Wie künstliche Intelligenz das Edge Computing verändert

Wie viel Rechenleistung wird am Edge benötigt? Wie viel Arbeitsspeicher und Massenspeicher reicht für Edge AI? Da KI die Tür zu innovativen Anwendungen öffnet, die mehr und schnellere Verarbeitung, Speicherung und Speicher erfordern, steigen die Mindestanforderungen. Wie erfüllen heutige Speicher- und Speichertechnologien die strengen Anforderungen dieser anspruchsvollen neuen Edge-Anwendungen?

Was meinen wir mit „Edge“

Der Edge umfasst jede verteilte Anwendung, bei der eine bestimmte Verarbeitung außerhalb des Servers erfolgt, auch wenn die Daten letztendlich an ein Rechenzentrum gesendet werden. Die Hauptidee besteht darin, zu vermeiden, dass alle Daten zur Verarbeitung über das Internet an einen Server gesendet werden. Stattdessen können die Daten näher am Erfassungsort verarbeitet werden, wodurch Latenzprobleme vermieden werden, die durch lange Datenumläufe verursacht werden, und eine nahezu Echtzeit-Einstellung erreicht werden -Site-Antwort.

Edges werden grob basierend auf der Entfernung vom Server zum Endpunkt unterteilt. Der sogenannte Near Edge kann Anwendungen in der Nähe des Rechenzentrums umfassen, vielleicht sogar innerhalb desselben Gebäudes. Bei Anwendungen wie selbstfahrenden Autos geht dieser Trend ins andere Extrem. Die Überschneidung besteht darin, dass Edge-Systeme Daten verarbeiten, die traditionell an das Rechenzentrum gesendet werden, was in vielen Branchen praktische Anwendungen hat.

Datenlatenz und Bandbreite am Industrial Edge

In industriellen Anwendungen sind Edge-Computer oft so konzipiert, dass sie Eingaben von Sensoren oder anderen Geräten empfangen und entsprechend auf die Eingaben reagieren. Beispielsweise erfasst die vorbeugende Wartung die Messwerte von Akustik-, Vibrations-, Temperatur- oder Drucksensoren und analysiert sie, um Anomalien zu identifizieren, die auf geringfügige Fehlfunktionen der Maschine hinweisen.

Maschinen können sofort oder bei Bedarf zur Wartung außer Betrieb genommen werden, bevor es zu einem katastrophalen Ausfall kommt. Die Reaktionszeiten müssen schnell sein, das Datenvolumen jedoch gering. Künstliche Intelligenz setzt diese Edge-Systeme jedoch unter Druck.

Der Einfluss künstlicher Intelligenz auf die Edge-Processing-Auslastung

Künstliche Intelligenz bringt unterschiedliche Belastungen für Computersysteme mit sich. KI-Workloads erfordern schnellere Prozessoren, mehr Speicher und leistungsstarke GPUs. Beispielsweise wird AOI häufig bei der PCB-Inspektion eingesetzt und nutzt Videoeingaben von Hochgeschwindigkeitskameras, um fehlende Komponenten und Qualitätsmängel zu identifizieren. Tatsächlich wird eine ähnliche visuelle Inspektionstechnologie in verschiedenen Branchen wie der Landwirtschaft häufig eingesetzt, wo sie zur Erkennung von Mängeln und Verfärbungen in Produkten eingesetzt werden kann.

Das Ausführen komplexer Algorithmen auf Videoeingaben erfordert die parallele Verarbeitungsleistung leistungshungriger GPU-Karten, mehr Speicher für effiziente und genaue KI-Inferenz und mehr Speicherplatz für zusätzliche Daten, aber diese sind bereits im Rechenzentrum vorhanden.

Die Leistung des Rechenzentrums an den Rand bringen

Im Wesentlichen schließen wir die Lücke zwischen dem Rand und dem Rechenzentrum, um KI-Aufgaben am Rand zu verarbeiten. Server, die in temperaturkontrollierten Rechenzentren versteckt sind, verfügen über Terabyte Arbeitsspeicher und riesigen Speicher, um bestimmte Lasten mit hohem Volumen zu bewältigen und die Systeme schnell laufen zu lassen.

Aber wenn es darum geht, weit entfernt vom Rechenzentrum Rückschlüsse zu ziehen, sieht die Sache anders aus. Edge-Computer mögen diese idyllische Umgebung nicht und müssen rauen Umgebungen standhalten. Der Edge erfordert Hardware, die maximale Leistung anstrebt und gleichzeitig nicht ideale Bedingungen berücksichtigt.

Edge-Hardware

Das Hinzufügen künstlicher Intelligenz am industriellen Edge erfordert Hardware, die für die Aufgabe geeignet ist. Ein Industriecomputer, der extremen Temperaturen, Vibrationen und Platzbeschränkungen standhält, ist ein Muss. Für ein Vision-System, das mit Abstand die produktivste KI-Anwendung ist, werden insbesondere drei Dinge benötigt: Speicher zur Unterstützung einer effizienten KI-Inferenz, Speicher für Eingabedaten und PoE zur Unterstützung des Hinzufügens von Kameras.

Der neueste DDR5 bietet mehr Speicher auf kleinerem Raum. Es bietet eine höhere Speicherkapazität am Edge mit der doppelten Geschwindigkeit und der vierfachen Kapazität von DDR4 und sorgt so für eine effizientere Nutzung des verfügbaren Platzes und der Ressourcen bei gleichem Platzbedarf.

Edge-Anwendungen erfordern Skalierungskapazität, da die Daten den Server erreichen oder für einen bestimmten Zeitraum am Edge bleiben müssen und daher SSD als temporärer Speicher benötigen. Der Wechsel von SATA zu NVMe hat die Tür zu höheren Geschwindigkeiten und Leistung geöffnet, und die kommende NVMe PCIe G4X4 SSD ist die neueste SSD in der Produktlinie von Cervoz und bietet industrielle Leistung für diese Anwendungen.

Das Vision-System erfordert eine Kamera. PoE+ ist die einfachste und effizienteste Möglichkeit, Hochgeschwindigkeitskameras zu Ihrem System hinzuzufügen und sorgt für Strom- und Datenübertragung über ein einziges Kabel. Die modulare PoE-Ethernet-PCIe-Erweiterungskarte von Cervoz fügt diese Funktionalität mit einem kleinen Strom-Plug-in hinzu.

Verschaffen Sie sich einen Vorsprung bei KI am Edge

Für Unternehmen, die sich einen Vorsprung verschaffen möchten, bietet die Kombination aus Industriecomputern plus Arbeits- und Datenspeicher in Industriequalität die Zuverlässigkeit, um auch rauen Edge-Umgebungen standzuhalten Das Netzwerk Die Fähigkeiten, die erforderlich sind, um KI-Technologien der nächsten Generation am Netzwerkrand zu ermöglichen.

Das obige ist der detaillierte Inhalt vonWie künstliche Intelligenz das Edge Computing verändert. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!