ホームページ > 記事 > テクノロジー周辺機器 > 次世代テクノロジー: エッジ インテリジェンスにより、リアルタイムのデータ処理とインテリジェントな意思決定が可能になります。
エッジ インテリジェンスは、人工知能 (AI) とエッジ コンピューティングを組み合わせたシステムです。従来の人工知能アプリケーションは通常、データ処理と意思決定をクラウド コンピューティング センターに依存していますが、このアプローチには遅延とネットワーク帯域幅の問題があります。
エッジ インテリジェンスは、リアルタイムのデータ処理および分析機能を実現するために、データ ソースおよび近くのネットワーク ノードに近い IoT デバイス上に人工知能 (AI) アルゴリズムとモデルを展開することを指す新興テクノロジーの概念です。過去数年間にわたる AI の急速な発展により、多くの革新的なアプリケーションやソリューションが誕生しました。しかし、AI モデルの規模と複雑さが増大し続けるにつれて、従来のクラウド コンピューティング アーキテクチャは、高遅延、ネットワークの混雑、データ プライバシーの問題などの一連の課題に直面しています。これらの課題を克服するために、エッジ コンピューティングと人工知能の組み合わせが登場し、エッジ インテリジェンスの概念が形成されました。エッジ インテリジェンスは、AI モデルのトレーニングと推論を、スマートフォン、センサー、ルーター、監視カメラなど、ユーザーに近いエッジ デバイスに移すだけではありません。これらのエッジ デバイスでリアルタイム データ処理を実行し、データに迅速に応答して分析し、ローカルで意思決定を行うことで、すべてのデータを処理のためにクラウドに送信することによる遅延とセキュリティ リスクを回避し、AI アプリケーションに多くの新機能をもたらします。 。
エッジ インテリジェンスの範囲と評価に関して、既存の研究では、エッジ インテリジェンスとは、エンド デバイス、エッジ ノード、クラウド データ センター階層で利用可能なデータとリソースを使用して、深い階層を最適化することであると考えられています。ニューラル ネットワーク モデルの全体的なトレーニングと推論のパフォーマンス (DNN)。これは、エッジ インテリジェンスは必ずしもエッジでトレーニングまたは推論する必要はなく、データ オフロードを通じてクラウド、エッジ、端末の共同作業を実現できることを意味します。エッジ インテリジェンスは、データ オフロードの量とパスの長さに基づいて 6 つのレベルに分類されます
コンピューティングのレイテンシとエネルギー消費においてエッジ インテリジェンス レベルが向上すると、コストが増加しますが、データ オフロードの数とパス長が減少するため、データ オフロードの送信遅延が減少し、データ プライバシーが向上し、ネットワーク帯域幅のコストが削減されます。
エッジ分散ディープ ニューラル ネットワーク トレーニング アーキテクチャは、集中型と分散型の 3 つのモードに分けることができます。 、ハイブリッド (クラウド エッジ デバイスのコラボレーション)
##➪ 集中型: DNN モデルはクラウド データ センターでトレーニングされます。トレーニングに使用されるデータは、分散した端末デバイス (携帯電話、自動車、監視カメラなど) から生成および収集されます。データが到着すると、クラウド データ センターはこれらを使用します。 DNN トレインのデータ。集中型アーキテクチャに基づくシステムは、システムが採用する特定の推論方法に応じて、エッジ インテリジェンスのレベル 1、レベル 2、またはレベル 3 として識別できます。
➪ 分散型: 各コンピューティング ノードはローカル データを使用してそれぞれをトレーニングしますDNN はローカルでモデルを作成し、個人情報をローカルに保存します。ローカル トレーニングの更新を共有することで、グローバル DNN モデルを取得します。このモードでは、クラウド データ センターの介入なしでグローバル DNN モデルをトレーニングでき、エッジ インテリジェンスの 5 番目のレベルに相当します。
➪ ハイブリッド (クラウドエッジデバイスのコラボレーション): 組み合わせ集中型および分散型のエッジ サーバーは、分散アップデートを通じて DNN モデルをトレーニングしたり、集中トレーニングにクラウド データ センターを使用したりできます。エッジインテリジェンスのレベル4およびレベル5に相当します。
現在、エッジ インテリジェンス モデルのトレーニング方法は主にトレーニングロス、コンバージェンス、プライバシー、通信コスト、遅延を使用しますおよび エネルギー効率 は、これら 6 つの主要業績評価指標に基づいて評価されます。 エッジ インテリジェンス モデルのトレーニングでサポートされているテクノロジーは次のとおりです: 高品質のエッジ インテリジェンス サービスの展開には、深層学習モデルの分散トレーニングの実現に加えて、エッジでのモデル推論の効率的な実装も必要です。 エッジ インテリジェンスの推論モデルは、エッジベース、デバイスベース、エッジデバイス、エッジクラウドの 4 つのモードに分かれています。
##➪ エッジベースの推論モデル: デバイスインエッジ モードでは、入力データを受信してエッジ サーバーに送信します。エッジ サーバーは DNN モデルの推論を完了し、予測結果をデバイスに返します。推論のパフォーマンスは、デバイスとエッジ サーバー間のネットワーク帯域幅に依存します。 ➪ デバイスベースの推論モデル: デバイスはデバイス モードであり、モバイル デバイスはエッジ サーバーから DNN モデルを取得します。推論プロセス中、モバイル デバイスはエッジ サーバーと継続的に通信するため、モバイル デバイスには CPU、GPU、RAM などのリソースが必要です。
➪ エッジデバイスベースの推論モデル: デバイスエッジデバイス モードでは、デバイスはまずネットワーク帯域幅、デバイス リソース、エッジ サーバーの負荷などの要素に基づいて DNN モデルを複数の部分に分割し、次に DNN モデルを特定のレイヤーに実行し、中間データをエッジサーバー。エッジ サーバーは残りのレイヤーを実行し、予測結果をデバイスに送信します。 ➪ エッジクラウド ベースの推論モデル: デバイスはエッジクラウド モードであり、デバイスは入力データの収集を担当します。 DNN モデルを共同で実行します。 #エッジ インテリジェンス モデル推論のパフォーマンスは、主に #遅延、精度、エネルギー効率、プライバシー、通信コストによって決まります および メモリ使用量これら 6 つの指標は評価に使用されます。 #エッジ インテリジェンス モデル トレーニングでサポートされるテクノロジーは次のとおりです。
Part 04. エッジインテリジェンスの研究方向 ##パート 03、 エッジ インテリジェンス モデル推論
新興技術分野として、エッジインテリジェンスは幅広い研究方向性と開発の可能性を持っています。エッジインテリジェンスの技術的特徴と応用シナリオによると、将来的には、次のような側面から研究を行うことができます:
以上が次世代テクノロジー: エッジ インテリジェンスにより、リアルタイムのデータ処理とインテリジェントな意思決定が可能になります。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。