Pourquoi l'IA est toujours confrontée à des défis et à des limites

L'intellect se développe et aujourd'hui, nous aurions du mal à trouver un fournisseur de technologies d'entreprise qui n'utilise pas la nouvelle intelligence artificielle générative (gen-AI) et l'apprentissage automatique (ML) pour étendre sa plate-forme principale. L'IA générative et son utilisation de grands modèles de langage (LLM), la création de bases de données vectorielles et d'autres nouvelles tendances technologiques solides affectent discrètement la façon dont l'IA sera construite au cours de la prochaine décennie

Edge équivaut à l'Internet des objets

Quand nous parlons l'informatique de pointe, nous faisons généralement référence aux appareils informatiques qui existent dans l'espace de l'Internet des objets (IoT). Des capteurs, caméras, accéléromètres et appareils de mesure de gyroscopes à distance pour les villes intelligentes et les équipements industriels, aux ordinateurs d'enregistrement dans les kiosques d'aéroport, aux équipements de point de vente et à tout ce qui dispose d'une connectivité réseau et de bases de données ou de capacités de stockage. et traiter les informations pour une récupération et une analyse ultérieures, ou les deux.

Pour ceux qui insistent sur le purisme du langage et de la technologie, l'edge computing est un phénomène qui se produit sur les appareils IoT, donc les deux termes ne sont pas exactement les mêmes. Bien qu'un contexte spécifique et les explications nécessaires doivent être fournis, nous pouvons désormais appliquer l'intelligence artificielle aux appareils de pointe, c'est-à-dire que les appareils intelligents de nos villes intelligentes deviennent réellement plus intelligents

Conversation autour de l'intelligence artificielle On parle de plus en plus de bord artificiel intelligence. Tout ce qui peut être connecté sera généré en périphérie, et de nombreuses données sont déjà générées. L'ampleur de cette situation dépasse rapidement la bande passante disponible du réseau pour télécharger toutes ces données vers le cloud, et est exacerbée par le fait que les réseaux actuels ne sont pas optimisés pour les téléchargements mais pour les téléchargements. Ceci, associé à d'autres défis tels que le coût, la latence, la sécurité et la confidentialité, nécessitera que les ressources de l'IA soient déplacées vers les données, et non l'inverse.

Nous pouvons déployer l'IA à la périphérie de différentes manières. Dans certains cas, les entreprises déploient des capteurs intelligents qui intègrent des ressources informatiques, y compris des technologies telles que les processeurs de mouvement numériques (DMP), qui peuvent automatiser différents degrés d'analyse.

Vous pouvez choisir de déployer sans DMP (plateforme de gestion de données) des capteurs de base, qui collectent simplement des données et les génèrent dans un format brut, doivent ensuite être analysées par des outils externes. Bien que les capteurs de base nécessitent plus de travail de la part des développeurs pour obtenir le résultat souhaité, ils proposent un modèle « à faire soi-même » plutôt que de s'appuyer sur les limites de l'IA intégrée sur les appareils intelligents.

Méthodes d'analyse sur et hors appareil

Aujourd'hui, nous avons vu deux approches. Quel que soit le type de capteur, des logiciels avancés d’analyse de données et d’intelligence artificielle devront fonctionner à proximité ou à l’intérieur du capteur. Les deux approches de capteurs présentent des avantages et des inconvénients en termes de coût, d’efficacité, d’évolutivité et de flexibilité. Cependant, dans les environnements de pointe, une infrastructure informatique de pointe est nécessaire pour relever les défis de ces emplacements.

Les exigences relatives aux capteurs intelligents incluent la gestion de grandes quantités de données générées, une connectivité Internet constante ou quasi constante et des besoins en énergie potentiellement énormes. Pour les capteurs de base capables de générer des données en temps réel, il est également nécessaire d'envoyer les données générées entièrement vers un emplacement secondaire pour traitement.

Lors de la mise en œuvre de l'IA de pointe, certains défis doivent être relevés au-delà des capteurs eux-mêmes. Il s’agit notamment de la déconnexion entre les compétences en technologies de l’information (TI) et en technologies opérationnelles (OT). Les personnes qui opèrent réellement sur le terrain sont différentes de celles qui développent les modèles d’IA, et chaque rôle a des priorités et une expertise différentes. Les deux équipes doivent travailler ensemble pour réussir la mise en œuvre de l'IA à la périphérie

Tout en faisant face aux défis techniques liés à la gestion des complexités liées au déploiement de l'IA/ML dans le monde réel dans des environnements hétérogènes et des conditions de changement à grande échelle, il est important de Il est nécessaire de fournir un mécanisme de livraison cohérent pour les outils d'IA, ce qui nécessite des modèles de mise en œuvre et une infrastructure informatique de pointe

Actuellement, de nombreux projets d'IA de pointe sont encore en laboratoire ou au stade limité d'essais sur le terrain. Alors que les entreprises commencent à envisager des déploiements de production à grande échelle sur des centaines de milliers de sites, elles doivent s'appuyer sur une base d'orchestration capable de gérer une variété de défis de pointe tels que la diversité, la sécurité et les contraintes de ressources et comprendre parfaitement les performances sur le terrain pour se préparer. pour une analyse inexacte ou d'autres problèmes qui peuvent survenir

Résumé

Aujourd'hui, nous pouvons voir de nombreuses industries déployer avec succès des projets dans des environnements distribués, tels que divers magasins de détail, parcs solaires et installations de fabrication, certaines entreprises utilisent des capteurs de base pour envoyer des données aux nœuds périphériques. ou même intégrer un logiciel dans les capteurs.

Une fois l'automatisation réalisée, les données de l'exemple seront traitées par le modèle d'intelligence artificielle et fournies aux analystes du monde entier en temps réel. Ils peuvent analyser et rédiger un rapport complet en une heure. Les techniciens n'ont plus besoin de se déplacer physiquement sur le site pour effectuer des analyses, ce qui réduit les risques pour la sécurité physique

Alors que nous travaillons à connecter davantage d'IA à la pointe de l'IoT aux réseaux d'entreprise pour les applications qui ont un impact sur la vie professionnelle et personnelle, nous prenons en compte des facteurs tels que l'évolutivité, la sécurité. , l'identité, etc. doivent être pris en compte, ainsi que la stabilité

Dans certains cas, nous pouvons compter sur l'appareil lui-même pour prendre des décisions importantes, mais nous avons toujours besoin de l'intelligence artificielle pour l'automatisation, l'intégration et la coordination

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!