Ключевые тренды Edge AI 2022 года

С момента добавления в качестве области изучения в 1956 году в университетах, Искусственный Интеллект прошел через периоды оптимизма и пессимизма в равной мере. Нет сомнений, что сегодня мы свидетельствуем один из величайших оптимизма.

Data Science — третья по востребованности вакансия во всем мире. Фактически, в нашем недавнем исследовании о состоянии граничных вычислений в Испании, Data Scientist — самый востребованный профессионал среди испанских компаний на рынке, переживающем экспоненциальный рост и ожидаемом достижении 190 миллиардов долларов к 2025 году.

Такова проeminенция ИИ в рыночной индустрии, что больше не имеет смысла говорить об этом как об одной технологии, а как о многих ветвях, служащих разным применениям для разных отраслей.

Среди трендов, идентифицированных как наиболее зрелые и ближайшие к производственной стадии, те, которые мы можем идентифицировать в нашей ежедневной рутине. Например, обработка естественного языка, которую мы используем, когда разговариваем с все более человекообразными чат-ботами, машинное зрение, делающее возможной автоматизацию обработки видео в реальном времени, и семантический поиск, ведущий к лучшим результатам поиска.

На другом экстреме есть более футуристичные, которые не появятся минимум 10 лет. Некоторые интересные примеры — технологии AI TRISM (Trust, Risk and Security Management), позволяющие регулировать ИИ-модели, делая их более устойчивыми к атакам безопасности и приватности, и трансформеры, позволяющие адаптировать ИИ-модели под контекст и имеющие большое влияние на улучшение приложений вроде переводчиков, автоматического создания документов или анализа биологических последовательностей.

Между двумя экстремами есть другие включающие технологии, которые займут от двух до пяти лет от развертывания до рыночной зрелости, которые можно назвать «Ближайшее будущее ИИ». Среди этих — человекоцентричный ИИ, генеративный ИИ, оркестрация и автоматизация ИИ, и, лидирующая всех остальных по кривой зрелости, ИИ на Краю, также известная как «Edge AI». В 2021 году Edge AI стала технологией, которая созреет в ближайшем будущем.

Edge AI и революция распределенного интеллекта в промышленном мире

Edge AI или ИИ на Краю можно резюмировать как способность выполнять алгоритмы искусственного интеллекта на устройствах (IoT-устройства, граничные устройства), которые очень близки к источнику данных.

Эта технология растет экспоненциально, поддерживаемая пугающей статистикой: более 60 процентов промышленных организаций не имеют облачной инфраструктуры, помогающей им инновировать эффективно.

Так что, если мы возьмем лупу к проектам Edge AI, какие самые разрушительные тренды мы увидим в 2022 и 2023 годах?

Ниже — резюме нашего топ-5:

1. Критические отрасли будут главными драйверами: от SCADA к Edge AI

В Barbara IoT мы находим повторяющиеся паттерны в отраслях, находящихся на переднем крае Edge AI: все они управляют множеством критически важных распределенных активов. Другими словами, это отрасли, сталкивающиеся с большими вызовами от технологической фрагментации, масштабируемости и кибербезопасности. Эти могут быть минимизированы выполнением ИИ-алгоритмов на краю. Мы можем прогнозировать, что эти отрасли разработают очень амбициозные и трансформативные варианты использования.

SCADA-системы, используемые с 80-х, имеют похожие цели в терминах сбора и обработки данных. Однако SCADA-системы должны быть дополнены более современными технологиями, чтобы они могли отвечать на все более требовательные требования к интероперабельности, открытости и безопасности. Вот где Edge AI может помочь: умножить ценность этих систем.

2. Thin Edge дополнит Thick Edge

Существуют разные интерпретации о значении того, что такое «край», когда мы говорим о Edge AI. Традиционно край идентифицировался как инфраструктура сетевого оператора, ближайшая к пользователю. Например, когда мы говорим о 5G-сетях, мы относимся к операторам, развертывающим множество узлов, называемых «Multiaccess Edge Computing», используемым для обработки данных вблизи. Эти узлы устанавливаются на серверах, очень похожих на те, что можно найти в дата-центре, спроектированном для хостинга облачных сервисов, и они имеют высокий потенциал и способность обрабатывать сложные ИИ-алгоритмы. Это то, что некоторые аналитики называют «Thick» (Толстый) Край.

Однако недавно Edge-узлы другого типа начинают разрабатываться: те, что напрямую подключены к датчикам и коммутаторам, которые, когда установлены на низкоэнергетических устройствах вроде шлюзов или концентраторов, служат для запуска более простых ИИ-алгоритмов с более короткими временами отклика, ближе к реальному времени. Этот новый тип Края, называемый «Thin» (Тонкий) Край, сделает возможным быстро и гибко решать более крупные проекты, включающие удаленные локации или требования к высокой безопасности и изоляции данных.

3. Edge Mesh как новая парадигма для обеспечения распределенного искусственного интеллекта

Edge AI традиционно основано на моделях решений, обучаемых с использованием больших данных. Модель, состоящая из серии математических формул, устанавливается на Edge-узлы. Оттуда каждый узел способен принимать свои собственные решения в зависимости от получаемых данных и установленной модели.

Новая парадигма, известная как Edge Mesh, делает возможным, чтобы решение узла обусловливалось решением другого узла, как если бы это была решетчатая сеть. Хороший пример для понимания силы этой новой архитектуры — умная система трафика.

Edge-узел может принимать решения о времени светофора, используя ИИ-алгоритмы, учитывающие количество машин и людей, обнаруженных датчиками. Однако это решение могло бы быть идеально дополнено решениями, принимаемыми другими узлами на соседних улицах.

Цель Edge Mesh — распределить интеллект среди различных узлов для обеспечения лучшей производительности, времени отклика и отказоустойчивости, чем с более традиционными архитектурами.

4. Управление жизненным циклом с использованием MLOps становится все более важным

По мере того как отрасль движется к развертыванию Edge AI с более распределенными узлами и более сложными алгоритмами обучения, способность поддерживать жизненный цикл этих обученных моделей и устройств, их исполняющих, будет ключевой для будущего этой технологии.

В этом смысле проекты и компании, применяющие философию DevOps для разработки, развертывания и поддержки ИИ-алгоритмов, будут усилены.

Этот способ работы называется MLOps, комбинацией Machine Learning и DevOps.

Но что это именно? По сути, оно нацелено на сокращение времени разработки, тестирования и внедрения моделей ИИ на Краю через непрерывную интеграцию оборудования и сред разработки, тестирования и операций.

5. Edge AI обеспечивает суверенный обмен данными

Нет сомнений, что обмен данными будет первостепенным для улучшения процессов в отраслевых секторах со многими стейкхолдерами в цепочке ценности.

Давайте посмотрим в ближайшую будущую модель электрической сети: Умную Сеть. Чтобы иметь возможность получать или предлагать лучший сервис, необходимо для поставщиков иметь возможность анализировать и обрабатывать информацию от ряда стейкхолдеров вроде проsumerов, операторов, дистрибьюторов и агрегаторов. Без прозрачного, гибкого обмена данными будет невозможно достичь необходимой оптимизации сети к 2050 году.

С Edge AI, децентрализованная обработка данных возможна, что поможет преодолеть некоторые препятствия, с которыми отрасль сейчас сталкивается, такие как безопасность данных, приватность и суверенитет.