فهرست مندرجات[پنهان شدن][نمایش]
هر بخش به دنبال افزایش عملیات، بهره وری و ایمنی خود با اجرای اتوماسیون بیشتر است. برنامه های کامپیوتری باید بتوانند الگوها را تشخیص دهند و کارها را به طور قابل اعتماد و ایمن انجام دهند تا به آنها کمک کنند.
با این حال، جهان بدون ساختار است، و طیف مشاغلی که انسان ها انجام می دهند، تعداد بی پایانی از سناریوها را در بر می گیرد که به سختی می توان به اندازه کافی در برنامه ها و قوانین بیان کرد.
پیشرفتهای هوش مصنوعی Edge این امکان را برای رایانهها و گجتها فراهم کرده است که بدون توجه به جایی که هستند، با "هوش" شناخت انسان کار کنند. برنامههای هوشمند مجهز به هوش مصنوعی یاد میگیرند که وظایف مشابهی را در موقعیتهای مختلف انجام دهند، درست مانند کاری که انسانها در زندگی واقعی انجام میدهند.
در این پست نگاهی عمیق به هوش مصنوعی Edge، مزایای آن، موارد استفاده و موارد دیگر خواهیم داشت.
هوش مصنوعی Edge چیست؟
محاسبات لبه به کاربران اجازه می دهد تا دسترسی آسان تری به ذخیره سازی و پردازش داده ها داشته باشند. این امر با اجرای فرآیندها در دستگاههای محلی مانند لپتاپ، دستگاههای IoT یا سرورهای لبه تخصصی انجام میشود.
تأخیر و پهنای باند نگران است که گاهی اوقات عملیات مبتنی بر ابر را متوقف می کند، برای توابع لبه مشکلی نیست.
Edge AI ترکیب می شود هوش مصنوعی و محاسبات لبه (AI). این مستلزم اجرای الگوریتم های هوش مصنوعی در دستگاه های محلی با قدرت پردازش در لبه است.
هوش مصنوعی Edge نیاز به اتصال و ادغام سیستم را از بین می برد و به کاربران امکان می دهد داده ها را در زمان واقعی در دستگاه های خود پردازش کنند. اگرچه عملیات هوش مصنوعی به قدرت محاسباتی زیادی نیاز دارد، اما اکثر آنها در حال حاضر در مراکز مبتنی بر ابر انجام می شوند.
اشکال این است که قطع سرویس یا کندی قابل توجه ممکن است به دلیل اتصال یا مشکلات شبکه رخ دهد.
با ادغام فرآیندهای هوش مصنوعی در دستگاه های محاسباتی لبه، هوش مصنوعی لبه بر این نگرانی ها غلبه می کند. با جمع آوری داده ها و خدمات رسانی به کاربران بدون نیاز به برقراری ارتباط با سایر سایت های فیزیکی، کاربران می توانند در زمان صرفه جویی کنند.
فناوری Edge AI چگونه کار می کند؟
ماشین ها باید بتوانند ببینند، اشیاء را شناسایی کنند، ماشین ها را کار کنند، گفتار را درک کنند، صحبت کنند، حرکت کنند و کارهای مشابه انسان را انجام دهند. به منظور تکرار شناخت انسان، هوش مصنوعی از ساختار داده ای به نام عمیق استفاده می کند شبکه های عصبی.
به این DNN ها آموزش داده می شود که با نشان دادن چندین نمونه از آن سوال همراه با پاسخ های دقیق، به انواع خاصی از سوالات پاسخ دهند.
با توجه به حجم زیاد داده های لازم برای آموزش یک مدل دقیق و نیاز دانشمندان داده برای همکاری در ساخت مدل، این فرآیند آموزشی که به "یادگیری عمیق" معروف است، عموماً در یک مرکز داده یا ابر انجام می شود. این مدل به یک "موتور استنتاج" تبدیل می شود که می تواند پس از آموزش به مسائل دنیای واقعی پاسخ دهد.
موتور استنتاج در استقرار هوش مصنوعی لبه بر روی یک کامپیوتر یا دستگاه در یک مکان دور مانند یک کارخانه، یک بیمارستان، یک خودرو، یک ماهواره یا خانه یک فرد کار می کند.
وقتی هوش مصنوعی با مشکلی مواجه میشود، دادههای مشکلساز اغلب برای آموزش بیشتر مدل اصلی هوش مصنوعی به ابر منتقل میشوند، که در نهایت جایگزین موتور استنتاج لبه میشود. هنگامی که مدلهای هوش مصنوعی لبهای پیادهسازی میشوند، به لطف این حلقه بازخورد، بیشتر و عاقلتر میشوند.
مزایا
الگوریتمهای هوش مصنوعی بهویژه در مکانهایی که کاربران نهایی با مشکلات دنیای واقعی رفت و آمد میکنند مفید هستند، زیرا میتوانند زبان، مناظر، صداها، رایحهها، دما، چهرهها و دیگر انواع آنالوگ اطلاعات بدون ساختار را تفسیر کنند.
به دلیل نگرانی در مورد تأخیر، پهنای باند و حریم خصوصی، پیادهسازی برخی از برنامههای هوش مصنوعی در یک مرکز داده تجاری یا ابری متمرکز غیرعملی یا حتی غیرممکن است.
برخی از مزایای هوش مصنوعی لبه به شرح زیر است:
- بینش در زمان واقعی: از آنجایی که فناوری لبه داده ها را به صورت محلی تجزیه و تحلیل می کند نه در یک ابر دور که به دلیل اتصال از راه دور به تاخیر می افتد، به درخواست های کاربر در زمان واقعی پاسخ می دهد.
- اطلاعات: برنامه های کاربردی هوش مصنوعی قوی تر و سازگارتر از برنامه های سنتی هستند که فقط می توانند به ورودی هایی که برنامه نویس پیش بینی کرده پاسخ دهند. یک هوش مصنوعی شبکه های عصبیاز سوی دیگر، برای پاسخ دادن به یک سوال خاص آموزش نمی بیند، بلکه برای پاسخ به یک نوع سوال خاص، حتی اگر خود سوال جدید باشد، آموزش دیده است. برنامهها نمیتوانند ورودیهای بیپایان مختلف مانند متن، کلمات گفتاری یا ویدیو را بدون هوش مصنوعی پردازش کنند.
- حریم خصوصی افزایش یافت: هوش مصنوعی میتواند دادههای دنیای واقعی را بدون قرار دادن آن در معرض انسان مطالعه کند، و به طور قابلتوجهی حریم خصوصی افرادی را که ظاهر، صدا، تصویر پزشکی یا سایر اطلاعات شخصیشان باید مطالعه شود، افزایش میدهد. هوش مصنوعی Edge با ذخیرهسازی محلی دادهها و انتقال تحلیلها و بینشها به فضای ابری، حریم خصوصی را حتی بیشتر بهبود میبخشد.
- هزینه کاهش یافته است: با نزدیکتر کردن توان محاسباتی به لبه، برنامهها به پهنای باند اینترنت کمتری نیاز دارند و در نتیجه باعث صرفهجویی قابل توجهی در هزینههای شبکه میشود.
- بهبود مداوم: همانطور که مدل های هوش مصنوعی بر روی داده های بیشتری آموزش می بینند، دقیق تر می شوند. هنگامی که یک برنامه هوش مصنوعی لبه با دادههایی مواجه میشود که قادر به مدیریت دقیق یا مطمئن نیست، اغلب آنها را آپلود میکند تا هوش مصنوعی بتواند مجدداً آموزش ببیند و از آن بیاموزد. در نتیجه، هر چه یک مدل طولانیتر در لبه تولید شود، دقت بیشتری خواهد داشت.
موارد استفاده از هوش مصنوعی Edge
ماشین آلات صنعتی و ابزارهای مصرفی دو بخش اصلی بازار هوش مصنوعی لبه هستند. آزمایشهای نمایشی بهبود را در زمینههایی مانند تنظیم و بهینهسازی تجهیزات و خودکارسازی مهارتهای نیروی کار ماهر نشان میدهند.
گجتهای مصرفکننده با دوربینهای مجهز به هوش مصنوعی که بهطور خودکار سوژههای تصویر را شناسایی میکنند نیز در حال پیشرفت هستند. پیشبینی میشود که بازار دستگاههای مصرفی از سال 2021 به بعد رشد چشمگیری داشته باشد، زیرا تعداد دستگاهها از تعداد تجهیزات صنعتی بیشتر است. ما برخی از موارد استفاده از هوش مصنوعی لبه محبوب را در زیر فهرست کرده ایم:
- هواپیماهای بدون سرنشین خودمختار - هواپیماهای بدون سرنشین بر اساس این خبر، هنگام انجام آزمایشات پرواز از راه دور، کنترل خود را از دست داده و ناپدید شده اند. خلبان یک پهپاد خودران در پرواز پهپاد دخالتی ندارد. آنها چیزها را از دور زیر نظر دارند و فقط زمانی از پهپاد استفاده می کنند که کاملا ضروری باشد. آمازون پرایم ایر، یک تجارت تحویل هواپیماهای بدون سرنشین که در حال توسعه پهپادهای خودران برای تحویل اقلام است، شناخته شده ترین نمونه از این موضوع است.
- اتومبیل های خودران - The هیجان انگیزترین استفاده از محاسبات لبه، خودروهای خودران است. اتومبیلهای خودران باید در بسیاری از شرایط موقعیتها را ارزیابی کنند، که نیاز به پردازش بیدرنگ دادهها دارد. قانون ترافیک جادهای ژاپن و قانون وسایل نقلیه حملونقل جادهای ژاپن در دسامبر 2019 مورد بازنگری قرار گرفت و دسترسی به وسایل نقلیه خودران سطح 3 در جادهها را سادهتر کرد. الزامات ایمنی که خودروهای خودران باید رعایت کنند، و همچنین مکان هایی که می توانند در آن رانندگی کنند، از جمله آنها هستند. در نتیجه، خودروسازان در حال توسعه وسایل نقلیه خودران هستند که این الزامات را برآورده می کنند. به عنوان مثال، تویوتا، TRI-P4 را با اتوماسیون کامل (سطح 4) طی می کند.
- گوشی های هوشمند - این ابزار پیشرفته هوش مصنوعی است که همه ما با آن آشنا هستیم. سیری و دستیار گوگل که از هوش مصنوعی لبه برای تقویت صدای خود استفاده می کنند رابط کاربر، نمونه های ایده آلی از هوش مصنوعی لبه در گوشی های هوشمند هستند. هوش مصنوعی روی دستگاه نیازی به ارسال داده های دستگاه به ابر را از بین می برد زیرا پردازش در دستگاه (لبه) انجام می شود. این به محافظت از حریم خصوصی و همچنین کاهش ترافیک کمک می کند.
- سرگرمی - مجازی برنامه های واقعیت افزوده و واقعیت ترکیبی برای سرگرمی شامل پخش مطالب ویدیویی به عینک های واقعیت مجازی است. با برون سپاری پردازش از عینک به سرورهای لبه نزدیک دستگاه انتهایی، می توان اندازه چنین عینک هایی را به حداقل رساند. به عنوان مثال، مایکروسافت به تازگی از هولولنز، یک کامپیوتر هولوگرافیک نصب شده در روسری که به کاربران اجازه می دهد واقعیت افزوده را تجربه کنند، رونمایی کرد. مایکروسافت قصد دارد از هولولنز استفاده کند برای ارائه محاسبات معمولی، تجزیه و تحلیل داده ها، تصویربرداری پزشکی، و برنامه های کاربردی پیشرفته بازی.
- تشخیص چهره - چهره سیستمهای شناسایی پیشرفتی در دوربینهای مداربسته هستند که میتوانند تشخیص افراد را بر اساس چهرهشان بیاموزند. ماژول دوربین هوش مصنوعی که از تکنیکهای کامپیوتری با هوش مصنوعی لبهای برای ارزیابی ویژگیهای چهره در زمان واقعی استفاده میکند. میتواند چهرهها را سریع و دقیق تشخیص دهد و برای ابزارهای بازاریابی که ویژگیهای خاصی مانند سن را هدف قرار میدهند، و همچنین تشخیص چهره برای باز کردن قفل دستگاهها، ایدهآل است.
5G و Edge AI
نیاز حیاتی برای 5G در زمینههای با رشد بالا مانند اتومبیلهای کاملاً خودران، تجربیات واقعیت مجازی بلادرنگ، و برنامههای کاربردی حیاتی، نوآوری بیشتری در محاسبات لبه و هوش مصنوعی Edge ایجاد میکند.
5G نسل بعدی شبکه سلولی است که به دنبال بهبود قابل توجهی کیفیت خدمات، مانند توان عملیاتی بهتر و کاهش تأخیر است - سرعت داده 10 برابر سریعتر از شبکه های 5G موجود است.
تحویل بسته در زمان واقعی را در خودروهای خودران در نظر بگیرید، که به تاخیر سرتاسر کمتر از 10 میلی ثانیه نیاز دارد تا نیاز به انتقال سریع داده و محاسبات محلی روی دستگاه را درک کند.
حداقل تأخیر انتها به انتها برای دسترسی ابری بزرگتر از 80 میلی ثانیه است که برای بسیاری از برنامه های کاربردی دنیای واقعی غیرقابل قبول است. محاسبات لبه نیازهای زیر میلیثانیهای برنامههای 5G را برآورده میکند و در عین حال مصرف انرژی را 30 تا 40 درصد کاهش میدهد و در نتیجه مصرف انرژی تا 5 برابر کمتر از دسترسی ابری است.
رایانش لبه و 5G سرعت شبکه را افزایش میدهد و امکان پیادهسازی و استقرار برنامههای مختلف هوش مصنوعی را فراهم میکند، مانند تجزیه و تحلیل ویدیوی بیدرنگ مبتنی بر هوش مصنوعی، که به انتقال داده با تأخیر کم متکی است.
آینده
هوش مصنوعی Edge در حال محبوب شدن است و سرمایه گذاری های قابل توجهی در این زمینه انجام شده است. به عنوان مثال، در ژانویه 2020، اعلام شد که اپل 200 میلیون دلار برای خرید شرکت هوش مصنوعی Xnor.ai مستقر در سیاتل پرداخت کرده است.
پردازش لبه توسط فناوری هوش مصنوعی Xnor.ai برای پردازش داده ها در تلفن هوشمند کاربر استفاده می شود. با هوش مصنوعی داخلی در گوشیهای هوشمند، باید انتظار پیشرفتهایی در پردازش صدا، فناوری تشخیص چهره و حفظ حریم خصوصی داشته باشیم.
با معرفی 5G، میتوان انتظار داشت قیمتهای پایینتر و تقاضای بیشتری برای خدمات هوش مصنوعی لبه در سراسر جهان وجود داشته باشد.
نتیجه
از آنجایی که مردم زمان بیشتری را روی دستگاههای تلفن همراه خود میگذرانند، کسبوکارها و توسعهدهندگان بیشتری به ارزش پیادهسازی فناوری Edge برای ارائه خدمات سریعتر و کارآمدتر و در عین حال افزایش حاشیه سود پی میبرند.
از نظر خدمات مبتنی بر هوش مصنوعی در سطح سازمانی، و همچنین آسایش و شادی مصرفکننده، این یک جهان کاملاً جدید از امکانات را باز خواهد کرد.
شرکتهای بزرگی مانند آمازون و گوگل میلیونها دلار در توسعه سیستمهای هوش مصنوعی Edge خود سرمایهگذاری کردهاند، بنابراین پیشرو بودن و سرمایهگذاری در این فناوریها تنها راه برای ماندن در رقابت است.
از سوی دیگر، افزایش تقاضا برای دستگاههای اینترنت اشیا، شبکههای 5G و Edge Computing را به طور گستردهتری مورد استفاده قرار میدهد.
پاسخ دهید