Edge Intelligence : définition, applications, composants et avantages

Edge Intelligence est un développement ultérieur de l'informatique de pointe. Il permet aux nœuds de capteurs intelligents de prendre des décisions localement, avec la possibilité d'envoyer des données à une passerelle pour un filtrage plus poussé et enfin vers le cloud ou un autre système de stockage. L'intelligence de pointe combine l'intelligence artificielle et l'informatique de pointe afin qu'elle ne repose plus sur le cloud, mais détecte directement les informations localement et réagisse rapidement aux changements de l'environnement grâce à des applications de prise de décision en temps réel. L’émergence de cette technologie apportera un traitement des données plus efficace et des capacités de prise de décision plus rapides à diverses industries.

Applications basées sur l'intelligence de pointe

Aspects de l'apprentissage automatique

L'apprentissage automatique (ML) est au cœur de l'intelligence de pointe en détectant des modèles et des anomalies dans les flux de données pour déclencher des réponses appropriées. Le ML a un large éventail d'applications, notamment les usines, les villes intelligentes, les réseaux intelligents, la réalité augmentée et virtuelle, les véhicules connectés et les systèmes de santé. Les modèles ML sont formés dans le cloud, puis utilisés pour doter les appareils de périphérie d'intelligence.

L'apprentissage automatique est un moyen efficace de créer une IA fonctionnelle. Les techniques de ML telles que les arbres de décision, les réseaux bayésiens et le clustering K-means sont utilisées pour la classification et la prédiction des entités d'IA. L'apprentissage profond utilise des réseaux de neurones artificiels pour effectuer des tâches telles que la classification d'images et la reconnaissance faciale.

Aspects de l'intelligence artificielle

L'apprentissage automatique est devenu très populaire dans le secteur manufacturier, tandis que l'intelligence artificielle est davantage appliquée aux mégadonnées collectées à partir d'éléments tels que le contenu des médias sociaux, l'informatique d'entreprise et les enregistrements d'achats en ligne. La transmission de grandes quantités de données depuis des appareils IoT vers le cloud à des fins d'analyse est coûteuse et inefficace. L'intelligence de périphérie pousse les services cloud du cœur du réseau vers la périphérie du réseau pour le traitement. Le capteur de nœud périphérique peut être un smartphone ou un autre appareil mobile.

Parmi eux, l'analyse vidéo en temps réel devrait devenir une application très populaire pour l'informatique de pointe. En tant qu'application basée sur la vision par ordinateur, l'analyse vidéo en temps réel collectera en permanence les vidéos haute définition capturées par les caméras de surveillance. Ces applications nécessitent des calculs élevés, une bande passante élevée et une faible latence pour analyser la vidéo. Cela peut être réalisé en étendant l’IA du cloud aux passerelles couvrant la périphérie.

Avantages de l'intelligence de pointe

1. L'intelligence à faible latence

Le cloud computing ou les systèmes centralisés ont toujours eu des problèmes de latence. Capturer des données et les envoyer à un emplacement central, les traiter et y répondre prend du temps et ne facilite pas la prise de décision en temps réel.

Le principal avantage de l'intelligence de pointe est de réduire la latence, exécutant ainsi des événements exploitables en temps quasi réel, améliorant ainsi les performances globales du système. Cela libère également le cloud computing et les systèmes centralisés du traitement de données brutes et non pertinentes ; ils peuvent à la place traiter des données hautement structurées, riches en contexte et exploitables. De cette manière, la latence est améliorée non seulement en périphérie, mais également dans l’ensemble du système.

2. Stockage de données à faible bande passante

Dans tout modèle IoT, les besoins en bande passante pour transmettre toutes les données collectées par des milliers d'appareils de périphérie sont très élevés. À mesure que le nombre de ces appareils augmente, il va croître de façon exponentielle. L'emplacement du site distant peut même ne pas disposer de la bande passante nécessaire pour transférer des données et des analyses depuis le serveur cloud. L'intelligence Edge permet d'effectuer des analyses et de prendre les actions requises. Il peut stocker des données, des métadonnées et des rapports opérationnels qui peuvent être collectés ultérieurement.

3. Évolutivité linéaire

L'architecture d'intelligence de pointe peut évoluer de manière linéaire à mesure que les déploiements IoT se développent. L’architecture Edge Intelligence exploite la puissance de calcul des appareils déployés. Il peut assumer la lourde tâche d’exécuter des modèles d’apprentissage profond et d’apprentissage automatique. Cela soulage la pression sur les systèmes cloud centralisés, car les appareils de périphérie partagent la principale charge de l'exécution des fonctions intelligentes.

4. Réduire les coûts opérationnels

Étant donné que l'intelligence de pointe fonctionne localement sur des données sensibles au temps, elle peut économiser beaucoup d'espace cloud car elle fournit des données riches en contenu aux systèmes centraux. Cela réduit également les coûts d’exploitation. L'intelligence Edge pilote les opérations en temps réel pour tous les appareils IoT connectés, ce qui permet aux professionnels de déployer et de maintenir les appareils plus efficacement.

Composants de l'architecture Edge Intelligence

Les 4 composants principaux de l'architecture Edge Intelligence : mise en cache des bords, formation des bords, inférence des bords et déchargement des bords.

1. Edge Caching

Dans le cadre de l'intelligence de pointe, la mise en cache de périphérie gère principalement les données distribuées entrantes des utilisateurs finaux et de leur environnement vers les appareils de périphérie. En plus de ces données, les données générées par le périphérique Edge lui-même appartiennent également au cache Edge. De plus, les capteurs mobiles collectent des données environnementales, les traitent et les stockent dans des endroits raisonnables pour être utilisées par des algorithmes d'intelligence artificielle afin de fournir des services aux utilisateurs.

Ce module est responsable de la gestion complète du stockage des données Edge.

2. Entraînement Edge

À ce jour, la formation des modèles d'IA déployés sur la périphérie intelligente a été en grande partie centralisée. Nous formons des modèles d'apprentissage en profondeur sur de puissants serveurs centraux équipés de GPU puissants et les portons sur des appareils Edge à l'aide de leurs SDK Edge et environnements d'exécution compatibles. Cela reste le meilleur moyen de contrôler le recyclage et le déploiement de modèles sur des appareils de périphérie utilisant la connectivité cloud ou d'autres interfaces IO. Mais pour une véritable architecture Edge Intelligence, nous devons mettre en œuvre une formation Edge.

L'entraînement Edge fait référence au processus d'apprentissage des valeurs optimales de poids et de biais pour un modèle déployé sur des données ou d'identification de modèles cachés sur les données d'entraînement capturées en périphérie.

3. Edge Inférence

L'inférence Edge est le processus d'évaluation des performances d'un modèle ou d'un algorithme entraîné sur un ensemble de données de test en calculant la sortie sur un appareil Edge.

4. Déchargement Edge

Le déchargement Edge est une autre fonctionnalité importante de l'intelligence Edge, où les appareils Edge peuvent décharger certaines tâches telles que la formation Edge, la mise en cache Edge ou l'inférence Edge vers d'autres appareils Edge du réseau. Cela ressemble au paradigme de l’informatique distribuée dans lequel les appareils de pointe créent des écosystèmes intelligents. Le déchargement Edge est une couche de service abstraite au-dessus des trois autres composants. Il est donc très important qu'elle fournisse également une stratégie de sécurité pour surmonter les lacunes des périphériques Edge autonomes. Une mise en œuvre structurée et efficace permettra à l’intelligence de pointe de tirer le meilleur parti des ressources disponibles dans l’environnement 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!