تحقق من جميع الجلسات عند الطلب من قمة الأمن الذكي هنا.
مع نمو وتطور عدد حالات استخدام التعلم الآلي (ML) ، يستخدم عدد متزايد من مؤسسات MLops المزيد من ML على الحافة – أي أنهم يستثمرون في تشغيل نماذج ML على الأجهزة الموجودة على أطراف الشبكة ، بما في ذلك الذكية الكاميرات أو أجهزة حوسبة إنترنت الأشياء أو الأجهزة المحمولة أو الأنظمة المدمجة.
توقعت ABI Research ، وهي شركة استخبارات تكنولوجية عالمية ، مؤخرًا أن يتجاوز سوق تمكين ML المتقدم 5 مليارات دولار بحلول عام 2027. في حين أن السوق لا يزال في “مرحلة ناشئة” ، وفقًا ليان جي سو ، مدير الأبحاث في ABI Research ، فإن الشركات التي تبحث لتخفيف التحديات التي تواجه تطبيقات Edge ML ، تتحول إلى مجموعة متنوعة من الأنظمة الأساسية والأدوات والحلول لتعزيز سير عمل MLops من طرف إلى طرف.
قال Lou Flynn ، كبير مديري المنتجات للذكاء الاصطناعي والتحليلات في SAS: “إننا نرى بالتأكيد مؤسسات MLops تزيد من استخدام EdgeML”. “تعمل الشركات الكبيرة والصغيرة على السحابة لأسباب مختلفة ، ولكن السحابة لا تصلح لكل حالة استخدام – لذا فإن المؤسسات من كل صناعة تقريبًا ، بما في ذلك الطيران والتصنيع والطاقة والرافعة المالية للسيارات ، تقدم الذكاء الاصطناعي ميزة تنافسية . ”
في ما يلي 5 أسباب تجعل فرق MLops تعطي امتنانًا ممتازًا لـ ML:
حدث
قمة أمنية ذكية عند الطلب
تعرف على الدور الحاسم للذكاء الاصطناعي وتعلم الآلة في الأمن السيبراني ودراسات الحالة الخاصة بالصناعة. شاهد الجلسات عند الطلب اليوم.
مشاهدة هنا
1. أصبحت الأجهزة المتطورة أسرع وأكثر قوة.
قال فريدريك هفيلشوج ، كبير مهندسي ML في شركة Encord للرؤية الحاسوبية المرتكزة على البيانات: “لقد رأينا العديد من الشركات تركز على العمليات الشاملة حول Edge ML”. وأوضح أن السببين الرئيسيين هما أن الأجهزة المتطورة أصبحت قوية بشكل متزايد بينما أصبح ضغط النموذج أكثر فاعلية ، مما يسمح بتشغيل نماذج أكثر قوة بسرعة أعلى. عادةً ما تعيش أجهزة Edge أيضًا بالقرب من مصدر البيانات مما يزيل الحاجة إلى نقل كميات كبيرة من البيانات.
وقال: “إن الجمع بين الاثنين يعني أن النماذج عالية الأداء يمكن تشغيلها على الأجهزة المتطورة بسرعة قريبة من الوقت الحقيقي”. “في السابق ، كانت وحدات معالجة الرسومات التي تعيش على الخوادم المركزية ضرورية للحصول على مدخلات نموذجية عالية – ولكن على حساب الاضطرار إلى نقل البيانات ذهابًا وإيابًا مما جعل حالة الاستخدام أقل عملية.”
2. تقدم EdgeML كفاءة أكبر.
قال Lou Flynn ، كبير مديري المنتجات للذكاء الاصطناعي والتحليلات في SAS ، إن مشهد البيانات الموزعة اليوم مليء بفرصة تحليل المحتوى لتحقيق الكفاءات.
“تنشأ العديد من مصادر البيانات من مواقع بعيدة ، مثل المستودعات ، أو جهاز استشعار قائم بذاته في موقع زراعي كبير ، أو حتى من CubeSat [a square-shaped miniature satellite] كجزء من كوكبة من مجسات التصوير الكهروضوئي “. يصور كل من هذه السيناريوهات حالات الاستخدام التي يمكن أن تكتسب كفاءات من خلال تشغيل Edge ML مقابل انتظار تسوية البيانات في التخزين السحابي. ”
3. عرض النطاق الترددي وتوفير التكاليف هما المفتاح.
قال Kjell Carlsson ، رئيس إستراتيجية علوم البيانات في Domino Data Lab ، الذي أوضح أن إنترنت الأشياء غير ممكن إذا كانت البيانات من كل أجهزة الاستشعار تحتاج ليتم دفقها إلى السحابة لتحليلها.
وقال: “لن تدعم الشبكة في السوبر ماركت البث عالي الدقة من بضع عشرات من الكاميرات ، ناهيك عن مئات الكاميرات وأجهزة الاستشعار الأخرى التي قد تريدها في متجر ذكي”. وأضاف أنه من خلال تشغيل ML على الحافة ، فإنك تتجنب أيضًا تكلفة نقل البيانات.
وقال: “على سبيل المثال ، تستخدم إحدى الشركات المصنّعة في Fortune 500 ميزة Edge ML لمراقبة المعدات باستمرار للتنبؤ بفشل المعدات وتنبيه الموظفين إلى المشكلات المحتملة”. “باستخدام النظام الأساسي MLOps من Domino ، يراقبون أكثر من 5000 إشارة مع أكثر من 150 نموذجًا للتعلم العميق.”
4. يساعد EdgeML في قياس البيانات الصحيحة.
قال Hvilshøj إن القيمة الحقيقية لـ edge ML هي أنه باستخدام الأجهزة الموزعة ، يمكنك توسيع نطاق الاستدلال على نموذجك دون الحاجة إلى شراء خوادم أكبر.
قال “مع توسيع نطاق الاستدلال بعيدًا عن الطريق ، فإن المشكلة التالية هي جمع البيانات الصحيحة لتكرار التدريب التالي”. في كثير من الحالات ، لا يكون جمع البيانات الأولية أمرًا صعبًا ، ولكن اختيار البيانات إلى التسمية التالية يصبح صعبًا بالنسبة لكميات كبيرة من البيانات. يمكن أن تساعد موارد الحساب الموجودة على الأجهزة الطرفية في تحديد ما قد يكون أكثر صلة بالتسمية.
وقال: “على سبيل المثال ، إذا كان جهاز الحافة عبارة عن هاتف ورفض مستخدم الهاتف توقعًا ، فقد يكون هذا مؤشرًا جيدًا على أن النموذج كان خاطئًا”. “في المقابل ، سيكون جزء معين من البيانات مفيدًا لإعادة تدريب النموذج بالتسميات المناسبة.”
5. تريد منظمات MLops المزيد من المرونة.
وفقًا لـ Flynn ، يجب على مؤسسات MLops الاستفادة من نماذجها ليس فقط لاتخاذ قرارات أفضل ، ولكن أيضًا لتحسين هذه النماذج لملفات تعريف الأجهزة المختلفة – على سبيل المثال ، باستخدام تقنية مثل Apache TVM (Tensor Virtual Machine) لتجميع النماذج لتشغيلها بشكل أكثر كفاءة. موفرو السحابة المختلفون وعبر الأجهزة ذات الأجهزة المختلفة (وحدة المعالجة المركزية ووحدة معالجة الرسومات و / أو FPGAs). يستخدم أحد عملاء SAS – Georgia-Pacific ، وهي شركة أمريكية لصناعة اللب والورق – الحوسبة المتطورة في العديد من مرافق التصنيع البعيدة حيث غالبًا ما لا يكون الاتصال عالي السرعة موثوقًا به أو غير فعال من حيث التكلفة.
وقال: “تمنح هذه المرونة فرق MLops القدرة على دعم مجموعة واسعة من حالات الاستخدام ، وتمكينهم من معالجة بياناتهم على مجموعة متزايدة من الأجهزة”. على الرغم من أن نطاق الأجهزة واسع ، إلا أنها غالبًا ما تأتي مع قيود على الموارد يمكن أن تقيد نشر النموذج. هذا هو المكان الذي يلعب فيه ضغط النموذج. يقلل ضغط النموذج من أثر النموذج ويمكّنه من العمل على أجهزة أكثر إحكاما (مثل جهاز الحافة) مع تحسين الأداء الحسابي للنموذج “.
مهمة VentureBeat هو أن تكون ساحة المدينة الرقمية لصناع القرار التقنيين لاكتساب المعرفة حول تكنولوجيا المؤسسات التحويلية والمعاملات. اكتشف إحاطاتنا.
اكتشاف المزيد من إشراق التقنية
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.