Edge ai что это

Обновлено: 06.07.2024

Облачные вычисления — это технология, которая позволяет хранить и обрабатывать данные удаленно в «облаке». Для этого используются центры обработки данных (ЦОДы). Компании, применяющей облачные технологии, не обязательно создавать свою IT-инфраструктуру — все необходимое ей может предоставить провайдер. Нужен только доступ в интернет, чтобы открыть сайт или приложение.

Преимущества и недостатки

Надежное оборудование. У провайдеров облаков есть ресурсы для передачи, хранения и обработки данных: хранилища, серверы, сети, программное обеспечение и многое другое.
Безопасность. Оператор облачных сервисов отвечает за сохранность данных. Например, организует шифрование, защиту от атак и аварийное восстановление.
Развитость технологии. На мировом и российском рынках существует множество компаний, которые занимаются облачными технологиями. Список услуг разнообразный: посекундная тарификация, частные, публичные и гибридные облака, круглосуточная техническая поддержка, несколько ЦОД в разных местах.

Задержка в передаче данных между клиентом и ЦОД. Данные передаются от клиента в ЦОД и обратно, проходя многие километры сетей. Это может создать задержки.
Сложная и дорогая инфраструктура. Если компания не хочет использовать публичное облако, то выбирает частное или гибридное. Но установить и поддерживать большой дата-центр на производстве — затратная задача.

Сфера применения

Облачные технологии применяются повсеместно: в госсекторе, производстве, ритейле, IT-компаниях, финансовой сфере и телекоммуникациях. Сложно представить современную жизнь без электронной почты, Google Docs, магазинов приложений и публичных облаков вроде Dropbox, Google Drive или «Яндекс.Диска».

«Cloud Computing наиболее динамично развивается последнее десятилетие, уровень проникновения технологии в развитых странах превышает 90%. Компании-операторы облаков и дата-центров обладают значительной экспертизой в этой области и могут предоставить пользователю наиболее совершенные технологические решения в области IT-инфраструктуры on-demand».

Облака важны для сбора, хранения и обработки больших объемов информации — например, там, где применяются технологии Big Data и искусственный интеллект.

Туманные вычисления (Fog computing)

Туманные вычисления — это технология, благодаря которой хранение и обработка данных происходят в локальной сети между конечным устройством и ЦОД. «Туман», в отличие от «облака», находится ближе к пользователям. Это децентрализованная система, которая фильтрует информацию, поступающую в дата-центр.

Преимущества и недостатки

Расскажи, как цифровая трансформация изменила твой бизнес

Снятие нагрузки с облака. Использование туманных технологий вместе с облачными помогает снизить нагрузку на ЦОД. Локальные сервера обрабатывают данные и отправляют в дата-центр только самые важные.
Передача данных в режиме реального времени. «Туман» находится ближе к пользователю, поэтому время на обработку и передачу информации снижается.
Дополнительная безопасность. В локальной сети можно установить еще один уровень защиты — виртуальный файрвол, сегментацию трафика или что-то ещё.

Проблемы с сетевыми узлами. Децентрализованные сети менее надежны, чем сети больших дата-центров.

Сфера применения

Туманные вычисления применяются для связи устройств интернета вещей (IoT). С помощью «тумана» данные передаются и анализируются почти без задержек, что критично для некоторых IoT-устройств — например, датчиков в беспилотных автомобилях.

«Проще говоря, туманные вычисления заточены под межмашинное взаимодействие и применяться могут в любой отрасли, где оно используется — в производстве, здравоохранении, энергетике, финансовой сфере и других».

Юлий Гольдберг, директор по развитию бизнеса, SAS Россия / СНГ

Межмашинное взаимодействие (Machine-to-Machine, M2M) — технология, связанная с интернетом вещей. Она позволяет передавать данные с устройства на устройство без взаимодействия с человеком. Для этого используют сотовую связь, поэтому мобильные операторы предлагают свои услуги в сфере M2M.

Технологию применяют для передачи данных из банкоматов и торговых автоматов, мониторинга состояния пациентов, в системах сигнализации и видеонаблюдения, в датчиках топлива, счетчиках электроэнергии и воды, для отслеживания транспорта и грузов. Туманные вычисления позволят машинам общаться быстрее и эффективнее.

Граничные вычисления (Edge computing)

Граничные вычисления — это технология обработки и хранения данных на конечном устройстве. Они находятся еще ближе к пользователю, чем «облако» и «туман».

Преимущества и недостатки

Практически нулевая задержка в передаче данных. Вычисления производятся на конечных устройствах, поэтому информации не нужно преодолевать километры сетей, чтобы добраться до ЦОД.
Надежность вычислений. Данные обрабатываются даже в отсутствие подключения к интернету.
Безопасность. Вся информация остается на устройстве. Её не обязательно передавать в публичное облако.

Затраты на оборудование и сотрудников. Пользователю технологии придется купить и настроить оборудование, привлечь специалистов. Это сложнее, чем подключить публичное облако.

Сфера применения

Сферы применения граничных и туманных технологий во многом пересекаются. Главное их преимущество — скорость передачи и анализа данных. Поэтому эти технологии используются там, где важна обработка информации в реальном времени — например, в сферах IoT и VR/AR.

На производстве граничные вычисления нужны для своевременного обслуживания оборудования, в нефтяной индустрии они помогут обнаружить неисправности и протечки, а в банковской сфере технология позволит быстро принять решение по кредиту или обнаружить мошенничество. Во всех примерах граничные вычисления помогают действовать без задержек.

«Edge нашел широкое применение на промышленных предприятиях. Облачные вычисления демонстрируют гибкость и эффективность, но распространение IIoT и мобильных вычислений привело к ограничению диапазона частот для обработки. Также нюанс заключается в том, что “умное” оборудование на предприятиях не всегда требует подключения к cloud для выполнения расчетов. В таких случаях проектировщики сетей делают ставку на периферию и повышают эффективность обработки данных».

Геннадий Былов, генеральный директор Rockwell Automation

Источник: CB Insights

Перспективы развития облаков

Облачные технологии стремительно внедряются в нашу жизнь. Согласно данным исследования IDC, рынок облачных услуг в России в 2018 году увеличился на 24,8% и составил $804 млн. Компании потратили $470 млн на оплату «облаков». Самыми активными покупателями услуг стали предприятия розничной и оптовой торговли, производство и финансовый сектор.

Популярнее всех оказались публичные облака — затраты на них составили 85% расходов. Остальное потратили на частные облака. По прогнозам цифры будут расти: в 2019 году расходы увеличатся на 23,6%, а среднегодовые темпы роста рынка до 2023 года будут составлять 14,6%.

Государство тоже заинтересовано в облачных технологиях. Минкомсвязи вместе с «Ростелекомом» давно разрабатывает идею «Гособлака». А в конце августа 2019 года была утверждена концепция единой государственной облачной платформы. Госструктуры будут выбирать между частными провайдерами облачных услуг.

Развитие edge/fog computing

В мире

Уже сейчас компании начинают применять граничные и туманные вычисления наряду с облаками. Конечно, на Западе эти технологии более развиты — их используют и крупные корпорации, и стартапы.

Большие компании, которые продают облачные услуги, расширяют ассортимент. Microsoft предлагает не только облако, но и решения с граничными технологиями. Например, систему, которая позволяет перенести часть вычислений на IoT-устройства, или пограничный сервер для обработки данных с искусственным интеллектом. Amazon тоже не отстает и предлагает свой сервис для интернета вещей с граничными вычислениями. При этом компании не забывают про основной продукт — данные не только обрабатываются на периферии, но и передаются в облако.

Новые технологические услуги помогают в обработке данных на производстве, где задержки — серьёзная помеха в работе.

«В первую очередь это, конечно же, машиностроение и автомобилестроение, так как в этих отраслях производятся технически сложные изделия, а производственные линии генерируют большой объём данных. Но технологии периферийных и облачных вычислений внедряются в самые разнообразные отрасли промышленности, включая нефтегазовую, пищевую, химическую промышленность, производство батарей, в инфраструктурные объекты, распределение электроэнергии, водоснабжение, аэропорты и железнодорожный транспорт».

Роман Абзаев, эксперт управления «Цифровое производство» компании Siemens в России

Появляются стартапы, которые фокусируются на применении граничных и туманных вычислений. Например, FogHorn и Pixeom предлагают услуги для компаний в энергетике, телекоме, производстве, ритейле, финансах, безопасности и других сферах. SimShine разрабатывает граничные технологии для камер видеонаблюдения. Компаний, которые предоставляют услуги производству и простым пользователям, становится все больше.

«Таких компаний и решений на самом деле много. В качестве актуального наглядного примера можно привести компании, которые сейчас внедряют решения по видеоаналитике. При отсутствии объектов или событий видео не передаётся на центральный сервер и не загружает каналы связи. При этом в ЦОД передаётся только информация о тревожных событиях и инцидентах».

Андрей Тищенко, заместитель директора Департамента вычислительных систем ИТ-компании КРОК

В России

Но и в России туманные и граничные вычисления уже не новые понятия.

Например, Nokia и фонд «Сколково» в 2016 году договорились работать над технологией мобильных граничных вычислений (Mobile Edge Computing). Она позволит перенести часть анализа данных ближе к пользователям связи. С её помощью не будет теряться качество интернет-соединения во время массовых мероприятий. Правда, пока конкретных проектов в этой сфере нет.
Администрация президента в том же 2016 году поручила Минкомсвязи, «Ростелекому», Минпромторгу и Агентству стратегических инициатив заняться инфраструктурой для туманных вычислений. Это важно для развития промышленного интернета вещей (IIoT), которым сейчас активно занимаются госкомпании. Например, ГЛОНАСС-ТМ планирует создать сеть для IIoT на территории России, а «Ростелеком» протестировал NB-IoT — стандарт сотовой связи для интернета вещей.

Пока государственные организации экспериментируют со связью, стартапы внедряют практические решения. С туманными вычислениями работает SONM — предлагает платформу с технологией блокчейна. Идея состоит в том, чтобы создать децентрализованный суперкомпьютер. Пользователи могут сдать мощность своего компьютера в аренду и присоединиться к распределенной сети. Компании в свою очередь покупают возможности туманной платформы для своих вычислений.

С граничными технологиями также связан стартап Facemetric. Он предоставляет клиентам камеры видеонаблюдения и ЦОД с нейросетями, чтобы искать образы в видео — лица, автомобильные номера, ценники и многое другое. Но хранить и обрабатывать большой видеопоток в облаке тяжело и не всегда целесообразно.

Поэтому компания решила использовать граничные вычисления. «В данном случае мы используем более высокопроизводительные вычислители, которые дублируют в себе функционал распознавания, хранят оперативный слепок базы данных и могут работать автономно при потере связи с облачным сервисом. Такой подход повышает требования к производительности вычислителей, их стоимость, но обеспечивает стабильную работу при потере связи с центральным узлом», — рассказывает Юрий Годына, основатель Facemetric.

В России новые технологии будут развиваться и дальше. Как отмечает Юрий Годына, они уже вошли в нашу жизнь:

«В настоящее время появилось множество вариантов реализации проектов в области интернета вещей и граничных вычислений — сбор показаний счетчиков, умные автобусные остановки, системы контроля за водителями общественного транспорта и так далее. Еще пару лет назад на конференциях и круглых столах можно было услышать мнения о раздутости пузыря интернета вещей, умного дома, неподъемной стоимости решений. А сейчас мы видим реализацию этих технологий, они постепенно приходят в нашу жизнь и делают ее комфортнее».

Конечно, туманные и граничные вычисления не вытеснят облако. Технологии будут развиваться вместе и дополнять друг друга. Там, где нужны надежные мощные ЦОДы и экономия IT-ресурсов, облако останется в приоритете. А там, где важна скорость принятия решений, будут развиваться edge и fog computing — при этом облако будет хранить важные данные.

Татьяна Бочарникова, глава представительства NetApp в России и СНГ:

«Бытует мнение, что Edge и Fog computing в конечном итоге полностью заменят собой уже ставшие привычными облачные решения. Но это вовсе не так. Да, бывает, что периферийные технологии обеспечивают более серьезные преимущества, чем полностью централизованные облачные платформы, особенно с точки зрения хранения данных. Но всегда ядром корпоративной ИТ-инфраструктуры остается гибридная и мультиоблачная концепция. Иначе говоря, периферийные и туманные вычисления не заменят облачные, так как, по сути, и являются не чем иным, как “расширением” и “продолжением” облака».

В последние годы методы внедрения искусственного интеллекта меняются по всему миру. По мере того как пользователи проводят все больше времени на своих устройствах, компании все больше осознают необходимость переноса на устройства необходимых вычислений для обслуживания большего числа клиентов. Это причина того, что рынок периферийных вычислений продолжит ускоряться в следующие несколько лет и к 2023 году достигнет $1,12 трлн. По данным Gartner, 91% сегодняшних данных обрабатывается в централизованных центрах обработки данных. Но к 2022 году около 74% всех данных потребуют анализа и на граничных устройствах.

Edge Computing, или граничные вычисления – это парадигма распределенных вычислений, которая приближает вычисления и хранение данных к месту нахождения устройства. Они возникли из сетей доставки контента, и компании используют виртуализацию для расширения собственных возможностей.

Инфраструктура граничных вычислений

Крупные облачные компании уже предлагают услуги пограничных вычислений, а Intel и Udacity недавно запустили свою программу по обучению 1 миллиона разработчиков по всему миру.

Драйверы развития граничных вычислений

Специалисты выделяют несколько факторов, которые спровоцировали активное развитие граничных вычислений. Один из самых важных драйверов – это конфиденциальность. Поскольку потребители все больше осознают, где находятся их данные, компании разрабатывают приложения, в которых функции персонализации предоставляются после авторизации внутри них. Это позволяет компаниям предоставлять больше персонализированных функций с поддержкой ИИ, давая пользователям возможность понять, как собираются их данные.

Еще одним драйвером является безопасность. В связи с развертыванием все более распределенной архитектуры и использованием чувствительных данных, хранящихся в облаке, наблюдается движение к нескольким уровням шифрования и более динамическим механизмам шифрования. С увеличением разнообразия устройств с поддержкой ИИ, таких как смарт-динамики и телефоны, граничные узлы могут определять правильный механизм безопасности для различных девайсов. Кроме этого, локальные устройства не нуждаются в постоянном подключении к Интернету и не зависят от перебоев в работе сети. Это позволяет обрабатывать данные в местностях, где подключение к всемирной паутине затруднено или полностью отсутствует.

Еще одной очевидной причиной, по которой задачи должны выполняться на граничных устройствах – это задержка. Поскольку услуги становятся более распределенными как на уровне сети, так и на уровне устройств, возникает больше проблем с задержкой при отправке данных по сетям и устройствам.

Для повышения сквозной отказоустойчивости приложений во все более распределенных системах необходимо наличие нескольких конечных точек балансировки нагрузки. Это вызывает идею Cloudlet, который находится ближе к мобильному устройству, чтобы повысить отказоустойчивость на уровне девайса.

Что такое Edge AI

Мы уже не один раз видели переход от одних видов вычислений к другим. От мэйнфреймов к компьютерам, от компьютеров – к облаку. Теперь облачные вычисления сменяются граничными. Существует заблуждение, что граничные вычисления заменят облако. Напротив, они работают вместе с облаком.

Big Data всегда будет работать в облаке. Однако мгновенные данные, которые генерируются пользователями и относятся только к пользователям, могут быть вычислены и обработаны на периферии.

В Edge AI алгоритмы искусственного интеллекта запускаются и работают локально, без необходимости подключения к облаку или центральному серверу. ИИ использует данные, генерируемые на устройстве, обрабатывает их в режиме реального времени и выдает результат за миллисекунды.

Простейшим примером ИИ на граничном устройстве является распознавание лиц в iPhone. Камера телефона улавливает лицо пользователя, передает изображение на специальный процессор, который выполняет операцию распознавания лиц и разблокирует телефон, если изображение в реальном времени совпадает с образцом. И все это происходит за доли секунды. Более сложный пример – самоуправляемый автомобиль, компьютерная система которого собирает данные с множества датчиков и обрабатывает их локально и позволяет машине передвигаться самостоятельно. В обоих случаях алгоритмы обрабатывают информацию прямо на смартфоне или в автомобиле, чтобы не передавать данные в облако и ждать их обработки.

Перспективы граничных вычислений и Edge AI

Потенциал граничных вычислений огромен. Так, по оценкам Tractica к 2025 году количество периферийных устройств составит 2,6 млрд по всему миру. Среди самых популярных девайсов – смарт-динамики, смартфоны, планшеты, камеры видеонаблюдения, автомобильные датчики, дроны и роботы.

Эксперты ожидают от Edge AI множество изменений, включая увеличение спроса на устройства Интернета вещей, развитие сетей 5G и интеллектуальных устройств. По мере того как компании все чаще делают свои системы «умными», рынок будет стараться удовлетворить вычислительные потребности интеллектуальных корпоративных платформ.

Граничные вычисления больше не находятся на этапе проверки концепции. Предприятия будут продолжать применять передовые стратегии для улучшения своей деятельности и обеспечения производительности своих сетей в реальном времени.

Периферийные вычисления (Edge computing) вызывают значительный интерес благодаря новым сценариям использования, особенно после появления 5G. Согласно прогнозам Linux Foundation, опубликованным в отчете «2021 State of the Edge», капитализация мирового рынка инфраструктуры периферийных вычислений к 2028 г. превысит 800 млрд. долл. В то же время предприятия также активно инвестируют в искусственный интеллект. По данным исследования McKinsey «The state of AI in 2020», 50% респондентов внедрили ИИ как минимум в одну бизнес-функцию.

Хотя большинство компаний делают эти технологические инвестиции в рамках своей цифровой трансформации, дальновидные организации и облачные компании видят новые возможности в объединении периферийных вычислений и ИИ.

Что такое Edge AI

ИИ в значительной степени зависит от передачи данных и выполнения сложных алгоритмов машинного обучения. Периферийные вычисления — вычислительная парадигма нового поколения, которая переносит ИИ и машинное обучение туда, где происходят генерация данных и вычисления: на границу сети. Их объединение привело к появлению нового направления — периферийного ИИ (Edge AI).

Edge AI обеспечивает более быстрые вычисления и извлечение инсайтов, лучшую безопасность данных и эффективный контроль над непрерывностью операций. В результате он может повысить производительность приложений с поддержкой ИИ и снизить эксплуатационные расходы. Edge AI также может помочь в преодолении связанных с ИИ технологических проблем.

Периферийный ИИ облегчает машинное обучение, автономное применение моделей глубокого обучения и передовых алгоритмов на самих устройствах Интернета вещей (IoT), вне облачных сервисов.

Как Edge AI преобразит предприятия

Эффективная модель Edge AI включает оптимизированную инфраструктуру вычислений, которая может обрабатывать более объемные рабочие нагрузки ИИ на периферии. Edge AI в сочетании с решениями для хранения данных может обеспечить лучшую в отрасли производительность и безграничную масштабируемость, что позволит предприятиям эффективно использовать свои данные.

Многие мировые компании уже пользуются преимуществами Edge AI. Периферийный ИИ может принести пользу различным отраслям: от улучшения контроля производства на сборочной линии до управления автономными транспортными средствами. Более того, начавшееся во многих странах внедрение технологии 5G дает Edge AI дополнительный импульс, поскольку появляется все больше промышленных приложений для этой технологии.

К числу преимуществ сочетания периферийных вычислений и ИИ для предприятий относятся:

эффективное предиктивное обслуживание и управление активами;
сокращение продолжительности контрольной проверки продукта до менее чем одной минуты;
сокращение количества проблем на местах;
повышение удовлетворенности клиентов;
обеспечение крупномасштабной инфраструктуры и управление жизненным циклом периферийных устройств;
улучшение управления дорожным движением в городах.

Внедрение Edge AI является мудрым бизнес-решением: средний возврат инвестиций (ROI) в 5,7% от развертывания промышленного Edge AI происходит в течение трех лет.

Преимущества машинного обучения на периферии

Машинное обучение — это искусственное моделирование процесса человеческого обучения с использованием данных и алгоритмов. С помощью Edge AI оно может протянуть руку помощи предприятиям, особенно тем, которые в значительной степени полагаются на устройства IoT.

Ниже перечислены некоторые из преимуществ машинного обучения на периферии.

Конфиденциальность. Сегодня, когда информация и данные являются наиболее ценными активами, потребители с осторожностью относятся к местонахождению своих данных. Компании, которые внедрят в свои приложения персонализированные функции с поддержкой ИИ, смогут предоставить своим пользователям понимание того, как собираются и хранятся их данные. Это повысит лояльность клиентов к бренду.

Сокращение задержки. Большинство процессов обработки данных происходит как на уровне сети, так и на уровне устройства. Edge AI устраняет необходимость пересылки огромных объемов данных через сети и на устройства; таким образом, улучшается пользовательский опыт.

Минимизация полосы пропускания. Каждый день предприятию с тысячами IoT-устройств приходится передавать огромные объемы данных в облако. Затем проводить аналитику в облаке и возвращать результаты анализа обратно на устройство. Без достаточно большой пропускной способности сети и облачного хранилища этот сложный процесс превратился бы в невыполнимую задачу. Не говоря уже о возможности раскрытия конфиденциальной информации во время процесса передачи.

Однако в Edge AI реализована технология клаудлетов (cloudlet), которая представляет собой небольшое облачное хранилище, расположенное на периферии. Эта технология повышает мобильность и снижает нагрузку на передачу данных. Следовательно, она может снизить стоимость услуг передачи данных и повысить скорость и надежность потока данных.

Недорогая цифровая инфраструктура. По данным Amazon, 90% затрат на цифровую инфраструктуру приходится на Inference — жизненно важный процесс генерации данных в машинном обучении. 60% респондентов недавнего исследования RightScale согласны с тем, что Святой Грааль экономии затрат скрывается в инициативах облачных вычислений. Edge AI, в свою очередь, устраняет непомерные расходы на процессы ИИ или машинного обучения, выполняемые в облачных дата-центрах.

Технологии, влияющие на развитие Edge AI

Наиболее значительную роль в сфере Edge AI играет развитие знаний в сферах науки о данных, машинного обучения и IoT. Однако главное здесь — строго следовать траектории развития информатики. В частности, это касается приложений и устройств нового поколения с поддержкой ИИ, которые могут идеально вписаться в экосистему ИИ и машинного обучения.

В 2017 г. Intel приобрела за 15,3 млрд. долл. израильскую компанию Mobileye, занимающуюся развитыми системами помощи водителю (ADAS) [ для снижения опасности столкновения. Недавно китайский технологический гигант Baidu начал массовое производство второго поколения Kunlun AI — сверхбыстрых микрочипов для периферийных вычислений на границе.

Сюда следует добавить ускорители Google Edge TPU и Nvidia Jetson Nano, а также разработку компаниями Amazon, Microsoft, Intel и Asus материнских плат для расширения возможностей периферийных вычислений. И упомянуть AWS DeepLens — первую в мире видеокамеру с поддержкой глубокого обучения.

Проблемы Edge AI

Низкое качество данных, предоставляемых ведущими интернет-провайдерами по всему миру является основным препятствием для исследований и разработок в области Edge AI. Недавний отчет Alation показывает, что 87% респондентов — в основном сотрудники ИТ-компаний — приводят низкое качество данных в качестве причины, из-за которой их организации не могут внедрить инфраструктуру Edge AI.

Уязвимая функция безопасности. Некоторые эксперты в области цифровых технологий утверждают, что децентрализованный характер периферийных вычислений повышает их безопасность. Но в действительности распределенные данные требуют обеспечения безопасности в большем количестве точек. Это делает инфраструктуру Edge AI уязвимой для различных кибератак.

Ограниченные возможности машинного обучения. МО требует больших вычислительных мощностей на аппаратных платформах периферийных вычислений. В инфраструктуре Edge AI производительность вычислений ограничена производительностью периферийного или IoT-устройства. В большинстве случаев сложные модели Edge AI приходится упрощать перед развертыванием, чтобы повысить их точность и эффективность.

Сценарии использования Edge AI

Виртуальные помощники, такие как Amazon Alexa или Apple Siri, являются большими бенефициарами разработок Edge AI, которые позволяют их алгоритмам машинного обучения быстро обучаться на основе данных, хранящихся на устройстве, и не зависеть от данных, хранящихся в облаке.

Автоматизированный оптический контроль играет важную роль на производственных линиях. Он позволяет обнаруживать неисправные детали собранных компонентов продуктов с помощью автоматизированного визуального анализа. Edge AI дает возможность проводить высокоточный сверхбыстрый анализ данных, не полагаясь на огромные объемы передачи данных через облако.

Автономные транспортные средства. Способность автономных транспортных средств с поддержкой Edge AI принимать быстрые и точные решения позволяет лучше распознавать объекты дорожного движения и легче ориентироваться в маршрутах движения по сравнению с человеком. Это приводит к более быстрому и безопасному потоку транспорта без ручного вмешательства.

Помимо всех рассмотренных выше сценариев использования, Edge AI может сыграть решающую роль в технологиях распознавания лиц, повышении безопасности промышленного IoT и оказании неотложной медицинской помощи. Список вариантов использования Edge AI растет с каждым днем. В ближайшем будущем, удовлетворяя личные и деловые потребности каждого, Edge AI станет традиционной повседневной технологией.

Количество генерируемой IoT-устройствами информации увеличивается в геометрической прогрессии. За ее обработку отвечает технология edge computing — так называемые вычисления “на краю сети”. Но что будет, если объединить edge computing и искусственный интеллект? Почему за таким комбо — большое будущее, объясняет руководитель Центра искусственного интеллекта МТС Александр Ханин.

На каком этапе развития сейчас находится edge computing?

Edge computing — это вычисления на конечных устройствах с высокой степенью автономии с точки зрения потребляемой энергии, пропускной способности и безопасности каналов связи и т.д. Устройства могут быть любыми: мобильные телефоны, умные часы, IoT-девайсы, беспилотные автомобили, умные здания, датчики на производственном оборудовании, потребители и генераторы данных и другие. Все эти умные гаджеты могут принимать независимые решения за считанные миллисекунды без необходимости подключения к интернету или облаку.

Сейчас наступил момент, когда на рынке появились устройства, которые позволяют перенести вычисления с облачных серверов на маленькие девайсы с ИИ-чипами на борту. Именно сочетание Edge computing (периферийных вычислений) с технологиями искусственного интеллекта обеспечит прорыв в этой области: Edge AI - многообещающее комбо. По данным ResearchAndMarkets, уже сегодня 86% всех чипсетов в мире поставляются с ИИ, к 2026 году более 59% всей электроники будет иметь ту или иную форму встроенного интеллекта. Это изменит критически важные бизнес-функции, такие как управление идентификацией, аутентификация и кибербезопасность.

Потребление электроники неуклонно растет, по прогнозам, к 2030 году во всем мире будет использоваться около 50 млрд устройств интернета вещей. Ожидается, что эти девайсы создадут огромную сеть взаимосвязанных устройств, охватывающих все - от смартфонов до кухонной техники.

Сочетание технологий искусственного интеллекта и интернета вещей станет драйвером инноваций. Edge computing и алгоритмы искусственного интеллекта будут неразрывно связаны. Edge AI способствует автономному применению моделей глубокого обучения, машинного обучения и передовых алгоритмов на самих IoT-устройствах — и все это вдали от облачных сервисов. По прогнозам аналитиков Research&Markets, к 2026 году 78% рынка ИИ-чипов будет занимать индустрия интернета вещей.

Что нового появилось в технологии Edge computing по сравнению с тем, что было 3-5 лет назад?

Прежде всего, на этом рынке появились новые сильные игроки, как маленькие, так и большие. Например, один из лидеров этого рынка - американский стартап Kneron, в который Центр ИИ МТС инвестировал $10 млн.

Кроме того, возникли новые аппаратные архитектуры и процессоры. Выросла площадь, отведённая под задачи машинного обучения на современных процессорах. Это лучше всего отражает потребность рынка и количество задач. И, наконец, были разработаны новые, более эффективные архитектуры нейронных сетей.

Какие возможности эта технология открывает перед бизнесом?

Edge AI несет много преимуществ для разных отраслей. Больше всех выиграют компании, которые используют технологии интернета вещей. Вот некоторые из плюсов, которые может дать машинное обучение с помощью Edge AI.

Во-первых, недорогая цифровая инфраструктура. Edge AI поможет сократить затраты на вычисления, которые выполняются в облачных центрах обработки данных. А это, в свою очередь, удешевит конечные решения.

Во-вторых, конфиденциальность. Данные — самый ценный актив. Потребители всегда беспокоятся о том, как защищена информация о них. Персональные данные пользователей остаются на самом устройстве. Меньше данных в облаке означает меньше возможностей для онлайн-атак. Кроме того, сложнее вывести из строя сеть, состоящую из нескольких устройств.

В-третьих, сниженная задержка. Передача данных в облако и обратно требует времени. Благодаря Edge AI отпадает необходимость отправлять огромные объемы данных по сетям и устройствам в облака, что улучшает взаимодействие с пользователем. Если подумать о беспилотном автомобиле в качестве примера: никто не захочет рисковать плохим интернет-соединением с серверами.

В-четвертых, с помощью edge computing можно получить аналитику практически в реальном времени. Анализ происходит за доли секунды, что очень важно в критических по времени ситуациях. Давайте, например, подумаем о машинах на заводском конвейере. Если робот на сборочной линии активируется не вовремя, это может привести к повреждению продукта, или продукт может двигаться дальше по сборочной линии необработанным и нетронутым. Если ошибка останется незамеченной, неисправная деталь может оказаться на рынке или вызвать повреждение на более поздних этапах производства.

На западе Edge AI уже занял свою нишу - от виртуальных помощников, распознавания лиц, повышения безопасности, промышленного интернета вещей, неотложной медицинской помощи до автономных транспортных средств. Список юз-кейсов растет с каждым днем.

В России в ближайшие пару лет тоже наступит время, когда Edge AI превратится в традиционную технологию. Центр ИИ МТС намерен стать драйвером этого процесса: инвестировав в американский стартап Kneron, мы получили эксклюзивный доступ к технологии, которой пока нет в России. Сейчас мы работаем над созданием ИИ-платформы, которая поможет компаниям оперативно создавать ИИ-чипы, подходящие для разных устройств. С помощью платформы любой бизнес-клиент сможет быстро реализовать проект и вывести его на рынок. Не нужно будет тратить время и ресурсы на разработку платы для чипа, написание специального ПО, обучение нейросети для ИИ-чипа и тд. Мы создадим своеобразный конструктор из всех инструментов, которые понадобятся для того, чтобы вставить ИИ-чип в любое устройство.

В каких отраслях может применяться технология? Кто ее основной потребитель?

Основной потребитель - мы с вами, конечно. Прямо или косвенно. Если говорить об отраслях, то интересные решения есть в области медицины, сельского хозяйства, образования, промышленности, контроля качества, безопасности.

На мой взгляд, технология Edge AI особенно полезна в производственном секторе. Один из самых многообещающих вариантов использования Edge AI - это контроль качества производства и продукции. Камеры с ИИ-чипами могут обнаружить даже самые незначительные отклонения качества, которые почти невозможно заметить человеческим глазом.

Автоматизация производства требует расширенной аналитики, например, для прогнозирования отказов оборудования. Анализ данных с датчиков и обнаружение отклонений в режиме, близком к реальному времени, позволяет отключить устройство до того, как оно сломается. Это может спасти компанию от серьезных повреждений оборудования или даже травм.

Еще один перспективный сегмент – розничная торговля. Крупные розничные сети давно занимаются аналитикой. Чаще всего она основана на анализе совершенных покупок, то есть на данных о чеках. Хотя с помощью этого метода можно достичь хороших результатов, данные чеков не могут рассказать всего. Они не сообщают, как люди перемещаются по магазину, насколько они счастливы, где они останавливаются, чтобы посмотреть продукты и т. д. Видеоаналитика анализирует полностью анонимные данные, извлеченные из видеоизображения, и обеспечивает понимание покупательского поведения людей, что может улучшить обслуживание клиентов и опыт покупок в целом.

Интересные решения могут быть разработаны и для агротеха. Например, удобрение растений в промышленных теплицах с помощью Edge AI. Если есть задача положить разные виды удобрений в разном количестве под разные растения, ее может решить устройство полива с умной камерой. Она поймет, какое растение перед ней, большое оно или маленькое, сколько ему нужно удобрений.

Edge AI подойдет и для разработки решений для умного дома и умного города. Умный замок с AI-чипом отличает хозяина дома от непрошенных гостей. Замок откроется сам, когда придет авторизованный пользователь и возьмется за ручку двери. Умное устройство в состоянии отличить живого человека от фотографии и может “видеть” в любых условиях.

В умном городе, например, AI-чипы можно применять в беспилотных автомобилях или умных светофорах (когда светофор знает, сколько пешеходов ждет зеленого сигнала и включает зеленый свет в зависимости от этого).

Каковы точки роста этой технологии в ближайшие годы?

Думаю, мы увидим больше решений для умного дома и умного города. В промышленности будут расти направления контроля качества бизнес-процессов и безопасности производства.

Каковы ваши рекомендации для ИТ-руководителей, которые внедряют решения на основе edge computing в своих компаниях?

Первая рекомендация - ликвидировать безграмотность в технологиях машинного обучения. Если уже есть решения с функционалом машинного обучения, реализованного в облаке или на сервере, то вынести аналитику на конечные устройства может быть экономически выгодно. Обращать внимание нужно на возможности масштабирования, нюансы, связанные со стоимостью поддержки таких решений сейчас и через 2-3 года. Стоит это реализовать, если руководители хотят сделать свой бизнес более эффективным.

Читайте также: