エッジ インテリジェンス: 定義、アプリケーション、コンポーネント、および利点

エッジ インテリジェンスは、エッジ コンピューティングをさらに発展させたものです。これにより、スマート センサー ノードはローカルで意思決定を行うことができ、オプションでデータをゲートウェイに送信してさらなるフィルタリングを行い、最終的にはクラウドまたは他のストレージ システムに送信することができます。エッジ インテリジェンスは人工知能とエッジ コンピューティングを組み合わせたもので、クラウドに依存せず、ローカルで情報を直接感知し、リアルタイムの意思決定アプリケーションを通じて環境の変化に迅速に対応します。このテクノロジーの出現により、さまざまな業界に、より効率的なデータ処理とより迅速な意思決定機能がもたらされます。

エッジ インテリジェンスに基づくアプリケーション

機械学習の側面

機械学習 (ML) はエッジ インテリジェンスの中心であり、データ ストリーム内のパターンと異常を検出して、適切な応答をトリガーします。 ML には、工場、スマート シティ、スマート グリッド、拡張現実および仮想現実、コネクテッド ビークル、ヘルスケア システムなど、幅広い用途があります。 ML モデルはクラウドでトレーニングされ、エッジ デバイスにインテリジェンスを提供するために使用されます。

機械学習は、機能的な AI を作成する効果的な方法です。 AI エンティティの分類と予測には、デシジョン ツリー、ベイジアン ネットワーク、K 平均法クラスタリングなどの ML 技術が使用されます。ディープラーニングは、人工ニューラル ネットワークを使用して、画像分類や顔認識などのタスクを実行します。

人工知能の側面

機械学習は製造業で非常に普及していますが、人工知能はソーシャル メディアやビジネスからコンテンツを抽出するためによく使用されています。情報学や、オンライン ショッピングの記録などで収集されるビッグ データ。分析のために IoT デバイスからクラウドに大量のデータを送信するには、費用がかかり、非効率的です。エッジ インテリジェンスは、クラウド サービスをネットワークのコアからネットワークのエッジにプッシュして処理します。エッジ ノード センサーにはスマートフォンやその他のモバイル デバイスを使用できます。

その中でも、リアルタイムビデオ分析は、エッジコンピューティングの非常に人気のあるアプリケーションになると予想されています。コンピュータ ビジョンに基づいて構築されたアプリケーションとして、リアルタイム ビデオ分析は監視カメラからキャプチャされた高解像度ビデオを継続的に収集します。これらのアプリケーションでは、ビデオを分析するために大量の計算、高帯域幅、低遅延が必要です。これは、クラウドの AI をエッジをカバーするゲートウェイに拡張することで実現できます。

エッジ インテリジェンスの利点

1. 低遅延インテリジェンス

クラウド コンピューティングまたは集中型システムには遅延の問題が発生しています。データを取得して中央の場所に送信し、処理して応答するには時間がかかり、リアルタイムの意思決定が容易になりません。

エッジ インテリジェンスの主な利点は、レイテンシーを削減し、それによって実用的なイベントをほぼリアルタイムで実行し、それによってシステム全体のパフォーマンスが向上することです。これにより、クラウド コンピューティングと集中システムは、生の無関係なデータを扱う必要がなくなり、代わりに、高度に構造化され、コンテキストが豊富で実用的なデータを処理できるようになります。このようにして、エッジだけでなくシステム全体の遅延も改善されます。

2. 低帯域幅のデータ ストレージ

どの IoT モデルにおいても、数千のエッジ デバイスによって収集されたすべてのデータの送信は大きな影響を与えます。帯域幅に関する要件は非常に高いです。これらのデバイスの数が増えると、指数関数的に増加します。リモート サイトの場所には、クラウド サーバーとの間でデータや分析を転送するための帯域幅さえない場合があります。エッジ インテリジェンスは、分析を実行し、必要なアクションを実行するのに役立ちます。後で収集できるデータ、メタデータ、運用レポートを保存できます。

3. 線形スケーラビリティ

エッジ インテリジェンス アーキテクチャは、IoT 導入の拡大に応じて線形に拡張できます。エッジ インテリジェンス アーキテクチャは、展開されたデバイスのコンピューティング能力を活用します。深層学習および機械学習モデルを実行するという重労働を引き受けることができます。これにより、エッジデバイスがインテリジェント機能の実行という主な負担を共有するため、集中型クラウドシステムへの負担が軽減されます。

4. 運用コストの削減

#エッジ インテリジェンスは時間に敏感なデータをローカルで操作するため、クラウド スペースを大幅に節約できます。中央システムに豊富なデータを提供するためです。これにより、運用コストも削減されます。エッジ インテリジェンスは、接続されているすべての IoT デバイスの運用をリアルタイムで推進するため、専門家はデバイスの導入と保守をより効率的に行うことができます。

エッジ インテリジェンス アーキテクチャ コンポーネント

エッジ インテリジェンス アーキテクチャの 4 つの主要コンポーネント: エッジ キャッシュ、エッジ トレーニング、エッジ推論、エッジ オフロード。

1. エッジ キャッシング

エッジ インテリジェンスの下で、エッジ キャッシングは主にエンド ユーザーとその周囲の環境からエッジ デバイスへのトラフィックを処理します。配布されたデータ。このデータに加えて、エッジ デバイス自体によって生成されたデータもエッジ キャッシュに属します。さらに、モバイル センサーは環境データを収集し、人工知能アルゴリズムがユーザーにサービスを提供するために使用できるように、環境データを処理して適切な場所に保存します。

このモジュールは、完全なエッジ データ ストレージ管理を担当します。

2. エッジトレーニング

これまで、インテリジェント エッジに展開された AI モデルのトレーニングはほとんど一元化されてきました。強力な GPU を備えた強力な中央サーバーでディープ ラーニング モデルをトレーニングし、互換性のあるエッジ SDK とランタイム環境を使用してエッジ デバイスに移植します。これは、クラウド接続または他の IO インターフェイスを使用して、モデルの再トレーニングとエッジ デバイスへのデプロイを制御するための最良の方法であり続けます。しかし、真のエッジ インテリジェンス アーキテクチャを実現するには、エッジ トレーニングを実装する必要があります。

エッジ トレーニングとは、データにデプロイされたモデルの重みとバイアスの最適値を学習したり、エッジでキャプチャされたトレーニング データの隠れたパターンを特定したりするプロセスを指します。

3. エッジ推論

エッジ推論は、エッジ上の出力を計算することにより、テスト データ セット上のトレーニング モデルまたはアルゴリズムを評価します。デバイスのパフォーマンスプロセス。

4. エッジ オフロード

エッジ オフロードは、エッジ デバイスがオフロード トレーニングなどの特定のタスクをオフロードできる、エッジ インテリジェンスのもう 1 つの重要な機能です。 、エッジ キャッシング、またはネットワーク内の他のエッジ デバイスへのエッジ推論。これは、エッジ デバイスがインテリジェントなエコシステムを構築する分散コンピューティング パラダイムに似ています。エッジ オフロードは、他の 3 つのコンポーネントの上にある抽象的なサービス層であるため、スタンドアロン エッジ デバイスの欠点を克服するためのフェールセーフ戦略も提供することが非常に重要です。構造化された効果的な実装により、エッジ インテリジェンスがエッジ環境で利用可能なリソースを最大限に活用できるようになります。

以上がエッジ インテリジェンス: 定義、アプリケーション、コンポーネント、および利点の詳細内容です。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。