Labs-Einführung
Edge Intelligence ist eine aufstrebende Technologie, die künstliche Intelligenz (KI) und Edge Computing kombiniert. Herkömmliche Anwendungen der künstlichen Intelligenz stützen sich für die Datenverarbeitung und Entscheidungsfindung normalerweise auf Cloud-Computing-Zentren, dieser Ansatz weist jedoch Probleme mit Latenz und Netzwerkbandbreite auf.
Teil 01, Was ist Edge Intelligence? Zeitdatenverarbeitung und -analyse auf IoT-Geräten, die in der Nähe von Datenquellen und auf deren nahegelegenen Netzwerkknoten eingesetzt werden. Die rasante Entwicklung der KI hat in den letzten Jahren zu vielen innovativen Anwendungen und Lösungen geführt. Da jedoch der Umfang und die Komplexität von KI-Modellen weiter zunehmen, steht die traditionelle Cloud-Computing-Architektur vor einer Reihe von Herausforderungen, wie z. B. hoher Latenz, Netzwerküberlastung und Datenschutzproblemen. Um diese Herausforderungen zu meistern, entstand die Kombination von Edge Computing und künstlicher Intelligenz und bildete das Konzept der Edge Intelligence. Edge Intelligence verlagert nicht nur das Training und die Schlussfolgerung von KI-Modellen auf Edge-Geräte, die näher am Benutzer sind, wie Smartphones, Sensoren, Router, Überwachungskameras usw. Durch die Durchführung einer Echtzeit-Datenverarbeitung auf diesen Edge-Geräten, die schnelle Reaktion auf und die Analyse von Daten sowie die lokale Entscheidungsfindung werden die Verzögerungen und Sicherheitsrisiken vermieden, die mit dem Senden aller Daten zur Verarbeitung in die Cloud verbunden sind, was den KI-Anwendungen viele neue Möglichkeiten bietet .
In Bezug auf den Umfang und die Bewertung von Edge Intelligence geht die bestehende Forschung davon aus, dass Edge Intelligence die Nutzung verfügbarer Daten und Ressourcen in Endgeräten, Edge-Knoten und Cloud-Rechenzentrumshierarchien ist, um das gesamte Training und die Entwicklung tiefer neuronaler Netzwerke zu optimieren Modelle (DNN). Das bedeutet, dass Edge-Intelligenz nicht unbedingt am Edge trainiert oder abgeleitet werden muss, sondern durch Daten-Offloading die kollaborative Arbeit von Cloud, Edge und Terminal realisieren kann. Je nach Anzahl und Pfadlänge der Datenauslagerung wird die Edge-Intelligenz in sechs Ebenen unterteilt und Die Pfadlänge wird reduziert, wodurch die Übertragungsverzögerung beim Daten-Offloading verringert, der Datenschutz erhöht und die Kosten für die Netzwerkbandbreite gesenkt werden.
Teil 02, Edge Intelligent Model Training
Die Edge-verteilte Trainingsarchitektur für tiefe neuronale Netze kann in drei Modi unterteilt werden: zentralisiert, verteilt, hybrid (Cloud-Edge-Zusammenarbeit)
➪ Zentralisiert:
DNN-Modell wird im Cloud-Rechenzentrum trainiert. Die für das Training verwendeten Daten werden von verteilten Endgeräten (wie Mobiltelefonen, Autos und Überwachungskameras) generiert und gesammelt Das Rechenzentrum wird diese Daten für das DNN-Training verwenden. Systeme, die auf einer zentralisierten Architektur basieren, können in Edge Intelligence als Level 1, Level 2 oder Level 3 identifiziert werden, abhängig von der spezifischen Argumentationsmethode, die das System verwendet.
➪ Verteilt: Jeder Rechenknoten trainiert lokal sein eigenes DNN-Modell unter Verwendung lokaler Daten und speichert private Informationen lokal. Erhalten Sie ein globales DNN-Modell, indem Sie lokale Trainingsaktualisierungen teilen. In diesem Modus kann das globale DNN-Modell ohne Eingreifen des Cloud-Rechenzentrums trainiert werden, was der fünften Ebene der Edge-Intelligence entspricht.
➪ Hybrid (Cloud-Edge-Geräte-Zusammenarbeit): Kombinieren Sie zentralisierte und verteilte Edge-Server können DNN-Modelle durch verteilte Updates trainieren oder Cloud-Rechenzentren verwenden, um das Training zu zentralisieren. Entspricht Level 4 und Level 5 in Edge Intelligence.
Derzeit werden Edge-Intelligence-Modell-Trainingsmethoden hauptsächlich anhand von sechs Leistungsindikatoren bewertet:
Trainingsverlust, Konvergenz, Datenschutz, Kommunikationskosten, Verzögerung
und Energieeffizienz.
Die durch das Edge-Intelligence-Modelltraining unterstützten Technologien sind wie folgt:
Teil 03, Edge-Intelligence-Modell-Inferenz
Hochwertige Bereitstellung von Edge-Intelligence-Diensten, zusätzlich zur Realisierung der Tiefenverteilung Das Lernen von Modellen erfordert auch eine effiziente Implementierung der Modellinferenz am Rande. Das Inferenzmodell der Edge-Intelligence ist in vier Modi unterteilt: Edge-basiert, Geräte-basiert, Edge-Gerät und Edge-Cloud.
➪ Edge-basiertes Inferenzmodell: Das Gerät befindet sich im Edge-Modus, empfängt Eingabedaten und sendet diese dann an den Edge-Server. Der Edge-Server vervollständigt die DNN-Modellinferenz und gibt die Vorhersageergebnisse an das Gerät zurück. Die Inferenzleistung hängt von der Netzwerkbandbreite zwischen dem Gerät und dem Edgeserver ab.
➪ Gerätebasiertes Inferenzmodell: Das Mobilgerät erhält das DNN-Modell vom Edge-Server und schließt die Modellinferenz lokal ab mit dem Edge-Server, daher muss das mobile Gerät über Ressourcen wie CPU, GPU und RAM verfügen.
➪ Edge-Device-basiertes Inferenzmodell: Das Gerät unterteilt das DNN-Modell zunächst in mehrere Modelle, basierend auf Faktoren wie Netzwerkbandbreite und Geräteressourcen , und Edge-Server-Last; Führen Sie dann das DNN-Modell auf bestimmten Ebenen aus und senden Sie die Zwischendaten an den Edge-Server. Der Edge-Server führt die verbleibenden Schichten aus und sendet die Vorhersageergebnisse an das Gerät.
➪ Edge-Cloud-basiertes Inferenzmodell: Das Gerät befindet sich im Edge-Cloud-Modus und das Gerät ist für das Sammeln von Eingabedaten und die gemeinsame Ausführung des DNN-Modells über den Cloud-Edge verantwortlich.
Die Leistung der Edge-Intelligence-Modellinferenz wird hauptsächlich anhand von sechs Indikatoren bewertet: Latenz, Genauigkeit, Energieeffizienz, Datenschutz, Kommunikationskosten und Speichernutzung.
Die durch das Edge-Intelligence-Modelltraining unterstützten Technologien sind wie folgt:
Teil 04, Forschungsrichtung von Edge Intelligence
Als aufstrebendes Technologiefeld bietet Edge Intelligence breite Perspektiven für Forschungsrichtungen und Entwicklungspotenzial. Basierend auf den technischen Eigenschaften und Anwendungsszenarien von Edge Intelligence kann in Zukunft Forschung unter folgenden Gesichtspunkten durchgeführt werden:
-
Programmier- und Softwareplattform. Mit dem Aufkommen immer mehr KI-gesteuerter, rechenintensiver Mobil- und IoT-Anwendungen wird Edge Intelligence As a Service (EIaaS) zu einem allgegenwärtigen Paradigma mit leistungsstarker Edge-KI. Eine funktionale EI-Plattform wird entwickelt und bereitgestellt.
-
Edge-Intelligence-Algorithmus und Modelldesign. Entwickeln Sie effiziente intelligente Algorithmen und Modelle auf Edge-Geräten, um intelligentere Datenverarbeitungs- und Entscheidungsfähigkeiten zu erreichen. Einschließlich der Optimierung und Bereitstellung von maschinellem Lernen, Deep Learning, Reinforcement Learning und anderen Algorithmen auf Edge-Geräten.
-
Sicherheits- und Datenschutzprobleme. Gewährleistung von Datensicherheit und Datenschutz in Edge-Intelligence-Umgebungen, einschließlich Verschlüsselung und Authentifizierung der Datenübertragung, Sicherheitsschutz von Edge-Geräten und Schutz der Privatsphäre der Benutzer.
-
Computational Awareness Network-Technologie. Rechenintensive Anwendungen auf Basis künstlicher Intelligenz laufen häufig in verteilten Edge-Computing-Umgebungen. Daher sollten fortschrittliche Netzwerklösungen rechenbewusst sein, um Rechenergebnisse und Daten effektiv zwischen verschiedenen Randknoten auszutauschen. Erstellen Sie eine effiziente und zuverlässige Edge-Intelligent-Netzwerkarchitektur, einschließlich Netzwerktopologie, Datenübertragungsprotokollen, Kommunikationssicherheit usw. Gleichzeitig werden Edge-Computing-Ressourcen genutzt, um Kommunikationsdienste mit hoher Geschwindigkeit und geringer Latenz bereitzustellen.
-
Anwendungsszenarien und Systemdesign. Wenden Sie Edge-Intelligence-Technologie auf verschiedene Bereiche an, z. B. intelligenten Transport, intelligente Fertigung, Smart Cities, Gesundheitswesen usw., und erkunden Sie das Design anpassungsfähiger, effizienter und zuverlässiger Edge-Intelligence-Systeme, um praktische Probleme zu lösen und die Branchenentwicklung zu fördern.
-
Edge Computing und Datenverarbeitung. Nutzen Sie die Rechenleistung und Speicherkapazität in Edge-Geräten voll aus, um eine Echtzeitverarbeitung und -analyse von Daten zu erreichen. Optimieren Sie gleichzeitig die Verwaltung und Planung von Rechen- und Speicherressourcen auf Edge-Geräten mit begrenzten Ressourcen und verbessern Sie die Recheneffizienz und Ressourcennutzung, um die Systemeffizienz und -leistung zu verbessern.
-
Adaptives Lernen und Optimierung der Edge-Intelligenz. Ermöglicht Edge-Intelligence-Systemen das autonome Lernen und Optimieren je nach Änderungen in der Umgebung und Anforderungen, wodurch intelligentere Dienste und Entscheidungen bereitgestellt werden.
-
Die Kombination aus Edge Intelligence und anderen verwandten Bereichen. Die Kombination aus Edge Intelligence und Internet der Dinge, 5G-Kommunikation, Cloud Computing und anderen Technologien, um umfassendere und effizientere intelligente Lösungen zu erreichen.
Das obige ist der detaillierte Inhalt vonTechnologie der nächsten Generation: Edge Intelligence ermöglicht Echtzeit-Datenverarbeitung und intelligente Entscheidungsfindung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!