الكشف عن فرص جديدة باستخدام Edge AI

في ظل المناخ الاقتصادي الحالي ، يجب أن تمتد دولارات البحث والتطوير أكثر من أي وقت مضى. تستهجن الشركات الاستثمارات في مجال التكنولوجيا والبنية التحتية الكبيرة ، في حين أن مخاطر الفشل تساهم في ضغط كبير على أصحاب المصلحة في المشروع.

ومع ذلك ، هذا لا يعني أن الابتكار يجب أن يتوقف أو حتى يتباطأ. بالنسبة للشركات الناشئة والمؤسسات الكبيرة على حد سواء ، فإن العمل على تقنيات جديدة وتحويلية أمر ضروري لتأمين القدرة التنافسية الحالية والمستقبلية. يقدم الذكاء الاصطناعي (AI) حلولًا متعددة الأوجه عبر مجموعة واسعة من الصناعات.

في العقد الماضي ، لعب الذكاء الاصطناعي دورًا مهمًا في فتح فئة جديدة كاملة من فرص الإيرادات. من فهم سلوك المستخدم والتنبؤ به إلى المساعدة في إنشاء الكود والمحتوى ، تضاعفت ثورة الذكاء الاصطناعي والتعلم الآلي (ML) عدة مرات على القيمة التي يحصل عليها المستهلكون من تطبيقاتهم ومواقعهم الإلكترونية وخدماتهم عبر الإنترنت.

ومع ذلك ، اقتصرت هذه الثورة إلى حد كبير على السحابة ، حيث يجعل التخزين والحوسبة غير المحدودين تقريبًا – جنبًا إلى جنب مع تجريد الأجهزة المريح الذي يقدمه موفرو خدمات السحابة العامة الأساسية – من السهل نسبيًا إنشاء أنماط أفضل الممارسات لكل تطبيق AI / ML . يمكن تخيله.

منظمة العفو الدولية: الانتقال إلى الحافة

مع حدوث معالجة الذكاء الاصطناعي بشكل أساسي في السحابة ، ظلت ثورة الذكاء الاصطناعي / التعلم الآلي بعيدة المنال إلى حد كبير بالنسبة للأجهزة المتطورة. هذه هي المعالجات الأصغر ذات الطاقة المنخفضة الموجودة في أرض المصنع ، وفي موقع البناء ، وفي مختبر الأبحاث ، وفي المحمية الطبيعية ، وفي الملحقات والملابس التي نرتديها ، وداخل العبوات التي نشحنها وفي أي سياق آخر حيث الاتصال يكون. والتخزين والحساب والطاقة محدودة أو لا يمكن اعتبارها أمرًا مفروغًا منه. في بيئاتهم ، تعد دورات الحساب وبنيات الأجهزة مهمة ، ولا يتم قياس الميزانيات بعدد نقاط النهاية أو اتصالات المقبس ، ولكن بالواط والنانو ثانية.

يجب أن يتطلع كبار المسؤولين التنفيذيين والهندسة والبيانات وقادة التعلم الآلي وفرق المنتجات التي تتطلع إلى كسر حاجز التكنولوجيا التالي في الذكاء الاصطناعي / تعلم الآلة نحو الحافة. تقدم Edge AI و edge ML تحديات فريدة ومعقدة تتطلب التنسيق الدقيق ومشاركة العديد من أصحاب المصلحة مع مجموعة واسعة من الخبرة من تكامل الأنظمة والتصميم والعمليات والخدمات اللوجستية إلى البيانات المضمنة وهندسة تكنولوجيا المعلومات والتعلم الآلي.

تشير Edge AI إلى أنه يجب تشغيل الخوارزميات في نوع من الأجهزة الخاصة بالغرض بدءًا من البوابات أو الخوادم المحلية على الطرف الأعلى إلى مستشعرات تجميع الطاقة ووحدات MCU في النهاية المنخفضة. يتطلب ضمان نجاح مثل هذه المنتجات والتطبيقات أن تعمل فرق البيانات والتعلم الآلي عن كثب مع فرق المنتجات والأجهزة لفهم احتياجات بعضهم البعض وقيودهم ومتطلباتهم.

في حين أن تحديات بناء حل ذكاء اصطناعي متطور حسب الطلب ليست مستعصية على الحل ، توجد منصات لتطوير خوارزمية الذكاء الاصطناعي المتطورة التي يمكن أن تساعد في سد الفجوة بين الفرق الضرورية ، وضمان مستويات أعلى من النجاح في فترة زمنية أقصر ، والتحقق من صحة الاستثمار الإضافي. من المفترض صناعتها. فيما يلي اعتبارات إضافية.

اختبار الأجهزة أثناء تطوير الخوارزميات

ليس من الفعال ولا دائمًا أن يتم تطوير الخوارزميات بواسطة فرق علوم البيانات و ML ، ثم تمريرها إلى مهندسي البرامج الثابتة لتلائمها على الجهاز. يجب أن يكون اختبار ونشر الأجهزة في الحلقة جزءًا أساسيًا من أي خط تطوير متطور للذكاء الاصطناعي. من الصعب توقع قيود الذاكرة والأداء والكمون التي قد تنشأ أثناء تطوير خوارزمية ذكاء اصطناعي متطور دون وجود طريقة في الوقت نفسه لتشغيل واختبار الخوارزمية على الأجهزة.

لا يُقصد أيضًا تشغيل بعض هياكل النماذج المستندة إلى مجموعة النظراء للعمل على أي نوع من الأجهزة المقيدة أو المتطورة ، وتوقع هذا في وقت مبكر يمكن أن يوفر شهورًا من الألم على الطريق لفرق البرامج الثابتة و ML.

بيانات إنترنت الأشياء لا تساوي البيانات الضخمة

تشير البيانات الضخمة إلى مجموعات البيانات الكبيرة التي يمكن تحليلها للكشف عن الأنماط أو الاتجاهات. ومع ذلك ، فإن بيانات إنترنت الأشياء (IoT) لا تتعلق بالضرورة بالكمية ، ولكن بجودة البيانات. علاوة على ذلك ، يمكن أن تكون هذه البيانات عبارة عن مستشعر سلسلة زمنية أو بيانات صوتية أو صور ، وقد تكون المعالجة المسبقة ضرورية.

يمكن أن يؤدي الجمع بين تقنيات معالجة بيانات المستشعر التقليدية مثل معالجة الإشارات الرقمية (DSP) مع AI / ML إلى إنتاج خوارزميات جديدة للذكاء الاصطناعي توفر رؤى دقيقة لم تكن ممكنة مع التقنيات السابقة. لكن بيانات إنترنت الأشياء ليست بيانات ضخمة ، لذا فإن كمية وتحليل مجموعات البيانات هذه لتطوير الذكاء الاصطناعي المتطور سيكونان مختلفين. يُعد إجراء التجارب السريعة لحجم مجموعة البيانات وجودتها مقابل دقة النموذج الناتج والأداء خطوة مهمة على مسار خوارزميات الإنتاج القابلة للنشر.

تطوير الأجهزة أمر صعب بما فيه الكفاية

يعد بناء الأجهزة أمرًا صعبًا ، بدون المتغير الإضافي المتمثل في معرفة ما إذا كانت الأجهزة المحددة يمكنها تشغيل أحمال عمل برامج الذكاء الاصطناعي المتطورة. من الأهمية بمكان البدء في قياس الأجهزة حتى قبل اختيار فاتورة المواد. بالنسبة للأجهزة الموجودة ، قد تكون القيود المتعلقة بالذاكرة المتوفرة على الجهاز أكثر أهمية.

حتى مع مجموعات البيانات المبكرة والصغيرة ، يمكن لمنصات تطوير الذكاء الاصطناعي المتطورة أن تبدأ في تقديم تقديرات للأداء والذاكرة لنوع الأجهزة المطلوبة لتشغيل أعباء عمل الذكاء الاصطناعي.

إن وجود عملية لتقييم اختيار الجهاز وقياس الأداء مقابل إصدار مبكر من طراز Edge AI يمكن أن يضمن دعم الأجهزة للبرامج الثابتة المطلوبة ونماذج الذكاء الاصطناعي التي سيتم تشغيلها على الجهاز.

قم ببناء والتحقق من صحة برامج الذكاء الاصطناعي الجديدة ودفعها إلى الإنتاج

عند اختيار نظام أساسي للتطوير ، يجدر أيضًا التفكير في الدعم الهندسي المقدم من بائعين مختلفين. تشمل Edge AI علم البيانات والتعلم الآلي والبرامج الثابتة والأجهزة ، ومن المهم أن يقدم البائعون إرشادات في المجالات التي قد تحتاج فيها فرق التطوير الداخلية إلى القليل من الدعم الإضافي.

في بعض الحالات ، لا يتعلق الأمر بالنموذج الفعلي الذي سيتم تطويره ، بل يتعلق أكثر بالتخطيط الذي يدخل في تدفق تصميم على مستوى النظام يشتمل على البنية التحتية للبيانات ، وأدوات تطوير ML ، والاختبار ، وبيئات النشر والتكامل المستمر ، والنشر المستمر (CI) ). / CD) خطوط الأنابيب.

أخيرًا ، من المهم لأدوات تطوير الذكاء الاصطناعي المتطورة أن تستوعب مستخدمين مختلفين عبر فريق – من مهندسي ML إلى مطوري البرامج الثابتة. تعد واجهات المستخدم ذات التعليمات البرمجية المنخفضة / التي لا تحتوي على تعليمات برمجية طريقة رائعة لإنشاء نماذج أولية وتطبيقات جديدة بسرعة ، بينما يمكن أن تكون واجهات برمجة التطبيقات (API) و SDKs مفيدة لمطوري ML الأكثر خبرة والذين قد يعملون بشكل أفضل وأسرع في Python من دفاتر Jupyter.

توفر المنصات ميزة المرونة في الوصول ، حيث تلبي احتياجات العديد من أصحاب المصلحة أو المطورين الذين قد يتواجدون في فرق متعددة الوظائف تبني تطبيقات ذكاء اصطناعي متطورة.

شينا باتيل هي المديرة التنفيذية الأولى لحسابات المؤسسة في شركة Edge Impulse.

خورخي سيلفا كبير مهندسي الحلول في شركة Edge Impulse.