Belangrijkste Edge AI Trends Van 2022

Sinds het in 1956 als vakgebied aan universiteiten werd toegevoegd, Kunstmatige Intelligentie heeft door zowel periodes van optimisme als pessimisme in gelijke mate gegaan. Er is geen twijfel dat we vandaag een van de grote optimisme getuigen.

Data Science is de derde meest gezochte vacature wereldwijd. In ons recente onderzoek over de State of Edge Computing in Spanje, is Data Scientist de meest gewenste professional bij Spaanse bedrijven in een markt die exponentiële groei ervaart en verwacht wordt $190 miljard te bereiken in 2025. 

Zo prominent is AI in de marktindustrie dat het geen zin meer heeft om ervan te spreken als een enkele technologie, maar als veel takken die verschillende diensten leveren aan verschillende industrieën.

Onder de trends geïdentificeerd als de meest volwassen en dichtst bij de productiefase zijn degenen die we in onze dagelijkse routine herkennen. Bijvoorbeeld, natuurlijke taalverwerking die we gebruiken wanneer we praten met steeds meer menselijke chatbots, de machine imaging die real-time videoverwerking automatiseert, en semantische zoekopdrachten, die leiden tot betere zoekresultaten.

Aan de andere kant zijn er meer futuristische die er pas over minstens 10 jaar zullen komen. Enkele interessante voorbeelden zijn AI TRISM (Trust, Risk and Security Management) technologieën, die het mogelijk maken AI-modellen te reguleren, ze meer weerbaar te maken tegen beveiligings- en privacy-aanvallen, en transformers, die het mogelijk maken AI-modellen aan de context aan te passen en een grote impact zullen hebben op het verbeteren van toepassingen zoals vertalers, automatische documentcreatie, of analyse van biologische sequenties.

Tussen de twee extremes liggen andere enabling technologies die twee tot vijf jaar van implementatie tot marktriipe zullen nemen, wat "De Nabije Toekomst van AI" kan worden genoemd. Onder deze zijn human-centered AI, generative AI, de orchestratie en automatisering van AI, en, alle anderen leidend op de rijpingscurve, AI on the Edge, ook bekend als "Edge AI.” In 2021 werd Edge AI de technologie die in de nabije toekomst zal rijpen.

Edge AI en de Gedistribueerde Intelligentie Revolutie in de Industriële Wereld

Edge AI of AI on the Edge kan samengevat worden als de capaciteit om kunstmatige intelligentie-algoritmen uit te voeren op apparaten (IoT-apparaten, edge-apparaten) die zeer dicht bij de bron van data staan.

Deze technologie groeit exponentieel, ondersteund door een ontzagwekkende statistiek: meer dan 60 procent van industriële organisaties heeft geen Cloud-infrastructuur die hen helpt efficiënt te innoveren.

Als we een vergrootglas op Edge AI-projecten richten, wat zijn de meest disruptieve trends die we in 2022 en 2023 zullen zien?

Hieronder een samenvatting van onze top 5:

1. Kritieke Industrieën Zullen Grote Drijfveren Zijn: van SCADA naar Edge AI

Bij Barbara IoT vinden we herhaalde patronen in industrieën die aan de voorhoede zijn van Edge AI: ze hanteren allemaal veel kritische gedistribueerde activa. Met andere woorden, het zijn industrieën die grote uitdagingen ondervinden van technologische fragmentatie, schaalbaarheid en cyberbeveiliging. Deze kunnen geminimaliseerd worden door AI-algoritmen aan de edge uit te voeren. We voorspellen dat deze industrieën zeer ambitieuze en transformatieve use cases zullen ontwikkelen.

De SCADA-systemen die sinds de jaren 80 worden gebruikt, hebben soortgelijke doeleinden wat dataverzameling en -verwerking betreft. Echter, SCADA-systemen moeten aangevuld worden met modernere technologieën zodat ze kunnen reageren op de toenemend eisende eisen voor interoperabiliteit, openheid en beveiliging. Hier kan Edge AI helpen: om de waarde van deze systemen te vermenigvuldigen.

2. Thin Edge Zal Thick Edge Complementeren

Er zijn verschillende interpretaties over de betekenis van wat "edge" is wanneer we naar Edge AI verwijzen. Traditioneel is de edge geïdentificeerd als de netwerkoperator-infrastructuur dichtst bij de gebruiker. Bijvoorbeeld, wanneer we over 5G-netwerken praten, verwijzen we naar operators die een multitudine nodes uitrollen genaamd "Multiaccess Edge Computing" die gebruikt worden voor nabije dataverwerking. Deze nodes zijn geïnstalleerd op servers zeer vergelijkbaar met die in een datacenter ontworpen voor cloud-services, en hebben hoog potentieel en capaciteit om complexe AI-algoritmen te verwerken. Dit is wat sommige analisten de "Thick" Edge noemen.

Echter, recentelijk Edge nodes van een ander type beginnen te worden ontwikkeld: rechtstreeks verbonden met sensoren en schakelaars, die, wanneer geïnstalleerd op laag-vermogen apparaten zoals gateways of concentratoren, dienen om eenvoudigere AI-algoritmen uit te voeren met kortere responstijden die dichter bij real-time liggen. Dit nieuwe type Edge, genaamd "Thin" Edge, zal het mogelijk maken om grotere schaalprojecten die afgelegen locaties of eisen voor hoge beveiliging en data-isolatie omvatten, snel en flexibel aan te pakken.

3. Edge Mesh als Nieuw Paradigma Om Gedistribueerde Kunstmatige Intelligentie Te Possibiliteren

Edge AI is traditioneel gebaseerd op beslissingsmodellen die getraind zijn met grote data. Het model, bestaande uit een reeks wiskundige formules, wordt op Edge Nodes geïnstalleerd. Vanaf daar is elk node in staat om zijn eigen beslissingen te nemen afhankelijk van de data die het ontvangt en het model dat geïnstalleerd is.

Het nieuwe paradigma, bekend als Edge Mesh, maakt het mogelijk dat een node's beslissing wordt beïnvloed door een andere node's beslissing alsof het een roosternetwerk was. Een goed voorbeeld om de kracht van deze nieuwe architectuur te begrijpen is een slim verkeerssysteem.

Een Edge node kan beslissingen nemen over de tijd van een verkeerslicht met AI-algoritmen die rekening houden met het aantal auto's en mensen gedetecteerd door sensoren. Echter, deze beslissing kan perfect gecomplementeerd worden door de beslissingen die worden gemaakt door andere nodes in nabije straten.

Het doel van Edge Mesh is om intelligentie te distribueren over verschillende nodes om betere prestaties, responstijden en fouttolerantie te bieden dan met meer traditionele architecturen.

4. Levenscyclusbeheer Met MLOps Wordt Steeds Belangrijker

Naarmate de industrie zich richt op het uitrollen van Edge AI met meer gedistribueerde nodes en complexere trainingsalgoritmen, zal de capaciteit om de levenscyclus van deze getrainde modellen, en de apparaten die ze uitvoeren, te onderhouden, de sleutel zijn tot de toekomst van deze technologie.

In deze zin zullen projecten en bedrijven die de DevOps filosofie toepassen voor de ontwikkeling, uitrol, en onderhoud van AI-algoritmen, versterkt worden.

Deze manier van werken heet MLOps, een combinatie van Machine Learning en DevOps. 

Maar wat is het precies? Eigenlijk het heeft als doel de ontwikkelings-, test-, en implementatietijden van AI on the Edge modellen te reduceren door de lopende integratie van apparatuur en ontwikkelomgevingen, testen, en operaties.

5. Edge AI Maakt Soevereine Data-uitwisseling Mogelijk

Er is geen twijfel dat datadeling van cruciaal belang zal zijn voor het verbeteren van processen in industriesectoren met veel stakeholders in de waardketen.

Laten we kijken naar het nabije toekomst elektriciteitsnetmodel: een Smart Grid. Om betere service te kunnen ontvangen of aanbieden, is het essentieel voor leveranciers om informatie van een aantal stakeholders te kunnen analyseren en verwerken zoals prosumers, operators, distributeurs, en aggregators. Zonder een transparante, vlotte data-uitwisseling zal het onmogelijk zijn om de vereiste netoptimalisatie tot 2050 te bereiken.

Met Edge AI is een ON-centraliseerde dataverwerking mogelijk, wat zal helpen om sommige van de obstakels te overwinnen waarmee de industrie momenteel geconfronteerd is zoals databeveiliging, privacy, en soevereiniteit.