Использование искусственного интеллекта и машинного обучения для оптимизации производительности периферийного Интернета вещей
12 марта 2023 г.Ожидается, что рынок периферийных вычислений вырастет с 40,84 млн долларов в 2022 году до 132,11 млн долларов к 2028 году. Это совокупный годовой темп роста в 21,8%.
Варианты использования края безграничны. Варианты использования могут варьироваться от удаленных полевых офисов, управляющих флотом дронов для коммунальных и горнодобывающих операций, до сотрудников, работающих дома, и автоматизированных производственных сборочных линий.
По мере развития этого движения к периферийным вычислениям все больше специалистов, не связанных с ИТ, должны управлять технологиями, расположенными на периферии, которую они занимают. Облачные решения также сыграли важную роль, поскольку облако может собирать и управлять данными для периферии более гибкими способами, чем центральный центр обработки данных.
ПОСМОТРЕТЬ: Не сдерживайте свой энтузиазм: тенденции и проблемы в периферийных вычислениях (TechRepublic)
К сожалению, подобные развертывания не могут удовлетворить все потребности в пограничной обработке. Сотрудники, не связанные с ИТ, которым поручено управление периферией, могут совершать ошибки. Перенос данных в облако и из него может быть затруднен из-за задержек и проблем с безопасностью. Альтернативой является поиск способов заставить периферийные приложения работать сами по себе, в автономной вселенной обработки, которая в значительной степени зависит от автоматизации.
Для облегчения обработки краев важную роль играют искусственный интеллект и машинное обучение. Edge AI и ML могут использоваться в розничных магазинах для отслеживания пешеходного движения, чтобы лучше помогать продавцам магазина в представлении товаров и услуг, а периферийные устройства (датчики, камеры и т. д.) могут быть установлены по всему магазину для мониторинга пешеходного движения. .
Модель искусственного интеллекта, разработанная бизнес-аналитиками компании, пользователями и специалистами в области ИТ/данных, может «обучить» пограничный искусственный интеллект логическим рассуждениям для оценки трафика. Из первоначальной информации мерчендайзеры видят, что товары обычно вытягиваются со средних полок в определенных проходах магазина — затем модель начинает становиться менее точной.
Элемент машинного обучения ИИ видит новый появляющийся шаблон, на котором он «учится». Он включает в себя то, что он узнал из этого шаблона, и пересматривает свой анализ. Теперь там написано, что товары вывозятся из новых зон магазина.
Со временем ритейлер может принять решение полностью пересмотреть свое моделирование AI/ML, чтобы найти другие тенденции и шаблоны, но это пример того, как комбинация AI и ML может работать вместе, чтобы обеспечить самостоятельную работу и интеллектуальное понимание на периферии. . Что нужно сделать ИТ-отделу, чтобы обеспечить автоматизацию анализа «сделай сам» на периферии?
Как оптимизировать периферийный Интернет вещей с помощью ИИ и машинного обучения
1. Выберите правильные варианты использования
Не каждая периферийная реализация является кандидатом на полную автоматизацию с помощью AI/ML.
Если вы используете флот беспилотников для обследования объектов и навигации в погодных и других неблагоприятных условиях, лучше не автоматизировать всю оперативную разведку полностью из-за непредсказуемости ситуаций.
То же самое касается автоматизированных транспортных систем. Слишком много непредвиденных ситуаций, таких как отказ датчиков в снежных условиях или «нелогичные» действия человека, которые могут произойти за доли секунды, на которые AI/ML не будет достаточно гибким, чтобы реагировать.
СМОТРЕТЬ: Политика этики искусственного интеллекта (TechRepublic Premium)
2. Спроектируйте транспорт данных
Даже если вы автоматизируете свои операции AI/ML на периферии, будут моменты, когда вы захотите объединить данные или идеи с периферии в центральный репозиторий данных. Этот репозиторий данных может находиться в облаке или в вашем центральном центре обработки данных.
Необходимо спланировать поток данных, которые вы хотите переместить с периферии в более центральные точки. Сюда входит планирование времени дня и ночи, когда данные будут загружаться в места назначения центрального хранилища.
3. Обучайте персонал, не связанный с ИТ
Персонал, не связанный с ИТ, которому поручено отслеживать и защищать данные на периферии и использовать их в своей повседневной работе, должен быть обучен выполнению этих функций. На уровне ИТ это означает, что персонал, не связанный с ИТ, должен быть обучен основам пограничной безопасности и мониторинга. В оперативном отношении потребуется переобучить персонал тому, как выполнять свою работу с внедрением большей автоматизации.
Например, если вы вводите периферийный Интернет вещей для автоматизации операции по упаковке, а ИИ инициирует предупреждение о техническом обслуживании, что делает производство? Они переводят всю операцию в автономный режим, возвращаются к ручным процессам или выполняют какой-либо отказоустойчивый режим? Все эти непредвиденные обстоятельства должны быть обсуждены и обучены рабочей силе.
ПОСМОТРЕТЬ: Набор для найма: разработчик Интернета вещей (TechRepublic Premium)
4. Настройте AI/ML
Что происходит, когда информация, которую вы получаете от своего AI/ML, начинает отдаляться от того, что вы считаете правдой? Скорее всего, это означает, что модель AI/ML, которую вы использовали, нуждается в пересмотре.
Производительность AI/ML на периферии следует отслеживать ежедневно. Как только в выводах, которые предоставляет AI/ML, обнаруживается «отклонение» от истины, пришло время пересмотреть эвристику модели обучения AI/ML, чтобы увидеть, не нужно ли что-то освежить. Цель золотого стандарта точности AI/ML состоит в том, чтобы она соответствовала наблюдениям экспертов в предметной области в 95% случаев.
5. Защищайте и обслуживайте оборудование.
Большая часть пограничного оборудования поступает к двери только с минимальными предустановками безопасности. ИТ-отдел должен установить безопасность на каждом устройстве IoT, чтобы оно соответствовало корпоративным стандартам.
После того как граничные технологии будут откалиброваны в соответствии со стандартами корпоративной безопасности, необходимо также принять меры физической безопасности, гарантирующие, что мобильные периферийные технологии не попадут в руки неавторизованного персонала.
На программном уровне безопасность можно обеспечить с помощью многофакторной аутентификации. Кроме того, сети с нулевым доверием также могут быть установлены на периферии, поскольку они могут записывать каждое добавление, вычитание и изменение активов IoT.
Наконец, особенно в полевых офисах, где работает такое оборудование, как дроны, или в производственных цехах, или в медицинских клиниках, где используются роботы — если оборудование передвижное, оно должно быть заперто в клетках, когда оно не используется, чтобы только лица, которым разрешен доступ к оборудованию, могли это сделать. .
Узнайте больше о периферийных вычислениях, ознакомившись с четырьмя лучшими практиками и рисками.
Оригинал