрастет ли в нашей повседневной жизни значение устройств, выполняющих граничные вычисления, по мере их совершенствования. Несмотря на кажущуюся неопределённость успеха Edge-устройств, коллектив «Ниеншанц-Автоматики» следит за трендами и потребностями рынка, и готов предложить широкий спектр решений на базе модулей NVIDIA Jetson.
Источник: m.vk.com
