Новий посібник з Edge AI: чому навчання моделей – це вчорашній виклик

Ми є свідками подальшого розширення штучного інтелекту, оскільки він розширюється від хмарних до країв обчислювальних середовищ. З глобальним ринком країв обчислювальних послуг, який очікується досягне $350 мільярдів до 2027 року, організації швидко переходять від фокусування на навчанні моделей до вирішення складних завдань розгортання. Цей перехід до країв обчислювальних послуг, федеративного навчання та розподіленого висновку змінює спосіб, яким штучний інтелект надає цінність у реальних застосуваннях.

Еволюція інфраструктури штучного інтелекту

Ринок навчання штучного інтелекту переживає безпрецедентний рост, з глобальним ринком штучного інтелекту, який очікується досягне $407 мільярдів до 2027 року. Хоча цей рост досі був зосереджений на центральних хмарних середовищах з пулами обчислювальних ресурсів, чітка тенденція виникла: справжня трансформація відбувається в висновку штучного інтелекту – де навчені моделі застосовують своє навчання до реальних сценаріїв.

Однак, оскільки організації переходять за межі фази навчання, увага зосереджена на тому, де та як ці моделі розгортаються. Висновок штучного інтелекту на краях швидко стає стандартом для конкретних випадків використання, що обумовлено практичними необхідностями. Хоча навчання вимагає суттєвої обчислювальної потужності та зазвичай відбувається в хмарних або центрах даних середовищах, висновок чутливий до затримки, тому чим ближче він працює до джерела даних, тим краще він може інформувати рішення, які потрібно приймати швидко. Саме тут вступає в дію краєве обчислювання.

Чому краєвий штучний інтелект має значення

Перехід до розгортання краєвого штучного інтелекту революціонізує спосіб, яким організації реалізують рішення штучного інтелекту. З прогнозами, які показують, що понад 75% даних, згенерованих підприємствами, будуть створені та оброблені поза традиційними центрами даних до 2027 року, ця трансформація пропонує кілька критичних переваг. Низька затримка дозволяє приймати рішення в реальному часі без затримок зв’язку з хмарою. Крім того, розгортання на краях підвищує захист приватності, обробляючи чутливі дані локально без виходу за межі організації. Вплив цього перехіду розширюється за межі цих технічних питань.

Промислові застосування та випадки використання

Виробництво, яке очікується становитиме більше 35% ринку краєвого штучного інтелекту до 2030 року, стоїть як піонер у прийнятті краєвого штучного інтелекту. У цьому секторі краєве обчислювання дозволяє здійснювати моніторинг обладнання в реальному часі та оптимізацію процесів, суттєво знижуючи простої та підвищуючи операційну ефективність. Штучний інтелект на основі прогнозної підтримки на краях дозволяє виробникам виявляти потенційні проблеми до того, як вони спричинять дорогої поломки. Аналогічно для транспортної галузі, залізничні оператори також досягли успіху з краєвим штучним інтелектом, який допоміг збільшити доходи, визначивши більш ефективні середні та короткі маршрути та розв’язання для взаємозаміни.

Застосування комп’ютерного зору особливо демонструють універсальність розгортання краєвого штучного інтелекту. Наразі лише 20% корпоративного відео обробляється автоматично на краях, але це очікується досягне 80% до 2030 року. Ця драматична зміна вже очевидна у практичних застосуваннях, від розпізнавання номерних знаків на митних пунктах до виявлення засобів індивідуального захисту на заводах та розпізнавання осіб у транспортній безпеці.

Сектор комунальних послуг пропонує інші переконливі випадки використання. Краєве обчислювання підтримує інтелектуальне управління критичною інфраструктурою, такою як електричні, водопостачальні та газові мережі, в реальному часі. Міжнародна енергетична агенція вважає, що інвестиції в розумні мережі повинні більш ніж подвоїтися до 2030 року, щоб досягти кліматичних цілей світу, з краєвим штучним інтелектом, який відіграє важливу роль у управлінні розподіленими джерелами енергії та оптимізації операцій мережі.

Виклики та розгляди

Хоча хмарне обчислювання пропонує практично необмежену масштабованість, розгортання на краях представляє унікальні обмеження щодо доступних пристроїв та ресурсів. Багато підприємств все ще працюють над тим, щоб зрозуміти повні наслідки та вимоги краєвого обчислювання.

Організації все частіше розширюють свою обробку штучного інтелекту до країв, щоб вирішити кілька критичних завдань, властивих висновку, заснованому на хмарі. Обмеження суверенітету даних, вимоги безпеки та обмеження мережевої сполучності часто роблять висновок, заснований на хмарі, непрактичним для чутливих або критичних за часом застосування. Економічні розгляди є однаково переконливими – ліквідація постійного переносу даних між хмарними та краєвими середовищами суттєво знижує операційні витрати, роблячи локальну обробку більш привабливою опцією.

По мірі того, як ринок дозріває, ми очікуємо побачити появу комплексних платформ, які спрощують розгортання та управління краєвими ресурсами, подібно до того, як хмарні платформи спрощують централізоване обчислювання.

Стратегія реалізації

Організації, які бажають прийняти краєвий штучний інтелект, повинні розпочати з повного аналізу своїх конкретних завдань та випадків використання. Прийняття рішень повинно розробити комплексні стратегії як для розгортання, так і для довгострокового управління рішеннями краєвого штучного інтелекту. Це включає розуміння унікальних вимог розподілених мереж та різних джерел даних і того, як вони відповідають широким бізнес-цілям.

Попит на інженерів MLOps продовжує зростати швидко, оскільки організації визнають критичну роль цих фахівців у мостуванні прогалини між розробкою моделей та операційним розгортанням. По мірі того, як вимоги до інфраструктури штучного інтелекту еволюціонують та стають можливими нові застосування, потреба в фахівцях, які можуть успішно розгортати та підтримувати системи машинного навчання у масштабі, стає все більш терміновою.

Розгляди безпеки в краєвому середовищі особливо критичні, оскільки організації розподіляють свою обробку штучного інтелекту по декількох місцях. Організації, які сьогодні освояють ці завдання реалізації, позиціонують себе для лідерства в економіці штучного інтелекту завтра.

Дорога вперед

Корпоративний ландшафт штучного інтелекту переживає суттєву трансформацію, зсуваючи акцент з навчання на висновок, з зростаючою увагою до сталого розгортання, оптимізації витрат та підвищення безпеки. По мірі того, як прискорюється прийняття краєвої інфраструктури, ми бачимо, як краєве обчислювання змінює спосіб, яким підприємства обробляють дані, розгортають штучний інтелект та будують наступне покоління застосунків.

Ера краєвого штучного інтелекту нагадує ранній період інтернету, коли можливості здавалися безмежними. Сьогодні ми стоїмо на подібному кордоні, спостерігаючи, як розподілений висновок стає новою нормою та дозволяє інноваціям, яких ми тільки починаємо уявляти. Ця трансформація очікується мати величезний економічний вплив – штучний інтелект очікується внесе $15,7 трильйонів до глобальної економіки до 2030 року, з краєвим штучним інтелектом, який відіграє важливу роль у цьому зростанні.

Майбутнє штучного інтелекту лежить не тільки в створенні розумніших моделей, але й у розгортанні їх інтелектуально там, де вони можуть створити найбільшу цінність. По мірі того, як ми рухаємося вперед, здатність ефективно реалізовувати та керувати краєвим штучним інтелектом стане ключовим диференціатором для успішних організацій у економіці, керованій штучним інтелектом.