ИИ и периферийные вычисления |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-09-15 13:06 С развитием интернета вещей и периферийных вычислений стало возможным приблизить ИИ и машинное обучение к непосредственно источнику информации. В последние годы облачные вычисления позволили разработать более эффективные и действенные методы обработки больших объемов данных. В настоящее время для обучения искусственного интеллекта (ИИ) и моделей машинного обучения, а также для прогнозирования результатов применяются облачные серверы, например, от Google или Amazon. Хотя это эффективный и быстрый вариант, технология Edge AI является ему альтернативой. Edge AI позволяет внедрить машинное обучение туда, где вырабатывается информация, запуская локально алгоритмы машинного обучения на машинах, собирающих данные. Это снижает требования к пропускной способности сети и время ожидания данных, позволяя осуществлять обработку и принимать решения в режиме реального времени. Это также может сэкономить электроэнергию и затраты на передачу данных, так как требуется передавать в меньшие объёмы. Технология периферийных вычислений становится популярной, особенно по мере развития интернета вещей (IoT) и увеличения производительности одноплатных компьютеров. Raspberry Pi и NVIDIA Jetson — это лишь несколько примеров мощных одноплатных компьютеров. Пользователи таких компьютеров нередко применяют технологии ИИ. Преимущества Обработка данных без облачных или локальных (On-premise) серверов и при этом вблизи источника данных (на границе системы) может принести пользу во многих отраслях промышленности. Удаленные точки, где нет Wi-Fi и качество LTE связи плохое, например, удаленные нефтяные и газовые скважины, являются идеальной сферой применения этой технологии. На таких прискваженных участках данные непрерывно собираются и отправляются для обработки с помощью моделей для прогнозирования отказов оборудования и планирования технического обслуживания. Традиционно данные отправлялись бы в облако по сотовой связи или в самых удаленных местах по спутниковой связи, однако в случае обработки данных в местах расположения скважин необходимо передавать только предупреждения и оповещения, что сокращает объем передаваемой информации. Этот тип прогнозного технического обслуживания сегодня начинает внедряться. Отправка необработанных данных в облако также представляет собой угрозу безопасности. Во многих компаниях и государственных учреждениях существует требование локализации данных. Это может быть выполнено путем обработки данных предварительно обученными моделями на локальном оборудовании меньшего масштаба. Скорость — еще одно существенное преимущество граничных вычислений. Наглядный пример этому — беспилотные автомобили, которые непрерывно генерируют огромный объем данных, подлежащих моментальной обработке, чтобы определить, требуется ли от автомобилей ответная реакция или нет. В подобных ситуациях, когда необходимо принять решение молниеносно, задержек, неизбежных при взаимодействии с облаком, быть не должно. Применения в промышленности Первым шагом внедрения модели искусственного интеллекта на устройствах, осуществляющих периферийные и облачные вычисления, является сбор данных. Если говорить об удаленных нефтяных и газовых скважинах, необходимо, чтобы инженер по обработке данных совместно с группой технического обслуживания определил, какое оборудование подлежит мониторингу, а также какие данные имеются, а каких не хватает. Когда достаточное количество данных собрано, можно начинать обучение модели. Затем эту обученную модель устанавливают на локальном компьютере, контролирующем все датчики. В случае обнаружения какой-либо аномалии или предпосылок, что техническое обслуживание потребуется раньше, чем запланировано, он отправит предупреждения. Сырые данные в облако не передаются, но результат обработки, как правило, выгружается в корпоративную систему менеджмента эффективности. Те же технологии машинного обучения, исполняемые на локальном вычислителе, могут применяться для любых промышленных приложений, в тех случаях, когда компания не хочет рисковать конфиденциальностью производственных данных или установка выделенного сервера не обоснована. Сценарии применения малогабаритных Edge-устройств ИИ, машинное обучение и зрение уже сегодня могут выполняться и выполняются на малогабаритных устройствах, когда требуется обработка небольших объемов данных и независимость от качества канала связи. Они активно и незаметно интегрируются в нашу повседневную жизнь. Примером таких внедрений являются продвинутые рекламные дисплеи, некоторые вендинговые автоматы, кассы самообслуживания и многое другое. Интеллектуальные устройства проникают сегодня во всех сферы жизни человека, где имеется источник значимых данных. Одним из примеров Edge-вычислителя является серия устройств NVIDIA Jetson. Это одноплатные компьютеры от компании NVIDIA, предназначенные для разработки, отладки и внедрения ИИ. Компьютеры серии Jetson - это не просто аппаратная платформа, оптимизированная под ИИ, но и целый набор инструментов для ускорения процесса разработки в виде SDK JetPack. Такие малогабаритные устройства в настоящее время применяются в прототипах беспилотных автомобилей, в системах контроля качества продукции, в системах видеоаналитики пассажиропотока или для составления карт перемещения покупателей в магазинах. Заключение В ряде случаев облачные вычисления являются единственно возможным способом для обработки больших массивов данных. Однако, в связи с растущей потребностью в локальных вычислительных мощностях, популярность Edge-платформ периферийных вычислений растёт изо дня в день. Развитие и внедрение в нашу жизнь компактных вычислительных устройств ускоряется по мере увеличения числа задач, которые способен решить ИИ. Время покажет, возрастет ли в нашей повседневной жизни значение устройств, выполняющих граничные вычисления, по мере их совершенствования. Несмотря на кажущуюся неопределённость успеха Edge-устройств, коллектив «Ниеншанц-Автоматики» следит за трендами и потребностями рынка, и готов предложить широкий спектр решений на базе модулей NVIDIA Jetson. Источник: m.vk.com Комментарии: |
|