Kepintaran Tepi: Definisi, Aplikasi, Komponen dan Faedah

Kepintaran tepi ialah pembangunan lanjut pengkomputeran tepi. Ia membolehkan nod sensor pintar membuat keputusan secara tempatan, dengan pilihan untuk menghantar data ke pintu masuk untuk penapisan selanjutnya dan akhirnya ke awan atau sistem storan lain. Kepintaran tepi menggabungkan kecerdasan buatan dan pengkomputeran tepi supaya ia tidak lagi bergantung pada awan, tetapi secara langsung mengesan maklumat secara setempat dan bertindak balas dengan cepat kepada perubahan dalam persekitaran melalui aplikasi membuat keputusan masa nyata. Kemunculan teknologi ini akan membawa pemprosesan data yang lebih cekap dan keupayaan membuat keputusan yang lebih pantas kepada pelbagai industri.

Aplikasi Berasaskan Kepintaran Tepi

Aspek Pembelajaran Mesin

Pembelajaran mesin (ML) ialah teras kecerdasan tepi dengan mengesan corak dan anomali dalam aliran data untuk mencetuskan tindak balas yang sesuai. ML mempunyai pelbagai aplikasi, termasuk kilang, bandar pintar, grid pintar, realiti tambahan dan maya, kenderaan bersambung dan sistem penjagaan kesihatan. Model ML dilatih dalam awan dan kemudian digunakan untuk memperkasakan peranti edge dengan kecerdasan.

Pembelajaran mesin ialah cara yang berkesan untuk mencipta AI berfungsi. Teknik ML seperti pepohon keputusan, rangkaian Bayesian dan pengelompokan K-means digunakan untuk pengelasan dan ramalan entiti AI. Pembelajaran mendalam menggunakan rangkaian saraf tiruan untuk melaksanakan tugas seperti pengelasan imej dan pengecaman muka.

Aspek Kecerdasan Buatan

Pembelajaran mesin telah menjadi sangat popular dalam pembuatan, manakala kecerdasan buatan lebih digunakan pada data besar yang dikumpul daripada perkara seperti kandungan media sosial, maklumat perniagaan dan rekod beli-belah dalam talian. Menghantar sejumlah besar data daripada peranti IoT ke awan untuk analisis adalah mahal dan tidak cekap. Perisikan tepi menolak perkhidmatan awan dari teras rangkaian ke pinggir rangkaian untuk diproses Sensor nod tepi boleh menjadi telefon pintar atau peranti mudah alih lain.

Antaranya, analisis video masa nyata dijangka menjadi aplikasi yang sangat popular untuk pengkomputeran tepi. Sebagai aplikasi yang dibina berdasarkan penglihatan komputer, analitik video masa nyata akan terus mengumpul video definisi tinggi yang ditangkap daripada kamera pengawasan. Aplikasi ini memerlukan pengiraan tinggi, lebar jalur tinggi dan kependaman rendah untuk menganalisis video. Ini boleh dicapai dengan memanjangkan AI awan ke pintu masuk yang meliputi tepi.

Faedah kepintaran tepi

1. Kepintaran kependaman rendah

Pengkomputeran awan atau sistem terpusat sentiasa mengalami masalah kependaman. Menangkap data dan menghantarnya ke lokasi pusat, memproses dan bertindak balas mengambil masa dan tidak memudahkan membuat keputusan masa nyata.

Faedah teras perisikan tepi adalah untuk mengurangkan kependaman, dengan itu melaksanakan peristiwa yang boleh diambil tindakan dalam hampir masa nyata, dengan itu meningkatkan prestasi sistem keseluruhan. Ini juga membebaskan pengkomputeran awan dan sistem berpusat daripada perlu berurusan dengan data mentah dan tidak berkaitan sebaliknya mereka boleh memproses data yang sangat berstruktur, kaya konteks dan boleh diambil tindakan. Dengan cara ini, kependaman dipertingkatkan bukan sahaja di bahagian tepi, tetapi juga di seluruh sistem.

2. Storan data lebar jalur rendah

Dalam mana-mana model IoT, keperluan lebar jalur untuk menghantar semua data yang dikumpul oleh beribu-ribu peranti tepi adalah sangat tinggi. Apabila bilangan peranti ini meningkat, ia akan berkembang dengan pesat. Lokasi tapak terpencil mungkin tidak mempunyai lebar jalur untuk memindahkan data dan analitik berulang-alik dari pelayan awan. Kepintaran tepi membantu melakukan analisis dan mengambil tindakan yang diperlukan. Ia boleh menyimpan data, metadata dan laporan operasi yang boleh dikumpulkan kemudian.

3. Kebolehskalaan Linear

Seni bina kecerdasan tepi boleh berskala secara linear apabila penggunaan IoT berkembang. Seni bina perisikan tepi memanfaatkan kuasa pengkomputeran peranti yang digunakan. Ia boleh mengambil beban berat untuk melaksanakan pembelajaran mendalam dan model pembelajaran mesin. Ini melegakan tekanan pada sistem awan berpusat kerana peranti tepi berkongsi beban utama untuk melaksanakan fungsi pintar.

4. Kurangkan kos operasi

Memandangkan edge intelligence beroperasi pada data sensitif masa secara tempatan, ia boleh menjimatkan banyak ruang awan kerana ia menyediakan data kaya kandungan kepada sistem pusat. Ini juga mengurangkan kos operasi. Perisikan tepi memacu operasi dalam masa nyata untuk semua peranti IoT yang disambungkan, yang membolehkan profesional menggunakan dan menyelenggara peranti dengan lebih cekap.

Komponen Seni Bina Perisikan Tepi

4 komponen utama dalam seni bina perisikan tepi: caching tepi, latihan tepi, inferens tepi dan pemuatan tepi.

1. Caching Tepi

Di bawah kecerdasan tepi, caching tepi terutamanya mengendalikan data teragih masuk daripada pengguna akhir dan persekitaran mereka ke peranti tepi. Selain data ini, data yang dijana oleh peranti tepi itu sendiri juga tergolong dalam cache tepi. Selain itu, penderia mudah alih mengumpul data alam sekitar, memproses dan menyimpannya di tempat yang munasabah untuk digunakan oleh algoritma kecerdasan buatan untuk menyediakan perkhidmatan kepada pengguna.

Modul ini bertanggungjawab untuk pengurusan storan data tepi yang lengkap.

2. Latihan tepi

Sehingga kini, latihan model AI yang digunakan pada kelebihan pintar kebanyakannya telah dipusatkan. Kami melatih model pembelajaran mendalam pada pelayan pusat berkuasa yang dilengkapi dengan GPU berkuasa dan mengalihkannya ke peranti tepi menggunakan SDK tepi yang serasi dan persekitaran masa jalan. Ini kekal sebagai cara terbaik untuk mengawal latihan semula dan penggunaan model pada peranti tepi menggunakan sambungan awan atau antara muka IO yang lain. Tetapi untuk seni bina kecerdasan kelebihan sebenar, kita perlu melaksanakan latihan kelebihan.

Latihan tepi merujuk kepada proses pembelajaran nilai optimum berat dan berat sebelah untuk model yang digunakan pada data atau mengenal pasti corak tersembunyi pada data latihan yang ditangkap di tepi.

3. Inferens Tepi

Inferens tepi ialah proses menilai prestasi model atau algoritma terlatih pada set data ujian dengan mengira output pada peranti tepi.

4. Pemuatan tepi

Pemuatan tepi ialah satu lagi ciri penting kecerdasan tepi, di mana peranti tepi boleh memuatkan tugas tertentu seperti latihan tepi, caching tepi atau inferens tepi kepada peranti tepi lain dalam rangkaian. Ia serupa dengan paradigma pengkomputeran teragih di mana peranti tepi mencipta ekosistem pintar. Pemuatan tepi ialah lapisan perkhidmatan abstrak di atas tiga komponen lain, jadi sangat penting bahawa ia turut menyediakan strategi selamat gagal untuk mengatasi kekurangan peranti tepi kendiri. Pelaksanaan yang tersusun dan berkesan akan membolehkan kepintaran tepi memanfaatkan sepenuhnya sumber yang ada dalam persekitaran tepi.

Atas ialah kandungan terperinci Kepintaran Tepi: Definisi, Aplikasi, Komponen dan Faedah. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!