엣지 AI를 사용하여 새로운 기회를 발견하는 방법은 무엇입니까?

스타트업과 대기업 모두에게 새롭고 혁신적인 기술에 전념하는 것은 현재와 미래의 경쟁력을 보장하는 데 매우 중요합니다. 인공지능(AI)은 점점 더 다양한 산업에 다각적인 솔루션을 제공합니다.

현재의 경제 상황에서는 R&D에 대한 자금이 그 어느 때보다 더 전액 지원되어야 합니다. 기업은 미래 기술과 인프라에 대한 투자에 대해 확신을 갖지 못하는 경우가 많으며, 실패 위험은 프로젝트 이해관계자에게 엄청난 부담을 안겨줍니다.

그러나 이것이 혁신이 중단되거나 심지어 느려져야 한다는 의미는 아닙니다. 스타트업과 대기업 모두에게 새롭고 혁신적인 기술에 전념하는 것은 현재와 미래의 경쟁력을 보장하는 데 매우 중요합니다. 인공지능(AI)은 점점 더 다양한 산업에 다각적인 솔루션을 제공합니다.

지난 10년 동안 인공 지능은 완전히 새로운 수익 기회를 창출하는 데 중요한 역할을 해왔습니다. 사용자 행동을 이해하고 예측하는 것부터 코드와 콘텐츠 생성 지원에 이르기까지 인공 지능과 기계 학습(ML) 혁명은 소비자가 앱, 웹 사이트, 온라인 서비스에서 얻는 가치를 기하급수적으로 증가시켰습니다.

그러나 이러한 혁명은 거의 무제한의 스토리지 및 컴퓨팅과 주요 퍼블릭 클라우드 서비스 제공업체의 편리한 가상 하드웨어를 통해 모든 AI/ML 애플리케이션에 대한 모범 사례를 확립할 수 있는 클라우드로 크게 제한되었습니다. 패턴이 상대적으로 쉬워집니다. 상상하다.

AI: 엣지로 이동

AI 처리는 주로 클라우드에서 이루어지기 때문에 AI/ML 혁명은 엣지 기기에서는 아직 도달할 수 없습니다. 이는 공장 현장, 건설 현장, 연구실, 자연 보호 구역, 우리가 입는 액세서리 및 의류, 배송 패키지 내부 및 연결이 필요한 기타 모든 환경에서 발견되는 더 작고 저전력 프로세서입니다. , 그리고 에너지는 제한되어 있거나 당연하게 여겨질 수 없습니다. 해당 환경에서는 컴퓨팅 주기와 하드웨어 아키텍처가 중요하며 예산은 엔드포인트나 소켓 연결 수가 아닌 와트와 나노초 단위로 측정됩니다.

AI/ML의 차세대 기술 장벽을 무너뜨리려는 CTO, 엔지니어링, 데이터 및 기계 학습 리더, 제품 팀은 우위를 점해야 합니다. Edge AI와 Edge ML은 시스템 통합, 설계, 운영 및 물류부터 임베디드, 데이터, IT 및 ML 엔지니어링에 이르는 광범위한 전문 지식을 갖춘 많은 이해관계자의 세심한 조정과 참여가 필요한 독특하고 복잡한 과제를 제시합니다.

Edge AI는 알고리즘이 고급 게이트웨이 또는 로컬 서버부터 저가형 에너지 수확 센서 및 MCU에 이르기까지 일종의 특정 목적 하드웨어에서 실행되어야 함을 의미합니다. 이러한 제품 및 애플리케이션의 성공을 보장하려면 데이터 및 ML 팀이 제품 및 하드웨어 팀과 긴밀히 협력하여 서로의 요구 사항, 제약 조건 및 요구 사항을 이해하고 고려해야 합니다.

맞춤형 엣지 AI 솔루션을 구축하는 과제는 극복할 수 없는 것이 아니지만 필요한 팀 간의 격차를 해소하고 더 짧은 시간에 더 높은 수준의 성공을 보장하며 추가 투자 방향을 검증하는 데 도움이 될 수 있는 엣지 AI 알고리즘 개발을 위한 플랫폼이 존재합니다. 만들어지다. 주목해야 할 다른 사항은 다음과 같습니다.

알고리즘을 개발하는 동안 하드웨어 테스트

데이터 과학 및 ML 팀이 알고리즘을 개발한 다음 이를 펌웨어 엔지니어에게 전달하여 장치에 설치하도록 하는 것은 효율적이지도 않고 항상 가능하지도 않습니다. Hardware-in-the-loop 테스트 및 배포는 모든 엣지 AI 개발 파이프라인의 기본 부분이어야 합니다. 하드웨어에서 알고리즘을 동시에 실행하고 테스트할 수 있는 방법이 없으면 엣지 AI 알고리즘을 개발할 때 발생할 수 있는 메모리, 성능 및 지연 시간 제한을 예측하기 어렵습니다.

일부 클라우드 기반 모델 아키텍처는 모든 유형의 제한된 장치 또는 에지 장치에서 실행되도록 설계되지 않았으므로 미리 예측하면 펌웨어와 ML 팀 모두 수개월의 고통을 줄일 수 있습니다.

IoT 데이터는 빅 데이터와 같지 않습니다.

빅 데이터는 분석하여 패턴이나 추세를 밝힐 수 있는 대규모 데이터 세트를 의미합니다. 그러나 사물인터넷(IoT) 데이터는 반드시 양이 아니라 데이터의 질이 중요합니다. 또한 이 데이터는 시계열 센서, 오디오 데이터 또는 이미지일 수 있으며 전처리가 필요할 수 있습니다.

디지털 신호 처리(DSP)와 같은 기존 센서 데이터 처리 기술을 AI/ML과 결합하면 이전 기술에서는 불가능했던 정확한 통찰력을 제공하는 새로운 엣지 AI 알고리즘을 생성할 수 있습니다. 하지만 IoT 데이터는 빅데이터가 아니기 때문에 엣지 AI 개발에 사용되는 데이터 세트의 양과 분석은 다양할 것입니다. 결과적인 모델 정확도와 성능을 기반으로 데이터 세트 크기와 품질을 신속하게 실험하는 것은 프로덕션 배포 가능한 알고리즘으로 가는 길에서 중요한 단계입니다.

하드웨어 개발은 충분히 어렵습니다.

선택한 하드웨어가 엣지 AI 소프트웨어 워크로드를 실행할 수 있는지 여부를 알지 못한 채 하드웨어를 구축하는 것은 어렵습니다. BOM을 선택하기 전에 하드웨어 벤치마킹을 시작하는 것이 중요합니다. 기존 하드웨어의 경우 장치에서 사용할 수 있는 메모리의 제한이 더 중요할 수 있습니다.

초기의 작은 데이터 세트라도 엣지 AI 개발 플랫폼은 AI 워크로드를 실행하는 데 필요한 하드웨어 유형에 대한 성능 및 메모리 추정치를 제공하기 시작할 수 있습니다.

장치 선택을 평가하고 초기 버전의 엣지 AI 모델을 벤치마킹하는 프로세스를 갖추면 장치에서 실행될 필수 펌웨어 및 AI 모델을 지원하기 위한 하드웨어 지원이 마련됩니다.

새로운 엣지 AI 소프트웨어를 구축, 검증하고 프로덕션에 적용

개발 플랫폼을 선택할 때 다양한 공급업체에서 제공하는 엔지니어링 지원도 고려해 볼 가치가 있습니다. Edge AI는 데이터 과학, ML, 펌웨어 및 하드웨어를 포괄하며 공급업체가 내부 개발 팀에 추가 지원이 필요할 수 있는 영역에 지침을 제공하는 것이 중요합니다.

어떤 경우에는 개발될 실제 모델보다는 데이터 인프라, ML 개발 도구, 테스트, 배포 환경 및 지속적인 통합, 지속적인 배포(CI)를 포함한 시스템 수준 설계 프로세스의 계획에 대한 것이 더 중요합니다. /CD) 파이프.

마지막으로, 에지 AI 개발 도구는 ML 엔지니어부터 펌웨어 개발자까지 팀의 다양한 사용자를 수용하는 것이 중요합니다. 로우 코드/노코드 사용자 인터페이스는 신속하게 새로운 애플리케이션을 프로토타이핑하고 구축할 수 있는 좋은 방법이며, API 및 SDK는 Jupyter 노트북에서 Python을 사용하여 더 빠르고 효율적으로 작업할 수 있는 숙련된 ML 개발자에게 유용합니다.

이 플랫폼은 최첨단 AI 애플리케이션을 구축하는 다기능 팀에 존재할 수 있는 여러 이해관계자 또는 개발자의 요구 사항을 충족하면서 액세스 유연성이라는 이점을 제공합니다.

위 내용은 엣지 AI를 사용하여 새로운 기회를 발견하는 방법은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!