エッジの AI: 導入前に考慮すべき 3 つのヒント

人工知能 (AI) が成熟するにつれて、導入は増え続けています。最近の調査によると、組織の 35% が人工知能を使用しており、42% がその可能性を模索しています。 AI はよく理解されており、クラウドに多数導入されていますが、エッジではまだ初期段階にあり、いくつかの特有の課題に直面しています。

多くの人は、車の操作から歩数の追跡、デジタル アシスタントとの会話まで、一日中人工知能を使用しています。ユーザーはモバイル デバイスでこれらのサービスに頻繁にアクセスしますが、計算結果は依然として AI のクラウド利用に存在します。より具体的には、人が情報を要求すると、そのリクエストはクラウド内の中央学習モデルによって処理され、結果がその人のローカル デバイスに返されます。

エッジ AI は、クラウド AI に比べて理解され、導入される頻度が低くなります。 AI アルゴリズムとイノベーションは当初から、すべてのデータを中央の場所に送信できるという基本的な前提に依存してきました。この中心的な場所で、アルゴリズムはデータに完全にアクセスできます。これにより、アルゴリズムは脳や中枢神経系のように知能を構築し、計算やデータに完全にアクセスできるようになります。

しかし、エッジの AI は異なります。それはすべての細胞と神経に知性を分配します。インテリジェンスをエッジにプッシュすることで、これらのエッジデバイスにエージェンシーを与えます。これは、医療や工業製造などの多くのアプリケーションや分野で重要です。

AI をエッジに導入する理由

AI をエッジに導入する主な理由は 3 つあります。

個人識別情報 (PII) の保護

まず、PII または機密 IP (知的財産) を扱う一部の組織は、データをそのソース (画像処理分野) に保持することを好みます。病院の機械や工場の製造機械など。これにより、データがネットワーク上で送信されるときに発生する可能性のある「ドリフト」または「漏洩」のリスクが軽減されます。

帯域幅の使用量を最小限に抑える

2 つ目は帯域幅の問題です。大量のデータをエッジからクラウドに送信すると、ネットワークが詰まり、場合によっては非現実的になります。医療環境の画像処理マシンが生成するファイルが大きすぎて、クラウドへの転送が不可能になったり、完了するまでに数日かかることは珍しくありません。

特に分析情報が独自のマシンの改善を目的としている場合、エッジでデータを単純に処理する方がより効果的です。以前は、コンピューティングの移動と保守ははるかに困難であったため、このデータをコンピューティングの場所に移動する必要がありました。現在、データの重要性が増し、管理が難しくなっているため、このパラダイムは疑問視されており、計算をデータの場所に移動することが正当化されるユースケースにつながっています。

レイテンシーの回避#​​

##AI をエッジに導入する 3 番目の理由は、レイテンシーです。インターネットは高速ですが、リアルタイムではありません。手術を支援するロボットアームや一刻を争う生産ラインなど、ミリ秒が重要な状況では、組織はエッジで AI を実行することを決定する可能性があります。

エッジにおける AI の課題とその解決方法

これらのメリットにもかかわらず、エッジでの AI の導入には依然として特有の課題がいくつかあります。これらの課題に対処するために考慮すべきヒントをいくつか紹介します。

モデル トレーニングの良い結果と悪い結果

ほとんどの AI テクノロジは、モデルをトレーニングするために大量のデータを使用します。ただし、エッジ産業のユースケースでは、ほとんどの製造製品に欠陥がなく、したがって良品としてラベルまたは注釈が付けられるため、これはより困難になることがよくあります。その結果、「良い結果」と「悪い結果」の間に不均衡が生じ、モデルが問題を特定する学習を行うことがより困難になります。

コンテキスト情報のないデータ分類に依存する純粋な AI ソリューションは、多くの場合、ラベル付きデータが不足していたり​​、まれなイベントが発生したりするため、作成と導入が容易ではありません。 AI にコンテキストを追加することは、データ中心のアプローチとしても知られており、多くの場合、最終ソリューションの精度と規模の点で利点をもたらします。実際のところ、AI は多くの場合、人間が手動で実行する日常的なタスクを置き換えることができますが、モデルを構築する際、特に扱うデータがそれほど多くない場合には、人間の洞察から大きな恩恵を受けます。

経験豊富な対象分野の専門家からの協力を得て、アルゴリズムを構築するデータ サイエンティストと緊密に連携して、AI 学習をすぐにスタートさせましょう。

AI はすべての問題を魔法のように解決したり、答えを提供したりできるわけではありません。

通常、出力には多くのステップが必要です。たとえば、工場のフロアには多数のワークステーションがあり、それらは相互に依存している可能性があります。あるプロセス中の工場内のあるエリアの湿度は、後の生産ラインの別のエリアでの別のプロセスの結果に影響を与える可能性があります。

人々はよく、人工知能がこれらすべての関係を魔法のようにつなぎ合わせてくれると考えています。多くの場合、これは可能ですが、収集に大量のデータと長時間を必要とする場合もあり、その結果、解釈と更新をサポートしない非常に複雑なアルゴリズムが作成されます。

人工知能は真空中では生きられません。これらの相互依存関係を把握することで、単純なソリューションから、時間の経過とともに、さまざまな展開にわたって拡張できるソリューションへと限界が押し上げられます。

関係者のサポートの欠如により AI の規模が制限される

組織内の一部の人々が AI の利点に懐疑的であれば、AI を組織全体に拡張することは困難です。幅広い支持を得る最善の (おそらく唯一の) 方法は、価値の高い困難な問題から始めて、AI を使用してそれを解決することです。

アウディでは、溶接ガンの電極の交換頻度の問題の解決を検討しています。しかし、電極のコストが低いからといって、人間が行っている日常的な作業がすべてなくなるわけではありません。代わりに、業界全体で困難な問題として広く認識されている溶接プロセスを選択し、人工知能によってプロセスの品質を大幅に向上させました。これは社内のエンジニアの想像力を刺激し、他のプロセスで AI を使用して効率と品質を向上させる方法を検討しました。

エッジ AI の利点と課題のバランスをとる

AI をエッジに導入すると、組織とそのチームに役立ちます。これには、施設をインテリジェント エッジに変換し、品質を向上させ、製造プロセスを最適化し、組織全体の開発者やエンジニアが AI を統合する方法や、予測分析、効率を改善するための推奨事項、異常を含む AI ユースケースを進化させる方法を模索するよう促す可能性があります。検出。しかし、それは新たな課題ももたらします。業界として、遅延を削減し、プライバシーを向上させ、IP を保護し、ネットワークのスムーズな稼働を維持しながら、これを導入できなければなりません。

以上がエッジの AI: 導入前に考慮すべき 3 つのヒントの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。