Vad är Edge AI & Edge Computing?

Edge AI är en av de mest anmärkningsvärda nya sektorerna inom artificiell intelligens, och den syftar till att låta människor köra AI-processer utan att behöva oroa sig för sekretess eller förseningar på grund av dataöverföring. Edge AI möjliggör en större och mer omfattande användning av AI, och låter smarta enheter reagera snabbt på indata utan tillgång till molnet. Medan det är en snabb definition av Edge AI, låt oss ta en stund för att bättre förstå Edge AI genom att utforska de teknologier som gör det möjligt och se några användningsfall för Edge AI.

Vad är Edge Computing?

För att verkligen förstå Edge AI behöver vi först förstå Edge computing, och det bästa sättet att förstå Edge computing är att kontrastera det med molnberäkning. Molnberäkning är leverans av beräkningstjänster via internet. I kontrast, Edge computing-system är inte anslutna till ett moln, utan opererar på lokala enheter. Dessa lokala enheter kan vara en dedikerad Edge computing-server, en lokal enhet, eller en Internet of Things (IoT). Det finns ett antal fördelar med att använda Edge computing. Till exempel, internet/molnbaserad beräkning är begränsad av latency och bandbredd, medan Edge computing inte är begränsad av dessa parametrar.

Vad är Edge AI?

Nu när vi förstår Edge computing kan vi ta en titt på Edge AI. Edge AI kombinerar artificiell intelligens och Edge computing. AI-algoritmerna körs på enheter som är kapabla till Edge computing. Fördelen med detta är att data kan bearbetas i realtid, utan att behöva ansluta till ett moln.
De flesta av de senaste AI-processerna utförs i ett moln, eftersom de kräver en stor mängd beräkningskraft. Resultatet är att dessa AI-processer kan vara sårbara för nedtid. Eftersom Edge AI-system opererar på en Edge computing-enhet, kan de nödvändiga dataoperationerna ske lokalt, och skickas när en internetanslutning etableras, vilket sparar tid. De djupa inlärningsalgoritmerna kan operera på enheten själv, datakällans ursprung.
Edge AI blir allt viktigare på grund av att allt fler enheter behöver använda AI i situationer där de inte kan komma åt molnet. Tänk på hur många fabriksrobotar eller hur många bilar som idag kommer med datorseendealgoritmer. En fördröjning i dataöverföringen i dessa situationer kunde vara katastrofal. Självkörande bilar kan inte lida av latency medan de upptäcker föremål på gatan. Eftersom en snabb svarstid är så viktig, måste enheten själv ha ett Edge AI-system som tillåter den att analysera och klassificera bilder utan att förlita sig på en molnanslutning.
När Edge-datorer anförtros med de informationsbearbetningsuppgifter som vanligtvis utförs i molnet, resulterar det i realtid låg latency, realtidsbearbetning. Dessutom, genom att begränsa dataöverföringen till endast den viktigaste informationen, kan datavolymen själv minskas och kommunikationsavbrott kan minskas.

Edge AI och Internet of Things

Edge AI sammanflätar med andra digitala teknologier som 5G och Internet of Things (IoT). IoT kan generera data för Edge AI-system att använda, medan 5G-teknik är avgörande för den fortsatta utvecklingen av både Edge AI och IoT.
Internet of Things refererar till en mängd smarta enheter som är anslutna till varandra via internet. Alla dessa enheter genererar data, som kan matas in i Edge AI-enheten, som också kan fungera som en tillfällig lagringsenhet för data tills den synkas med molnet. Metoden för data bearbetning tillåter större flexibilitet.
Den femte generationen av mobilnätet, 5G, är avgörande för utvecklingen av både Edge AI och Internet of Things. 5G kan överföra data med mycket högre hastigheter, upp till 20 Gbps, medan 4G kan leverera data med endast 1 Gbps. 5G stöder också många fler samtidiga anslutningar än 4G (1 000 000 per kvadratkilometer vs 100 000) och en bättre latenshastighet (1 ms vs 10 ms). Dessa fördelar över 4G är viktiga eftersom när IoT växer, växer datavolymen också och överföringshastigheten påverkas. 5G möjliggör fler interaktioner mellan en bredare range av enheter, många av vilka kan utrustas med Edge AI.

Användningsfall för Edge AI

Användningsfall för Edge AI inkluderar nästan alla instanser där data bearbetning skulle göras mer effektivt på en lokal enhet än när den görs via ett moln. Men, några av de vanligaste användningsfallen för Edge AI inkluderar självkörande bilar, autonoma drönare, ansiktsigenkänning och digitala assistenter.

Självkörande bilar är ett av de mest relevanta användningsfallen för Edge AI. Självkörande bilar måste ständigt scanna omgivningen och bedöma situationen, göra korrigeringar av sin bana baserat på närliggande händelser. Real-tids data bearbetning är kritiskt för dessa fall, och som ett resultat, är deras ombord Edge AI-system ansvariga för data lagring, manipulation och analys. Edge AI-systemen är nödvändiga för att ta level 3 och level 4 (fullt autonoma) fordon till marknaden.

Eftersom autonoma drönare inte styrs av mänskliga operatörer, har de mycket liknande krav för autonoma bilar. Om en drönare förlorar kontroll eller fungerar fel medan den flyger, kan den krascha och skada egendom eller liv. Drönare kan flyga långt utanför räckhåll för en internetåtkomstpunkt, och de måste ha Edge AI-förmågor. Edge AI-system kommer att vara oumbärliga för tjänster som Amazon Prime Air, som syftar till att leverera paket via drönare.

Ett annat användningsfall för Edge AI är ansiktsigenkänningssystem. Ansiktsigenkänningssystem förlitar sig på datorseendealgoritmer, som analyserar data som samlats in av kameran. Ansiktsigenkänning appar som opererar för syften som säkerhet behöver fungera tillförlitligt även om de inte är anslutna till ett moln.

Digitala assistenter är ett annat vanligt användningsfall för Edge AI. Digitala assistenter som Google Assistant, Alexa och Siri måste kunna fungera på smarta telefoner och andra digitala enheter även när de inte är anslutna till internet. När data bearbetas på enheten finns det ingen anledning att leverera den till molnet, vilket hjälper till att minska trafik och säkerställa sekretess.