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 прогнозируемым глобальным рынком вычислений на краю сети в размере $350 миллиардов в 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 создает 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 пуловыми 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 смещается 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 тому месту, где возникает данные, тем лучше он может информировать решения, которые должны быть приняты быстро. Вот где вступают в игру вычисления на краю сети.

Почему Edge AI имеет значение

Сдвиг в сторону развертывания Edge AI революционизирует то, как организации реализуют решения искусственного интеллекта. С прогнозами, которые показывают, что более 75% данных, генерируемых предприятиями, будут созданы и обработаны 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, не покидая территории 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, является пионером 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 повышая операционную эффективность. ИИ-обеспеченная прогностическая техническая поддержка на краю сети позволяет производителям выявлять потенциальные проблемы до того, как они приведут к дорогостоящим сбоям. Аналогично, в транспортной отрасли операторы железных дорог также добились успеха с помощью Edge AI, который помог увеличить доходы, выявив более эффективные средние и короткие маршруты и решения для обмена.

Приложения компьютерного зрения в частности демонстрируют универсальность развертывания Edge AI. В настоящее время только 20% видео предприятий обрабатываются автоматически на краю сети, но ожидается, что это число 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, при этом 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 отношении 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 выводу на основе облака. Заботы о суверенитете данных, требования безопасности и ограничения сетевой связности часто делают вывод в облаке непрактичным для чувствительных или критических по времени приложений. Экономические соображения также убедительны – устранение постоянной передачи данных между облачными и краевыми средами значительно снижает операционные затраты, что делает локальную обработку более привлекательным вариантом.

По мере созревания рынка мы ожидаем появления комплексных платформ, которые упростят развертывание и управление ресурсами на краю сети, подобно тому, как облачные платформы оптимизировали централизованные вычисления.

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, а также того, как они соответствуют более широким бизнес-целям.

Спрос на инженеров MLOps растет стремительно, поскольку организации признают решающую роль, которую эти специалисты играют в мостировании разрыва между разработкой моделей и операционным развертыванием. По мере эволюции требований к инфраструктуре ИИ и возможности новых приложений растет необходимость в экспертах, которые могут успешно развертывать и поддерживать системы машинного обучения в крупном масштабе.

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

Дорога впереди

Ландшафт корпоративного ИИ претерпевает значительную трансформацию, смещая акцент от обучения к выводу, с растущим вниманием к устойчивому развертыванию, оптимизации затрат и повышению безопасности. По мере ускорения принятия инфраструктуры на краю 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 бесконечными. Сегодня мы стоим на подобном рубеже, наблюдая, как распределенный вывод становится новой нормой и позволяет инновациям, которые мы только начинаем представлять. Этот переход, как ожидается, окажет огромное экономическое влияние – ИИ, как ожидается, внесет вклад в размере $15,7 триллионов в глобальную экономику к 2030 году, при этом Edge AI играет решающую роль в этом росте.

Будущее ИИ заключается не только в построении более умных моделей, но и в развертывании их умно там, 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.