Comment utiliser l’IA de pointe pour découvrir de nouvelles opportunités ?

Pour les start-ups comme pour les grandes entreprises, s’engager dans des technologies nouvelles et transformatrices est essentiel pour garantir la compétitivité actuelle et future. L’intelligence artificielle (IA) offre des solutions multiformes à un éventail de plus en plus large d’industries.

Dans le climat économique actuel, la R&D doit être plus que jamais entièrement financée. Les entreprises ne sont souvent pas convaincues d’investir dans les technologies et infrastructures futures, et le risque d’échec exerce une pression énorme sur les parties prenantes du projet.

Cependant, cela ne signifie pas que l’innovation doit s’arrêter ou même ralentir. Pour les start-ups comme pour les grandes entreprises, s’engager dans des technologies nouvelles et transformatrices est essentiel pour garantir la compétitivité actuelle et future. L’intelligence artificielle (IA) offre des solutions multiformes à un éventail de plus en plus large d’industries.

Au cours de la dernière décennie, l’intelligence artificielle a joué un rôle important en ouvrant de toutes nouvelles opportunités de revenus. De la compréhension et de la prévision du comportement des utilisateurs à l'aide à la génération de code et de contenu, la révolution de l'intelligence artificielle et de l'apprentissage automatique (ML) a augmenté de façon exponentielle la valeur que les consommateurs tirent de leurs applications, sites Web et services en ligne.

Cependant, cette révolution a été largement limitée au cloud, où le stockage et le calcul pratiquement illimités, ainsi que le matériel virtuel pratique des principaux fournisseurs de services de cloud public, permettent d'établir les meilleures pratiques pour chaque application IA/ML. Les modèles deviennent relativement simples. imaginer.

IA : passer à la périphérie

Étant donné que le traitement de l'IA s'effectue principalement dans le cloud, la révolution IA/ML reste hors de portée pour les appareils de périphérie. Il s'agit des processeurs plus petits et de moindre consommation que l'on trouve dans les usines, les chantiers de construction, les laboratoires de recherche, les réserves naturelles, sur les accessoires et les vêtements que nous portons, à l'intérieur des colis que nous expédions et dans tout autre environnement où la connectivité est nécessaire. Stockage, informatique , et l'énergie sont limitées ou ne peuvent pas être considérées comme acquises. Dans leur environnement, les cycles de calcul et l'architecture matérielle sont importants, et les budgets ne se mesurent pas en nombre de points de terminaison ou de connexions socket, mais en watts et en nanosecondes.

Les CTO, les responsables de l'ingénierie, des données et de l'apprentissage automatique, ainsi que les équipes de produits qui cherchent à briser la prochaine barrière technologique en matière d'IA/ML doivent se tourner vers la périphérie. Edge AI et Edge ML présentent des défis uniques et complexes qui nécessitent une coordination et un engagement minutieux de nombreuses parties prenantes possédant une vaste expertise allant de l'intégration de systèmes, de la conception, des opérations et de la logistique à l'expertise en matière d'ingénierie embarquée, de données, d'informatique et de ML.

Edge AI signifie que l'algorithme doit fonctionner sur une sorte de matériel spécifique, des passerelles haut de gamme ou des serveurs locaux aux capteurs de récupération d'énergie et MCU bas de gamme. Garantir le succès de ces produits et applications nécessite que les équipes de données et de ML travaillent en étroite collaboration avec les équipes de produits et de matériel pour comprendre et prendre en compte les besoins, les contraintes et les exigences de chacun.

Bien que les défis liés à la création de solutions d'IA de pointe personnalisées ne soient pas insurmontables, des plates-formes existent pour le développement d'algorithmes d'IA de pointe qui peuvent aider à combler le fossé entre les équipes nécessaires, à garantir des niveaux de réussite plus élevés en moins de temps et à vérifier l'orientation des investissements supplémentaires. être fait. Voici d’autres choses à noter.

Tester le matériel tout en développant des algorithmes

Devoir des équipes de science des données et de ML développer des algorithmes puis les transmettre aux ingénieurs du firmware pour les installer sur l'appareil n'est ni efficace ni toujours possible. Les tests et le déploiement du matériel dans la boucle devraient constituer un élément fondamental de tout pipeline de développement d’IA de pointe. Sans un moyen d'exécuter et de tester simultanément des algorithmes sur le matériel, il est difficile de prévoir les limitations de mémoire, de performances et de latence qui peuvent survenir lors du développement d'algorithmes d'IA de pointe.

Certaines architectures de modèles basées sur le cloud ne sont pas non plus destinées à fonctionner sur tout type d'appareils contraints ou de pointe, une prévision à l'avance peut éviter aux équipes de firmware et de ML des mois de douleur.

Les données IoT n'équivalent pas au Big Data

Le Big Data fait référence à de grands ensembles de données qui peuvent être analysés pour révéler des modèles ou des tendances. Cependant, les données de l’Internet des objets (IoT) ne sont pas nécessairement une question de quantité, mais plutôt de qualité des données. De plus, ces données peuvent être des données de capteur de séries chronologiques ou des données audio, ou des images, et peuvent nécessiter un prétraitement.

La combinaison des technologies traditionnelles de traitement des données de capteurs telles que le traitement du signal numérique (DSP) avec l'IA/ML peut produire de nouveaux algorithmes d'IA de pointe qui fournissent des informations précises impossibles avec les technologies précédentes. Mais les données IoT ne sont pas du Big Data, donc le volume et l’analyse de ces ensembles de données utilisés pour le développement de l’IA de pointe varient. Expérimenter rapidement la taille et la qualité des ensembles de données en fonction de la précision et des performances du modèle obtenu est une étape importante sur la voie des algorithmes déployables en production.

Développer du matériel est déjà assez difficile

Construire du matériel est difficile sans savoir si le matériel choisi peut exécuter des charges de travail logicielles d'IA de pointe. Il est essentiel de commencer à évaluer votre matériel avant de choisir une nomenclature. Avec le matériel existant, les limitations de la mémoire disponible sur l'appareil peuvent être plus critiques.

Même avec des ensembles de données précoces et réduits, les plates-formes de développement d'IA de pointe peuvent commencer à fournir des estimations de performances et de mémoire pour les types de matériel nécessaires à l'exécution des charges de travail d'IA.

Le fait d'avoir un processus de sélection des appareils de pesée et d'analyse comparative par rapport aux premières versions des modèles d'IA de pointe garantit que la prise en charge matérielle est en place pour prendre en charge le micrologiciel et les modèles d'IA requis qui s'exécuteront sur l'appareil.

Créez, validez et mettez en production de nouveaux logiciels d'IA de pointe

Lors du choix d'une plate-forme de développement, il convient également de prendre en compte le support technique proposé par les différents fournisseurs. Edge AI englobe la science des données, le ML, les micrologiciels et le matériel, et il est important que les fournisseurs fournissent des conseils dans les domaines où les équipes de développement internes peuvent avoir besoin d'une assistance supplémentaire.

Dans certains cas, il s'agit moins du modèle réel qui sera développé que de la planification du processus de conception au niveau du système, y compris l'infrastructure de données, les outils de développement ML, les tests, les environnements de déploiement et l'intégration continue, le déploiement continu (CI) /CD) tuyau.

Enfin, il est important que les outils de développement d’IA de pointe s’adaptent aux différents utilisateurs de votre équipe – des ingénieurs ML aux développeurs de micrologiciels. L'interface utilisateur low-code/no-code est un excellent moyen de prototyper et de créer rapidement de nouvelles applications, tandis que l'API et le SDK sont utiles pour les développeurs ML plus expérimentés qui peuvent travailler mieux et plus rapidement en utilisant Python à partir des notebooks Jupyter.

La plateforme offre l'avantage d'une flexibilité d'accès, répondant aux besoins des multiples parties prenantes ou développeurs qui peuvent exister dans des équipes interfonctionnelles créant des applications d'IA de pointe.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!