The New Edge AI Playbook: Чому навчання моделей — це вчорашній виклик

Ми спостерігаємо постійне розширення штучного інтелекту, оскільки він переходить від хмарних середовищ до периферійних обчислень. Прогнозується, що світовий ринок периферійних обчислень досягне 350 млрд доларів У 2027 році організації швидко переходять від зосередження на навчанні моделі до вирішення складних завдань розгортання. Цей перехід до периферійних обчислень, федеративного навчання та розподіленого висновку змінює те, як штучний інтелект надає цінність у реальних програмах.

Еволюція інфраструктури ШІ

Ринок навчання штучному інтелекту переживає безпрецедентне зростання, і очікується, що глобальний ринок штучного інтелекту досягне 407 млрд доларів до 2027 року. Хоча це зростання досі зосереджувалося на централізованих хмарних середовищах із об’єднаними обчислювальними ресурсами, з’явилася чітка закономірність: справжня трансформація відбувається в висновках штучного інтелекту, де навчені моделі застосовують свої знання до сценаріїв реального світу.

Однак у міру того, як організації виходять за межі етапу навчання, фокус змістився на те, де і як розгортаються ці моделі. Висновок штучного інтелекту на межі швидко стає стандартом для конкретних випадків використання, зумовлених практичними потребами. У той час як навчання вимагає значної обчислювальної потужності та зазвичай відбувається в хмарних середовищах або середовищі центру обробки даних, висновок чутливий до затримки, тому чим ближче він може працювати з місця походження даних, тим краще він може інформувати рішення, які потрібно приймати швидко. Ось тут грають периферійні обчислення.

Чому Edge AI важливий

Перехід до розгортання периферійного штучного інтелекту революціонізує те, як організації впроваджують рішення штучного інтелекту. Прогнози показують, що це закінчено 75% даних, створених підприємством будуть створюватися та оброблятися поза традиційними центрами обробки даних до 2027 року, ця трансформація пропонує кілька критичних переваг. Низька затримка дозволяє приймати рішення в режимі реального часу без затримок хмарного зв'язку. Крім того, розгортання на периферії покращує захист конфіденційності, обробляючи конфіденційні дані локально, не виходячи з приміщення організації. Вплив цього переходу виходить за рамки цих технічних міркувань.

Галузеві програми та випадки використання

Виробництво, запроектоване для обліку понад 35% ринку периферійного ШІ до 2030 року стане піонером у впровадженні периферійного штучного інтелекту. У цьому секторі периферійні обчислення забезпечують моніторинг обладнання та оптимізацію процесів у реальному часі, значно скорочуючи час простою та підвищуючи ефективність роботи. Прогнозне технічне обслуговування за допомогою ШІ дозволяє виробникам виявляти потенційні проблеми до того, як вони спричинять дорогі поломки. Подібно до транспортної галузі, залізничні оператори також досягли успіху з периферійним штучним інтелектом, який допоміг збільшити дохід завдяки визначенню більш ефективних можливостей середніх і коротких перевезень і рішень для пересадки.

Програми комп’ютерного бачення особливо демонструють універсальність розгортання периферійного штучного інтелекту. Зараз лише 20% корпоративного відео автоматично обробляється на межі, але очікується, що це досягне 80% від 2030. Ця драматична зміна вже очевидна в практичних застосуваннях, від розпізнавання номерних знаків на автомийках до виявлення ЗІЗ на фабриках і розпізнавання обличчя в транспортній безпеці.

Сектор комунальних послуг представляє інші переконливі випадки використання. Граничні обчислення підтримують інтелектуальне керування в реальному часі критично важливою інфраструктурою, як-от мережами електроенергії, води та газу. The Міжнародне енергетичне агентство вважає, що до 2030 року інвестиції в інтелектуальні мережі мають збільшитися більш ніж удвічі, щоб досягти світових кліматичних цілей, причому периферійний штучний інтелект відіграє вирішальну роль в управлінні розподіленими енергетичними ресурсами та оптимізації роботи мережі.

Виклики та міркування

Хоча хмарні обчислення пропонують практично необмежену масштабованість, розгортання на периферії створює унікальні обмеження з точки зору доступних пристроїв та ресурсів. Багато підприємств досі працюють над тим, щоб зрозуміти всі наслідки та вимоги периферійних обчислень.

Організації все більше поширюють свою обробку штучного інтелекту на межі, щоб вирішити кілька критичних проблем, властивих хмарним висновкам. Занепокоєння суверенітетом даних, вимоги безпеки та обмеження підключення до мережі часто роблять непрактичним висновок у хмарі для чутливих або критичних до часу програм. Економічні міркування не менш переконливі – усунення безперервної передачі даних між хмарою та периферійними середовищами значно знижує операційні витрати, роблячи локальну обробку більш привабливим варіантом.

У міру зрілості ринку ми очікуємо появи комплексних платформ, які спрощують розгортання крайових ресурсів і керування ними, подібно до того, як хмарні платформи оптимізували централізовані обчислення.

Стратегія впровадження

Організації, які хочуть застосувати периферійний штучний інтелект, повинні почати з ретельного аналізу своїх конкретних проблем і випадків використання. Особам, які приймають рішення, необхідно розробити комплексні стратегії як для розгортання, так і для довгострокового управління крайовими рішеннями ШІ. Це включає в себе розуміння унікальних вимог до розподілених мереж і різноманітних джерел даних і того, як вони узгоджуються з ширшими бізнес-цілями.

Попит на інженерів MLOps продовжує швидко зростати, оскільки організації визнають вирішальну роль, яку ці професіонали відіграють у подоланні розриву між розробкою моделі та оперативним розгортанням. Оскільки вимоги до інфраструктури штучного інтелекту розвиваються та стають можливими нові програми, потреба в експертах, які можуть успішно розгортати та підтримувати системи машинного навчання в масштабах, стає дедалі гострішою.

Міркування безпеки в периферійних середовищах є особливо важливими, оскільки організації розподіляють свою обробку даних за допомогою штучного інтелекту по кількох місцях. Організації, які сьогодні справляються з цими викликами впровадження, позиціонують себе як лідери в економіці, що базується на штучному інтелекті, завтрашнього дня.

Дорога вперед

Ландшафт штучного інтелекту на підприємствах зазнає значної трансформації, акцент зміщується з навчання на логічний висновок, зі зростаючою увагою до сталого розгортання, оптимізації витрат та покращеної безпеки. Зі прискоренням впровадження периферійної інфраструктури ми бачимо, як потужність периферійних обчислень змінює те, як компанії обробляють дані, розгортають штучний інтелект та створюють додатки наступного покоління.

Ера периферійного штучного інтелекту нагадує ранні дні інтернету, коли можливості здавалися безмежними. Сьогодні ми стоїмо на подібному рубежі, спостерігаючи, як розподілений висновок стає новою нормою та дає змогу впроваджувати інновації, які ми тільки починаємо уявляти. Очікується, що ця трансформація матиме величезний економічний вплив – прогнозується, що штучний інтелект зробить свій внесок. $ 15.7 трлн до глобальної економіки до 2030 року, причому периферійний штучний інтелект відіграє вирішальну роль у цьому зростанні.

Майбутнє штучного інтелекту полягає не лише в створенні розумніших моделей, а й у їх розумному розгортанні там, де вони можуть створити найбільшу цінність. По мірі просування вперед здатність ефективно впроваджувати та керувати периферійним штучним інтелектом стане ключовою відмінністю успішних організацій в економіці, керованій штучним інтелектом.