사물 인터넷(IoT) 장치와 엣지 컴퓨팅 기능을 결합하는 기업이 늘어나면서 사람들은 인공 지능(AI)을 사용하여 이러한 애플리케이션을 최적화하는 방법에 대해 점점 더 궁금해하고 있습니다. 다음은 생각을 자극하는 몇 가지 가능성입니다.
기술 연구자들은 기계 학습을 통해 에지에 배포된 IoT 센서의 성능을 향상시키는 방법을 조사하는 초기 단계에 있습니다. 초기 응용 분야에는 이미지 분류 또는 자연어 처리와 관련된 작업에 센서를 사용하는 것이 포함됩니다. 하지만 사람들이 어떻게 발전할 수 있는지 보여주는 예가 있습니다.
IMDEA 네트워크의 연구원들은 IoT 센서가 특정 딥 러닝 작업에 사용될 경우 센서가 지연을 경험하고 추론 정확도가 감소하는 등 특정 서비스 품질을 보장하지 못할 수 있다는 것을 알고 있습니다. 그러나 프로젝트에 참여한 연구원들은 이 문제를 해결하기 위해 AMR2라는 기계 학습 알고리즘을 개발했습니다.
AMR2는 엣지 컴퓨팅 인프라를 활용하여 IoT 센서 추론을 더욱 정확하게 만드는 동시에 신속한 응답과 실시간 분석을 지원합니다. 실험 결과, 알고리즘을 사용하지 않은 기본 스케줄링 작업의 결과와 비교하여 알고리즘을 사용한 후 추론 정확도가 40% 향상되는 것으로 나타났습니다.
그들은 IoT 센서가 엣지에 배포될 때 제대로 작동하는 데 이와 같은 효율적인 스케줄링 알고리즘이 중요하다는 사실을 발견했습니다. 한 프로젝트 연구원은 개발자가 Google 이미지(포함된 요소에 따라 이미지를 분류하는)와 유사한 서비스에 AMR2 알고리즘을 사용하는 경우 실행 대기 시간에 영향을 미칠 수 있다고 지적했습니다. 개발자는 이 알고리즘을 배포하여 사용자가 애플리케이션을 사용할 때 이러한 지연을 인지하지 못하도록 할 수 있습니다.
2023년 기술 회사 CFO를 대상으로 한 연구에 따르면 80%의 회사가 내년에 수익을 늘릴 것으로 예상했습니다. 그러나 수익을 늘리려면 직원들이 고객의 요구 사항을 이해하고 그에 따라 제품이나 서비스를 제공해야 합니다.
많은 IoT 장치 제조업체는 사람들이 정기적으로 제품을 착용하기를 원합니다. 일부 웨어러블 장치는 혼자 일하는 직원이 넘어지거나 통증을 느끼는 시기를 감지할 수 있습니다. 또한 육체적으로 힘든 역할이 지쳐서 휴식이 필요한 시기도 감지할 수 있습니다. 이 경우 사용자는 IoT 장치가 직장과 그 외 장소에서 안정적으로 작동할 것이라는 확신을 가져야 합니다.
이것이 바로 연구자들이 엣지 AI가 IoT 장치의 에너지 효율성을 향상시킬 수 있는 방법을 탐구하는 이유 중 하나입니다. IoT 장치는 장시간 앉아 있는 것이 건강에 미치는 영향과 올바른 자세가 어떻게 결과를 향상시킬 수 있는지 연구하는 데 사용됩니다. 라이프스타일 데이터를 수집하는 모든 IoT 장치는 지속적으로 데이터를 수집해야 하므로 장치의 배터리가 부족하여 정보 수집이 중단될 가능성이 거의 또는 전혀 없습니다.
위 상황을 피하기 위해 피험자가 착용하는 무선 장치는 일반적으로 버튼 배터리로 전원을 공급받습니다. 일반적으로 모든 장치에는 하루 동안 사람들이 얼마나 움직이는지에 대한 정확한 데이터를 수집하는 관성 센서가 있습니다. 그러나 가장 큰 문제는 전송되는 데이터의 양이 많기 때문에 배터리 전원이 몇 시간만 지속된다는 것입니다. 예를 들어, 연구에 따르면 초당 50개의 샘플을 읽는 9채널 모션 센서는 하루에 100MB 이상의 데이터를 생성합니다.
그러나 연구자들은 기계 학습을 통해 알고리즘이 엣지에 배포된 IoT 장치의 중요한 데이터만 스마트폰이나 정보 분석에 도움이 되는 기타 장치로 전송할 수 있다는 사실을 깨닫고 있습니다. 그들은 사전 훈련된 순환 신경망을 계속 사용하여 알고리즘이 실시간 성능을 달성하고 IoT 장치의 기능을 향상시킬 수 있음을 발견했습니다.
에지 컴퓨팅의 발전은 더 많은 곳에서 스마트 기기를 사용할 수 있는 기회를 제공합니다. 예를 들어, 실시간 교통 상황에 따라 켜고 끌 수 있는 스마트 가로등을 배치하는 것이 제안되었습니다. 기술 연구원과 열광적인 사람들은 엣지의 IoT 장치에 직접 배포되는 인공 지능에 대한 교육 기회가 늘어나는 데에도 관심이 있습니다. 이러한 접근 방식은 제품 기능을 향상시키는 동시에 에너지 소비를 줄이고 개인 정보 보호를 향상시킬 수 있습니다.
MIT의 한 팀은 스마트 에지 장치에서 인공 지능 알고리즘을 훈련시키는 타당성을 조사했습니다. 그들은 여러 기술을 최적화하려고 시도했는데, 그 중 하나는 마이크로 컨트롤러에서 기계 학습 알고리즘을 훈련하는 데 157K의 메모리만 필요한 반면, 다른 경량 훈련 방법에는 일반적으로 300-600MB의 메모리가 필요합니다. 이러한 혁신으로 인해 상당한 개선이 이루어졌습니다.
훈련 중에 생성된 모든 데이터는 기기에 남아 있어 개인 정보 침해 위험을 줄일 수 있다고 연구진은 설명했습니다. 또한 알고리즘이 스마트 키보드의 입력을 통해 학습할 수 있는지 여부와 같이 일반적인 사용 중 훈련을 위한 사용 사례도 제시합니다.
이 접근 방식은 확실히 인상적인 결과를 낳습니다. 한 경우에는 팀이 이미지에서 사람을 감지할 수 있기 전에 단 10분 동안 알고리즘을 훈련했습니다. 이 예는 최적화가 양방향으로 진행될 수 있음을 보여줍니다.
처음 두 가지 예는 IoT 장치의 작동 방식을 개선하는 데 중점을 두었지만 이 접근 방식은 AI 훈련 프로세스도 향상시킵니다. 그러나 개발자가 IoT 장치에서 알고리즘을 훈련하고 더 나은 성능을 달성할 수 있다면 AI 알고리즘과 IoT 에지 장치 모두에 도움이 될 것입니다.
이 예는 인공 지능이 에지에 배포된 IoT 장치의 기능을 어떻게 향상시킬 수 있는지 탐구하는 연구자들의 초점을 보여줍니다. 이것이 여러분에게 귀중한 통찰력과 영감을 제공하기를 바랍니다. 잘 정의된 문제부터 시작한 다음 목표 달성에 도움이 될 수 있는 기술과 혁신적인 접근 방식을 찾는 것이 항상 가장 좋습니다.
위 내용은 인공 지능을 사용하여 엣지 IoT를 최적화하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!