Edge AI
- L'Edge AI esegue l'inferenza del modello sulla macchina o vicino a essa invece che nel cloud: per ragioni di latenza, resilienza, banda e governance dei dati.
- L'architettura che si è imposta è ibrida: addestramento nel cloud, inferenza all'edge, apprendimenti risincronizzati.
- L'inferenza in vero tempo reale rigido (scarto automatico da visione, protezioni dei loop di controllo) deve stare all'edge; l'ottimizzazione a cadenza giornaliera raramente ne ha bisogno.
- I requisiti edge sono una questione di acquisto da chiarire presto: aggiungere a posteriori l'inferenza on-premise a un prodotto solo cloud è doloroso.
L'Edge AI risponde a una domanda di impiantistica con conseguenze reali: dove gira il modello? Un sistema di visione che decide conforme/non conforme in 30 millisecondi non può aspettare un andata e ritorno verso una region cloud; a un modello settimanale di ottimizzazione energetica non importa minimamente.
Le quattro ragioni oneste per l'edge
Latenza: scarti automatici, interblocchi di sicurezza e inferenza vicina al controllo richiedono pochi millisecondi. Resilienza: l'ispezione non può fermarsi perché si è fermata la WAN. Banda: vibrazioni in kilohertz e immagini a piena risoluzione costano caro da trasmettere grezze; estrarre le feature all'edge riduce il flusso di mille volte. Governance: alcuni stabilimenti (difesa, farmaceutica, alcune aree geografiche) semplicemente non possono far uscire i dati di processo. Se nessuna di queste quattro si applica, il cloud è più semplice e di solito migliore.
L'impostazione ibrida predefinita
Il settore è convergito su addestramento nel cloud e inferenza all'edge: l'addestramento pesante dei modelli avviene centralmente dove la potenza di calcolo è elastica, i modelli addestrati vengono distribuiti al sito e i risultati dell'inferenza tornano indietro per continuare ad apprendere. Valuti i fornitori su quanto rendono noioso tutto questo (versionamento dei modelli verso i siti, comportamento offline, aggiornamenti della flotta) perché è quel livello operativo, non il chip di inferenza, dove i progetti edge incontrano davvero difficoltà.
Domande frequenti
- Le piattaforme di ottimizzazione di processo richiedono un deployment edge?
- Di solito no: la loro cadenza va da minuti a giorni, comodamente adatta al cloud, ed è per questo che la maggior parte si implementa più rapidamente in SaaS sui dati dell'historian. Il discorso edge riguarda la visione, il monitoraggio delle condizioni ad alta frequenza e gli usi vicini al controllo.
- L'Edge AI è più sicura?
- Mantiene i dati grezzi in sito, il che soddisfa i vincoli di governance, ma aggiunge una flotta di dispositivi da aggiornare e gestire. 'Più sicura' dipende dal fatto che il Suo rischio sia l'uscita dei dati o un'infrastruttura non gestita.
Tutti i numeri di questo sito: in un unico foglio di calcolo con le fonti.
Il calcolo del mercato da 43,6 miliardi di dollari, le quote dei casi d'uso, gli ostacoli all'adozione e i risultati di implementazione pubblicati, con la colonna delle fonti intatta. Pronto da incollare nel suo business case.