Edge computing: A mesterséges intelligencia terjedésének elősegítése
Az „edge computing” (peremhálózati számítástechnika) – köszönhetően az egyre nagyobb hardveres teljesítménynek – képes a mesterséges intelligencia (MI) programok futtatására. Mivel semmi szükség az adatok felhőbe való juttatására az MI alkalmazások ténylegesen valós időben futnak, csökkentve ezáltal a költségeket, és komoly előnyt szerezve az adatbiztonság kérdésében.
Manapság a mesterséges intelligencia (MI) technológiát széles körben alkalmazzák ott, ahol új lehetőségeket nyújt hozzáadott érték létrehozására. Az MI-t a közösségi hálózatok felhasználói viselkedésének prediktív elemzésére alkalmazzák, amely lehetővé teszi az igényeknek, illetve érdeklődésnek megfelelő hirdetések közlését. Az arc- és hangfelismerő funkciók még az okostelefonokon sem működnének mesterséges intelligencia nélkül. Az ipari felhasználásokban az MI alkalmazások hatékonyabbá teszik a karbantartást azáltal, hogy előre jelzik a géphibákat, azok előfordulása előtt. A Bryan, Garnier & Co. befektetési bank által készített tanulmány szerint az MI-vel kapcsolatos félvezetőhardver 99%-a még 2017-ben is a felhőben volt megtalálható.
A tanulás és a következtetés közötti különbség
A mesterséges intelligencia egyik legfontosabb funkciója a gépi tanulás, amellyel az IT rendszerek meglévő adatkészleteket használhatnak algoritmusok, minták és szabályok felismerésére, hogy megoldásokat dolgozzanak ki. A gépi tanulás (ML) egy kétlépcsős folyamat: a tanulási szakaszban a rendszert kezdetben „megtanítják” egy nagy adathalmaz mintáinak azonosítására. A tanulási szakasz hosszú távú feladat, amely nagy számítási teljesítményt igényel. Ezt a fázist követően a gépi tanulási rendszer alkalmazhatja a végső, képzett modellt az új adatok elemzésére és kategorizálására, valamint az eredmény kiszámítására. Ez a lépés – amelyet következtetésnek is nevezünk – sokkal kevesebb számítási teljesítményt igényel.
A felhő infrastruktúrája nem képes a mesterséges intelligencia követelményeinek egyedül megfelelni
A legtöbb következtetési és tanulási lépést manapság a felhőben hajtják végre. Például virtuális asszisztens esetén a felhasználói parancsot elküldik egy adatközpontnak, ott elemzik a megfelelő algoritmusokkal, és a megfelelő válasz segítségével visszajuttatják az eszközre. Eddig a felhő jelentette a leghatékonyabb módszert a nagy teljesítményű, magas szintű hardver és szoftver előnyeinek kiaknázására. Ennek ellenére az MI alkalmazások növekvő száma túlterheléssel fenyegeti a jelenlegi felhőinfrastruktúrát: ha például a világ minden Android-készüléke három percenként végrehajtana egy hangfelismerő parancsot, a Google-nak kétszer annyi számítási teljesítményt kellene rendelkezésre bocsátania, mint a jelenlegi. „Más szavakkal, a világ legnagyobb számítástechnikai infrastruktúráját meg kellene duplázni” – magyarázza Jem Davies, az ARM Machine Learning Group alelnöke, ügyvezető igazgatója. – „A zökkenőmentes felhasználói élmény iránti igény azt is jelenti, hogy az emberek nem fogadják el a gépi tanulás feldolgozásának felhőben rejlő késleltetését.”
Az MI „edge” eszközök száma fellendülésben
A következtetési feladatok ennek eredményeként egyre inkább áthelyeződnek a peremre, ami lehetővé teszi az adatok feldolgozását anélkül, hogy bárhová máshová kellene továbbítani. „Az adatátvitel önmagában költséges. Üzletkritikus felhasználási esetekben, amikor a késleltetés és a pontosság kulcsfontosságú, ha hiányzik az állandó kapcsolat, az alkalmazások nem teljesíthetők. Az MI-következtetések feldolgozásának peremen történő elhelyezése azt is jelenti, hogy a vállalatoknak nem kell megosztaniuk a privát vagy érzékeny adataikat a felhőszolgáltatókkal, ami problémás lehet például az egészségügyi vagy a fogyasztói szektorban” – magyarázza Jack Vernon, az ABI Research iparági elemzője. A Tractica piackutatói szerint az integrált MI-vel rendelkező „edge” eszközök szállítása a 2018. évi 161,4 millióról 2,6 milliárdra nő 2025-re. Ezen mennyiségek legnagyobb hányadát az okostelefonok jelentik majd, illetve az intelligens hangszórók és a laptopok.
Az okostelefon az élen
Az okostelefon jó példa annak bemutatására, hogy „edge” eszközökön milyen sokféle lehet az MI alkalmazás: az MI lehetővé teszi a Huawei P smart 2019 fényképezőgépének 22 különböző tárgytípus és 500 forgatókönyv felismerését a beállítások optimalizálására és a tökéletes fotó elkészítésére. A Samsung Galaxy S10 5G esetében ezzel szemben az MI automatikusan hozzáigazítja az akkumulátort, a processzor teljesítményét, a memóriahasználatot és az eszköz hőmérsékletét a felhasználó viselkedéséhez. A jövőben az okostelefonok képesek lehetnek rögzíteni és megismerni a felhasználó viselkedését, például mintákat járáskor, görgetéskor és gépeléskor az érintőképernyőn anélkül, hogy bármilyen jelszóra vagy aktív hitelesítésre lenne szükség. Az érzelemérzékelők és az emocionális számítástechnika lehetővé teszik az okostelefonok számára, hogy észleljék, elemezzék és feldolgozzák az emberek érzelmi állapotát és hangulatait, mielőtt még reagálna. A járműgyártók használhatják az okostelefon elülső kameráját a járművezető mentális állapotának értelmezésére, továbbá a fáradtság jeleinek felmérésére a biztonság javítása érdekében. A hangvezérlés, valamint a kibővített valóság további potenciális alkalmazás az okostelefonok MI képességei számára. Egy dolog azonban biztos, a jövő MI képességei lehetővé teszik az okostelefonok számára, hogy megismerjék, megtervezzék és megoldják a felhasználók problémáit. Ehhez azonban nem csupán az okostelefonokra van szükség, hanem a peremhálózati számítástechnikára vagy más néven edge computing-ra.
EBV Elektronik Kft.
Gnyálin István
1117 Budapest, Budafoki út 91–93.
Tel.: +36 30 470 3496
E-mail: Ez az e-mail-cím a szpemrobotok elleni védelem alatt áll. Megtekintéséhez engedélyeznie kell a JavaScript használatát.
www.ebv.com
