Edge AI နှင့် Edge Computing ဆိုသည်မှာ အဘယ်နည်း။

Edge AI သည် ဥာဏ်ရည်တု၏ အထင်ရှားဆုံး ကဏ္ဍသစ်များထဲမှ တစ်ခုဖြစ်ပြီး ၎င်းသည် လူများအား ဒေတာပေးပို့ခြင်းကြောင့် လျှို့ဝှက်ရေး သို့မဟုတ် နှေးကွေးမှုများကို စိုးရိမ်စရာမလိုဘဲ AI လုပ်ငန်းစဉ်များကို လုပ်ဆောင်နိုင်စေရန် ရည်ရွယ်ပါသည်။ Edge AI သည် AI ကို ပိုမိုကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုနိုင်ပြီး စမတ်ပစ္စည်းများသည် cloud သို့ဝင်ရောက်ခြင်းမရှိဘဲ သွင်းအားစုများကို လျင်မြန်စွာတုံ့ပြန်နိုင်စေပါသည်။ ၎င်းသည် Edge AI ၏ လျင်မြန်သော အဓိပ္ပါယ်ဖွင့်ဆိုချက်ဖြစ်သော်လည်း၊ Edge AI အတွက် အသုံးပြုမှုကိစ္စရပ်အချို့ကို ကြည့်ရှုခြင်းဖြင့် Edge AI ကို ပိုမိုကောင်းမွန်စွာ နားလည်နိုင်စေရန် အချိန်ယူကြပါစို့။

Edge Computing ဆိုတာ ဘာလဲ။

Edge AI ကို အမှန်တကယ်နားလည်ရန်အတွက် Edge computing ကို ဦးစွာနားလည်ရန်နှင့် နားလည်ရန် အကောင်းဆုံးနည်းလမ်းကို နားလည်ရန် လိုအပ်ပါသည်။ Edge ကွန်ပျူတာ ၎င်းကို cloud computing နှင့် ဆန့်ကျင်ဘက်ဖြစ်သည်။ Cloud computing သည် အင်တာနက်မှတဆင့် ကွန်ပြူတာဝန်ဆောင်မှုများကို ပေးပို့ခြင်းဖြစ်ပါသည်။ ဆန့်ကျင်ဘက်အနေနှင့်၊ Edge ကွန်ပြူတာစနစ်များသည် ဒေသတွင်းစက်ပစ္စည်းများတွင် လုပ်ဆောင်မည့်အစား cloud နှင့် ချိတ်ဆက်ထားခြင်းမရှိပါ။ ဤဒေသခံကိရိယာများသည် သီးခြားအနားသတ်ကွန်ပြူတာဆာဗာ၊ ဒေသဆိုင်ရာစက်ပစ္စည်းတစ်ခု ဖြစ်နိုင်သည်၊ သို့မဟုတ် Internet of Things (IoT). Edge computing ကိုအသုံးပြုခြင်းအတွက် အားသာချက်များစွာရှိပါသည်။ ဥပမာအားဖြင့်၊ အင်တာနက်/cloud-based တွက်ချက်မှုကို latency နှင့် bandwidth ဖြင့် ကန့်သတ်ထားသော်လည်း Edge computing ကို အဆိုပါကန့်သတ်ချက်များဖြင့် ကန့်သတ်မထားပေ။

Edge AI ဆိုတာဘာလဲ။

ယခုကျွန်ုပ်တို့ Edge computing ကိုကျွန်ုပ်တို့နားလည်ပါပြီ။ Edge AI ကို ကြည့်နိုင်ပါတယ်။. Edge AI သည် Artificial Intelligence နှင့် edge computing တို့ကို ပေါင်းစပ်ထားသည်။ AI algorithms သည် edge computing လုပ်နိုင်သော စက်များပေါ်တွင် အလုပ်လုပ်ပါသည်။ ဤအရာ၏ အားသာချက်မှာ ဒေတာများကို cloud နှင့် ချိတ်ဆက်စရာမလိုဘဲ အချိန်နှင့်တပြေးညီ လုပ်ဆောင်နိုင်ခြင်းဖြစ်သည်။

AI လုပ်ငန်းစဉ်အများစုသည် ကွန်ပြူတာစွမ်းအားများစွာကို စီမံဆောင်ရွက်ထားသောကြောင့် cloud တွင်လုပ်ဆောင်သည်။ ရလဒ်မှာ ဤ AI လုပ်ငန်းစဉ်များသည် အချိန်ကုန်သွားခြင်းအတွက် အားနည်းချက်ဖြစ်နိုင်သည်။ Edge AI စနစ်များသည် edge computing device တစ်ခုပေါ်တွင် လုပ်ဆောင်နေသောကြောင့်၊ အင်တာနက်ချိတ်ဆက်မှုတစ်ခုတည်ဆောက်သည့်အခါတွင် လိုအပ်သောဒေတာလည်ပတ်မှုများကို စက်တွင်းတွင်ဖြစ်ပေါ်နိုင်ပြီး အချိန်ကုန်သက်သာစေသည်။ နက်ရှိုင်းသော သင်ယူမှု အယ်လဂိုရီသမ်များသည် ဒေတာ၏ မူလအချက်ဖြစ်သည့် စက်ပစ္စည်းပေါ်တွင် လည်ပတ်နိုင်သည်။

Edge AI သည် cloud အတွင်းသို့ မဝင်ရောက်နိုင်သော အခြေအနေများတွင် စက်ကိရိယာများ AI ကို ပိုမိုအသုံးပြုရန် လိုအပ်လာသောကြောင့် ပိုမိုအရေးကြီးလာပါသည်။ ယနေ့ခေတ်တွင် စက်ရုံသုံးစက်ရုပ်များ သို့မဟုတ် ကွန်ပြူတာအမြင်ဆိုင်ရာ အယ်လဂိုရီသမ်များဖြင့် မော်တော်ကားမည်မျှရှိသည်ကို သုံးသပ်ကြည့်ပါ။ ဤအခြေအနေများတွင် ဒေတာပေးပို့ခြင်းတွင် နောက်ကျသောအချိန်သည် ကပ်ဆိုးဖြစ်နိုင်သည်။ မောင်းသူမဲ့ကားများသည် လမ်းပေါ်ရှိ အရာဝတ္တုများကို ထောက်လှမ်းနေချိန်တွင် latency ကို မခံစားရနိုင်ပါ။ လျင်မြန်သောတုံ့ပြန်မှုအချိန်သည် အလွန်အရေးကြီးသောကြောင့်၊ စက်တွင် cloud ချိတ်ဆက်မှုကို အားကိုးစရာမလိုဘဲ ပုံများကို ခွဲခြမ်းစိတ်ဖြာနိုင်ပြီး အမျိုးအစားခွဲခြားနိုင်စေမည့် Edge AI စနစ်ရှိရပါမည်။

Edge ကွန်ပျူတာများကို cloud ပေါ်တွင် အများအားဖြင့် လုပ်ဆောင်သည့် သတင်းအချက်အလက် စီမံဆောင်ရွက်ပေးခြင်း လုပ်ငန်းများကို အပ်နှင်းသောအခါ ရလဒ်မှာ အချိန်နှင့်တပြေးညီ latency နည်းသော၊ အချိန်နှင့်တပြေးညီ လုပ်ဆောင်ခြင်း ဖြစ်သည်။ ထို့အပြင်၊ အရေးကြီးဆုံးသောအချက်အလက်များကိုသာ ဒေတာပေးပို့ခြင်းကို ကန့်သတ်ခြင်းဖြင့် ဒေတာပမာဏကို လျှော့ချနိုင်ပြီး ဆက်သွယ်ရေးပြတ်တောက်မှုများကို လျှော့ချနိုင်သည်။

Edge AI နှင့် Internet of Things

Edge AI သည် 5G နှင့် Internet of Things (IoT) ကဲ့သို့သော အခြားသော ဒစ်ဂျစ်တယ်နည်းပညာများဖြင့် ချိတ်ဆက်ထားသည်။ IoT သည် Edge AI စနစ်များကို အသုံးပြုရန်အတွက် ဒေတာများကို ထုတ်ပေးနိုင်ပြီး 5G နည်းပညာသည် Edge AI နှင့် IoT နှစ်ခုစလုံး၏ ဆက်လက်တိုးတက်မှုအတွက် မရှိမဖြစ်လိုအပ်ပါသည်။

Internet of Things ဆိုသည်မှာ အင်တာနက်မှတဆင့် တစ်ခုနှင့်တစ်ခု ချိတ်ဆက်ထားသော smart devices အမျိုးမျိုးကို ရည်ညွှန်းသည်။ ဤစက်ပစ္စည်းများအားလုံးသည် ဒေတာကို cloud နှင့် ထပ်တူထပ်မျှမပြီးမချင်း ဒေတာအတွက် ယာယီသိုလှောင်မှုယူနစ်အဖြစ် လုပ်ဆောင်နိုင်သည့် Edge AI စက်ပစ္စည်းသို့ ပေးပို့နိုင်သည့် ဒေတာကို ထုတ်ပေးပါသည်။ ဒေတာလုပ်ဆောင်ခြင်းနည်းလမ်းသည် ပိုမိုပြောင်းလွယ်ပြင်လွယ်ရှိစေသည်။

ပဉ္စမမျိုးဆက် မိုဘိုင်းကွန်ရက်၊ 5GEdge AI နှင့် Internet of Things နှစ်ခုစလုံး၏ ဖွံ့ဖြိုးတိုးတက်မှုအတွက် အရေးကြီးပါသည်။ 5G သည် 20Gbps အထိ မြင့်မားသော အမြန်နှုန်းဖြင့် ဒေတာလွှဲပြောင်းပေးနိုင်စွမ်းရှိပြီး 4G သည် 1Gbps သာ ဒေတာပေးပို့နိုင်မည်ဖြစ်သည်။ 5G သည် 4G (တစ်စတုရန်းကီလိုမီတာလျှင် 1,000,000 နှင့် 100,000) နှင့် ပိုမိုကောင်းမွန်သော latency အမြန်နှုန်း (1ms နှင့် 10ms) ထက် များစွာပိုမိုသော တပြိုင်နက်ချိတ်ဆက်မှုများကို ပံ့ပိုးပေးပါသည်။ 4G ၏ အားသာချက်များသည် IoT ကြီးထွားလာသည်နှင့်အမျှ ဒေတာပမာဏလည်း တိုးလာကာ လွှဲပြောင်းမှုအမြန်နှုန်းကို ထိခိုက်စေသောကြောင့် ဖြစ်သည်။ 5G သည် Edge AI ဖြင့် တပ်ဆင်နိုင်သည့် စက်ပစ္စည်းများစွာကြားတွင် ပိုမိုကျယ်ပြန့်သော အပြန်အလှန်ဆက်သွယ်မှုများကို လုပ်ဆောင်ပေးပါသည်။

Edge AI အတွက် Cases ကိုသုံးပါ။

Edge AI အတွက် အသုံးပြုမှုကိစ္စများတွင် cloud မှတဆင့်လုပ်ဆောင်သည့်အချိန်ထက် ဒေသတွင်းစက်ပစ္စည်းတစ်ခုပေါ်တွင် ဒေတာလုပ်ဆောင်ခြင်းထက် ပိုမိုထိရောက်စွာလုပ်ဆောင်နိုင်သည့် မည်သည့်အရာနှင့်ပတ်သက်သည့်ကိစ္စမဆို ပါဝင်ပါသည်။ သို့သော် Edge AI အတွက် အသုံးအများဆုံး ကိစ္စအချို့ ပါဝင်သည်။ Self-ကားမောင်းကားများ, ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရမောင်းသူမဲ့လေယာဉ်များ, မျက်နှာအသိအမှတ်ပြုမှုနှင့် ဒစ်ဂျစ်တယ်လက်ထောက်.

မောင်းသူမဲ့ကားများသည် Edge AI အတွက် သက်ဆိုင်မှုအရှိဆုံးအသုံးပြုမှုများထဲမှတစ်ခုဖြစ်သည်။ မောင်းသူမဲ့ကားများသည် အနီးနားရှိ အဖြစ်အပျက်များအပေါ်အခြေခံ၍ ၎င်း၏လမ်းကြောင်းအား ပြုပြင်မှုများပြုလုပ်ကာ ပတ်ဝန်းကျင်ပတ်ဝန်းကျင်ကို အဆက်မပြတ်စကင်န်ဖတ်ကာ အခြေအနေကို အကဲဖြတ်ရမည်ဖြစ်သည်။ ဤကိစ္စများအတွက် အချိန်နှင့်တပြေးညီ ဒေတာစီမံဆောင်ရွက်ပေးမှုသည် အရေးကြီးပြီး ရလဒ်အနေဖြင့် ၎င်းတို့၏ Edge AI စနစ်များသည် ဒေတာသိမ်းဆည်းမှု၊ ခြယ်လှယ်မှုနှင့် ခွဲခြမ်းစိတ်ဖြာမှုတို့ကို တာဝန်ယူပါသည်။ အဆင့် 3 နှင့် အဆင့် 4 (အပြည့်အဝကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ) ယာဉ်များကိုစျေးကွက်သို့ပို့ဆောင်ရန်အတွက် edge AI စနစ်များသည် လိုအပ်ပါသည်။

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရမောင်းသူမဲ့လေယာဉ်များကို လူသားအော်ပရေတာများမှ မောင်းနှင်ခြင်းမရှိသောကြောင့် ၎င်းတို့တွင် အလိုအလျောက်မောင်းနှင်နိုင်သောကားများအတွက် အလွန်တူညီသောလိုအပ်ချက်များရှိသည်။ ဒရုန်းသည် ပျံသန်းနေစဉ် ထိန်းချုပ်မှု ဆုံးရှုံးခြင်း သို့မဟုတ် ချွတ်ယွင်းပါက ပျက်ကျနိုင်ပြီး ပိုင်ဆိုင်မှု သို့မဟုတ် အသက်အန္တရာယ် ထိခိုက်နိုင်သည်။ ဒရုန်းများသည် အင်တာနက်အသုံးပြုခွင့်နေရာ၏ အကွာအဝေးမှ ပျံသန်းနိုင်ပြီး ၎င်းတို့တွင် Edge AI စွမ်းရည်များ ရှိရပါမည်။ Edge AI စနစ်များသည် ဒရုန်းမှတစ်ဆင့် ပက်ကေ့ဂျ်များပေးပို့ရန် ရည်ရွယ်ထားသည့် Amazon Prime Air ကဲ့သို့သော ဝန်ဆောင်မှုများအတွက် မရှိမဖြစ်လိုအပ်မည်ဖြစ်သည်။

Edge AI အတွက် နောက်ထပ်အသုံးပြုမှုကိစ္စမှာ မျက်နှာမှတ်သားမှုစနစ်များဖြစ်သည်။ မျက်နှာမှတ်သားမှုစနစ်များသည် ကင်မရာမှစုဆောင်းထားသော အချက်အလက်များကို ခွဲခြမ်းစိတ်ဖြာကာ ကွန်ပျူတာအမြင်ဆိုင်ရာ အယ်လဂိုရီသမ်များအပေါ် အားကိုးသည်။ လုံခြုံရေးကဲ့သို့သော လုပ်ငန်းဆောင်တာများအတွက် ရည်ရွယ်၍ လုပ်ဆောင်သော မျက်နှာမှတ်မိခြင်းအက်ပ်များသည် ၎င်းတို့ကို cloud နှင့် မချိတ်ဆက်ထားသော်လည်း စိတ်ချယုံကြည်စွာ လည်ပတ်ရန် လိုအပ်ပါသည်။

ဒစ်ဂျစ်တယ်လက်ထောက်များသည် Edge AI အတွက် နောက်ထပ် အသုံးများသော ကိစ္စတစ်ခုဖြစ်သည်။ Google Assistant၊ Alexa နှင့် Siri ကဲ့သို့သော ဒစ်ဂျစ်တယ်လက်ထောက်များသည် အင်တာနက်နှင့် မချိတ်ဆက်ထားသော်လည်း စမတ်ဖုန်းများနှင့် အခြားဒစ်ဂျစ်တယ်စက်ပစ္စည်းများတွင် လုပ်ဆောင်နိုင်ရပါမည်။ စက်ပစ္စည်းပေါ်တွင် ဒေတာကို စီမံဆောင်ရွက်သည့်အခါ ယာဉ်ကြောအသွားအလာကို လျှော့ချရန်နှင့် privacy ကိုသေချာစေရန် ကူညီပေးသည့် cloud သို့ ပို့ဆောင်ရန် မလိုအပ်ပါ။