Vad är Edge AI & Edge Computing?

Edge AI är en av de mest anmärkningsvärda nya sektorerna för artificiell intelligens, och den syftar till att låta människor köra AI-processer utan att behöva oroa sig för integritet eller avmattning på grund av dataöverföring. Edge AI möjliggör en större och mer utbredd användning av AI, vilket låter smarta enheter reagera snabbt på indata utan tillgång till ett moln. Även om det är en snabb definition av Edge AI, låt oss ta ett ögonblick 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 måste vi först förstå Edge computing och det bästa sättet att förstå Edge computing är att kontrastera det med cloud computing. Cloud computing är leverans av datortjänster över internet. Däremot är Edge-datorsystem inte anslutna till ett moln, istället för att fungera på lokala enheter. Dessa lokala enheter kan vara en dedikerad edge computing-server, en lokal enhet, eller ett Internet of Things (IoT). Det finns ett antal fördelar med att använda Edge computing. Till exempel begränsas internet/molnbaserad beräkning av latens och bandbredd, medan Edge-beräkning inte begränsas av dessa parametrar.

Vad är Edge AI?

Nu när vi förstår Edge computing har vi kan ta en titt på Edge AI. Edge AI kombinerar artificiell intelligens och edge computing. AI-algoritmerna körs på enheter som kan kantberäkning. Fördelen med detta är att data kan bearbetas i realtid, utan att behöva ansluta till ett moln.

De flesta banbrytande AI-processer utförs i ett moln eftersom de kräver en stor mängd datorkraft. Resultatet är att dessa AI-processer kan vara sårbara för driftstopp. Eftersom Edge AI-system fungerar på en edge computing-enhet, kan nödvändiga dataoperationer ske lokalt och skickas när en internetanslutning upprättas, vilket sparar tid. Algoritmerna för djupinlärning kan fungera på själva enheten, utgångspunkten för data.

Edge AI blir allt viktigare på grund av att fler och fler enheter behöver använda AI i situationer där de inte kan komma åt molnet. Tänk på hur många fabriksrobotar eller hur många bilar som nuförtiden har datorseendealgoritmer. En fördröjningstid i överföringen av data i dessa situationer kan vara katastrofal. Självkörande bilar kan inte drabbas av latens när de upptäcker föremål på gatan. Eftersom en snabb svarstid är så viktig måste själva enheten ha ett Edge AI-system som gör att den kan analysera och klassificera bilder utan att förlita sig på en molnuppkoppling.

När kantdatorer anförtros uppgifterna för informationsbehandling som vanligtvis utförs i molnet, blir resultatet låg latens i realtid, realtidsbearbetning. Dessutom, genom att begränsa överföringen av data till bara den viktigaste informationen, kan själva datavolymen minskas och kommunikationsavbrott kan minimeras.

Edge AI och Internet of Things

Edge AI samverkar med andra digitala tekniker som 5G och Internet of Things (IoT). IoT kan generera data för Edge AI-system att använda sig av, medan 5G-teknik är avgörande för den fortsatta utvecklingen av både Edge AI och IoT.

Internet of Things hänvisar till en mängd olika 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 synkroniseras med molnet. Metoden för databehandling möjliggör 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 mycket fler samtidiga anslutningar än 4G (1,000,000 100,000 1 per kvadratkilometer mot 10 4) och en bättre latenshastighet (5ms mot XNUMXms). Dessa fördelar jämfört med XNUMXG är viktiga eftersom IoT växer, datavolymen växer också och överföringshastigheten påverkas. XNUMXG möjliggör fler interaktioner mellan ett bredare utbud av enheter, varav många kan utrustas med Edge AI.

Användningsfall för Edge AI

Användningsfall för Edge AI inkluderar nästan alla fall där databehandling skulle göras mer effektivt på en lokal enhet än när den görs genom ett moln. Men några av de vanligaste användningsfallen för Edge AI inkluderar själv köra bil, autonoma drönare, ansiktsigenkänningoch digitala assistenter.

Självkörande bilar är ett av de mest relevanta användningsfallen för Edge AI. Självkörande bilar måste ständigt skanna den omgivande miljön och bedöma situationen och göra korrigeringar av dess bana baserat på närliggande händelser. Databehandling i realtid är avgörande för dessa fall, och som ett resultat är deras inbyggda Edge AI-system ansvariga för datalagring, manipulation och analys. Edge AI-systemen är nödvändiga för att få nivå 3 och nivå 4 (helt autonoma) fordon till marknaden.

Eftersom autonoma drönare inte styrs av mänskliga operatörer har de mycket liknande krav på autonoma bilar. Om en drönare tappar kontrollen eller inte fungerar under flygning kan den krascha och skada egendom eller liv. Drönare kan flyga långt utanför räckvidden för en internetåtkomstpunkt, och de måste ha Edge AI-kapacitet. 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 system för ansiktsigenkänning. Ansiktsigenkänningssystem är beroende av datorseendealgoritmer som analyserar data som samlas in av kameran. Ansiktsigenkänningsappar som fungerar för uppgifter som säkerhet måste 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 arbeta på smartphones och andra digitala enheter även när de inte är anslutna till internet. När data bearbetas på enheten finns det inget behov av att leverera det till molnet, vilket hjälper till att minska trafiken och säkerställa integritet.