Новая книга рецептов Edge AI: почему обучение моделей – это вчерашний вызов

Мы свидетели продолжающегося расширения искусственного интеллекта, когда он распространяется от облачных вычислений до вычислений на краю сети. С учетом того, что глобальный рынок вычислений на краю сети ожидается достигнет $350 миллиардов к 2027 году, организации быстро переходят от сосредоточения внимания на обучении моделей к решению сложных задач развертывания. Этот сдвиг в сторону вычислений на краю сети, федеративного обучения и распределенного вывода меняет то, как ИИ доставляет ценность в реальных приложениях.

Эволюция инфраструктуры ИИ

Рынок обучения ИИ переживает беспрецедентный рост, и ожидается, что глобальный рынок искусственного интеллекта достигнет $407 миллиардов к 2027 году. Хотя этот рост до сих пор был сосредоточен на централизованных облачных средах с пуледными вычислительными ресурсами, появилась четкая тенденция: настоящая трансформация происходит в выводе ИИ – где обученные модели применяют свое обучение к реальным сценариям.

Однако, когда организации переходят за пределы фазы обучения, внимание сместилось в сторону того, где и как эти модели развертываются. Вывод ИИ на краю сети быстро становится стандартом для определенных случаев использования, обусловленных практическими необходимостями. Хотя обучение требует значительной вычислительной мощности и обычно происходит в облачных или центрах обработки данных, вывод чувствителен к задержке, поэтому чем ближе он может работать к источнику данных, тем лучше он может информировать решения, которые должны быть приняты быстро. Именно здесь вступает в игру вычисление на краю сети.

Почему Edge AI имеет значение

Сдвиг в сторону развертывания Edge AI революционизирует то, как организации реализуют решения искусственного интеллекта. Согласно прогнозам, более 75% данных, генерируемых предприятиями, будет создано и обработано вне традиционных центров обработки данных к 2027 году, эта трансформация предлагает несколько критических преимуществ. Низкая задержка позволяет принимать решения в реальном времени без задержек связи с облаком. Кроме того, развертывание на краю сети усиливает защиту конфиденциальности, обрабатывая конфиденциальные данные локально без выхода за пределы организации. Влияние этого сдвига распространяется за пределы этих технических соображений.

Промышленные применения и случаи использования

Производство, которое, как ожидается, составит более 35% рынка Edge AI к 2030 году, стоит как пионер в принятии Edge AI. В этом секторе вычисления на краю сети позволяют осуществлять мониторинг оборудования и оптимизацию процессов в реальном времени, значительно снижая простои и улучшая операционную эффективность. ИИ-обеспеченный прогностический уход на краю сети позволяет производителям выявлять потенциальные проблемы до того, как они приведут к дорогостоящим сбоям. Аналогично для транспортной отрасли, железнодорожные операторы также добились успеха с помощью Edge AI, который помог увеличить доход, выявив более эффективные средние и короткие перевозки и решения для обмена.

Применения компьютерного зрения особенно демонстрируют универсальность развертывания Edge AI. В настоящее время только 20% видео предприятий обрабатывается автоматически на краю сети, но ожидается, что это достигнет 80% к 2030 году. Этот драматический сдвиг уже очевиден в практических приложениях, от распознавания номерных знаков на автомойках до обнаружения средств индивидуальной защиты на заводах и распознавания лиц в транспортной безопасности.

Сектор коммунальных услуг представляет другие убедительные случаи использования. Вычисления на краю сети поддерживают интеллектуальное управление критической инфраструктурой, такой как электрические, водные и газовые сети, в реальном времени. Международное энергетическое агентство считает, что инвестиции в умные сети должны более чем удвоиться к 2030 году, чтобы достичь климатических целей мира, и Edge AI играет решающую роль в управлении распределенными источниками энергии и оптимизации операций сети.

Вызовы и соображения

Хотя облачные вычисления предлагают практически неограниченную масштабируемость, развертывание на краю сети представляет уникальные ограничения в плане доступных устройств и ресурсов. Многие предприятия все еще работают над пониманием полных последствий и требований вычислений на краю сети.

Организации все чаще расширяют свою обработку ИИ до края сети, чтобы решить несколько критических задач, присущих облачному выводу. Заботы о суверенитете данных, требования безопасности и ограничения сетевой связности часто делают облачный вывод непрактичным для чувствительных или критических по времени приложений. Экономические соображения также убедительны – исключение постоянной передачи данных между облачными и краевыми средами значительно снижает операционные затраты, что делает локальную обработку более привлекательным вариантом.

По мере того, как рынок созревает, мы ожидаем появления комплексных платформ, которые упрощают развертывание и управление ресурсами края, подобно тому, как облачные платформы оптимизировали централизованное вычисление.

Стратегия реализации

Организации, стремящиеся принять Edge AI, должны начать с тщательного анализа своих конкретных задач и случаев использования. Принимающие решения должны разработать комплексные стратегии как для развертывания, так и для долгосрочного управления решениями Edge AI. Это включает понимание уникальных требований распределенных сетей и различных источников данных и того, как они соответствуют более широким бизнес-целям.

Спрос на инженеров MLOps продолжает расти быстро, поскольку организации признают решающую роль, которую эти специалисты играют в мостике между разработкой моделей и операционным развертыванием. По мере того, как требования к инфраструктуре ИИ эволюционируют и появляются новые приложения, необходимость в экспертах, которые могут успешно развертывать и поддерживать системы машинного обучения в масштабе, становится все более срочной.

Соображения безопасности в средах края сети особенно важны, поскольку организации распределяют свою обработку ИИ по нескольким местам. Организации, которые осваивают эти вызовы реализации сегодня, позиционируют себя для лидерства в завтрашней экономике, управляемой ИИ.

Дорога вперед

Корпоративный ландшафт ИИ проходит значительную трансформацию, смещая акцент с обучения на вывод, с растущим вниманием к устойчивому развертыванию, оптимизации затрат и повышению безопасности. По мере того, как ускоряется принятие инфраструктуры края сети, мы наблюдаем, как сила вычислений на краю сети меняет то, как бизнес обрабатывает данные, развертывает ИИ и строит приложения следующего поколения.

Эра Edge AI напоминает ранние дни интернета, когда возможности казались безграничными. Сегодня мы стоим на подобном рубеже, наблюдая, как распределенный вывод становится новой нормой и позволяет инновациям, которые мы только начинаем представлять. Этот сдвиг, как ожидается, окажет огромное экономическое воздействие – ИИ, как ожидается, внесет вклад $15,7 триллионов в глобальную экономику к 2030 году, и Edge AI будет играть решающую роль в этом росте.

Будущее ИИ заключается не только в построении более умных моделей, но и в их умном развертывании, где они могут создать наибольшую ценность. По мере того, как мы движемся вперед, способность эффективно реализовывать и управлять Edge AI станет ключевым дифференциатором для успешных организаций в экономике, управляемой ИИ.