Belangrijkste trends in Edge AI om op te letten in 2022

Omdat het in 1956 aan universiteiten als een studiegebied werd toegevoegd, Kunstmatige intelligentie heeft beide perioden van optimisme en pessimisme in gelijke mate doorgemaakt. Het lijdt geen twijfel dat we vandaag getuige zijn van een groot optimisme.

Data Science is wereldwijd de op twee na meest gezochte vacature. In ons recente onderzoek over de staat van Edge Computing in Spanje, is Data Scientist zelfs de meest gewilde professional onder Spaanse bedrijven in een markt die exponentieel groeit en naar verwachting zal oplopen tot 190 miljard dollar in 2025.

AI is zo prominent aanwezig in de marktsector dat het niet langer logisch is om er over te spreken als een enkele technologie, maar als zoveel takken die verschillende toepassingen voor verschillende industrieën dienen.

Onder de trends die worden geïdentificeerd als de meest volwassen en die het dichtst bij de productiefase staan, zijn de trends die we in onze dagelijkse routine kunnen identificeren. Bijvoorbeeld verwerking in begrijpelijke taal die we gebruiken wanneer we praten met steeds meer mensachtige chatbots, de machine-imaging die het mogelijk maakt om realtime videoverwerking te automatiseren en semantische zoekopdrachten, die tot betere zoekresultaten leiden.

Aan het andere uiterste zijn er meer futuristische die pas over 10 jaar zullen verschijnen. Enkele interessante voorbeelden zijn de AI TRISM (Trust, Risk and Security Management)  technologieën, die het mogelijk maken om AI-modellen te reguleren waardoor ze beter bestand zijn tegen beveiligings- en privacyaanvallen, en transformatoren, die het mogelijk maken om AI-modellen aan te passen aan de context en een grote impact zullen hebben op het verbeteren van applicaties zoals vertalers, automatische document creatie, of de analyse van biologische sequenties.

Tussen de twee uitersten bevinden zich andere ontsluitende technologieën die van implementatie tot marktrijpheid twee tot vijf jaar nodig hebben, wat de "Near Future of AI" kan worden genoemd. Hiertoe behoren mensgerichte AI, generatieve AI, de orkestratie en automatisering van AI, en, leidend tot alle anderen op de volwassenheidscurve, AI on the Edge, ook wel bekend als 'Edge AI'. In 2021 werd Edge AI de technologie die in de nabije toekomst volwassen zal worden.

Edge AI en de gedistribueerde intelligentierevolutie in de industriële wereld

Edge AI of AI on the Edge kan worden samengevat als de mogelijkheid om kunstmatige intelligentie-algoritmen uit te voeren op apparaten (IoT-apparaten, edge-apparaten) die zich zeer dicht bij de gegevensbron bevinden.

Deze technologie groeit exponentieel, ondersteund door een ontmoedigende statistiek:meer dan 60 procent van de industriële organisaties heeft geen cloudinfrastructuur die hen helpt efficiënt te innoveren.

Dus, als we een vergrootglas nemen naar Edge AI-projecten, wat zijn dan de meest ontwrichtende trends die we in 2022 en 2023 zullen zien?

Hieronder vindt u een samenvatting van onze top 5:

1. Kritieke industrieën zullen belangrijke drijfveren zijn:van SCADA tot Edge AI

Bij Barbara IoT vinden we herhaalde patronen in industrieën die voorop lopen op het gebied van Edge AI: ze verwerken allemaal veel kritieke gedistribueerde activa. Met andere woorden, het zijn industrieën die voor grote uitdagingen staan ​​als gevolg van technologische fragmentatie, schaalbaarheid en cyberbeveiliging. Deze kunnen worden geminimaliseerd door AI-algoritmen aan de rand uit te voeren. We kunnen voorspellen dat deze industrieën zeer ambitieuze en transformatieve gebruiksscenario's zullen ontwikkelen.

De SCADA-systemen die sinds de jaren 80 worden gebruikt, hebben vergelijkbare doelen op het gebied van gegevensverzameling en -verwerking. SCADA-systemen moeten echter worden aangevuld met modernere technologieën, zodat ze kunnen voldoen aan de steeds hogere eisen op het gebied van interoperabiliteit, openheid en beveiliging . Dit is waar Edge AI kan helpen:om de waarde van deze systemen te vermenigvuldigen.

2. De dunne rand vormt een aanvulling op de dikke rand

Er zijn verschillende interpretaties over de betekenis van wat 'edge' is als we verwijzen naar Edge AI. Traditioneel wordt de edge geïdentificeerd als de infrastructuur van de netwerkoperator die zich het dichtst bij de gebruiker bevindt. Als we het bijvoorbeeld hebben over 5G-netwerken, verwijzen we naar operators die een groot aantal knooppunten uitrollen, 'Multiaccess Edge Computing' genaamd, die worden gebruikt voor gegevensverwerking van dichtbij. Deze knooppunten zijn geïnstalleerd op servers die sterk lijken op die in een datacenter dat is ontworpen om cloudservices te hosten, en ze hebben een groot potentieel en vermogen om complexe AI-algoritmen te verwerken. Dit is wat sommige analisten de "dikke" rand noemen.

Onlangs zijn echter Edge-knooppunten van een ander type beginnen te worden ontwikkeld:degenen die rechtstreeks zijn aangesloten op sensoren en schakelaars, die, wanneer geïnstalleerd op apparaten met een laag vermogen, zoals gateways of concentrators, dienen om eenvoudiger AI-algoritmen uit te voeren met kortere responstijden die dichter bij realtime liggen. Dit nieuwe type Edge, genaamd 'Thin' Edge, maakt het mogelijk om snel en flexibel grotere projecten aan te pakken, waaronder externe locaties of vereisten voor hoge beveiliging en de isolatie van de gegevens.

3. Edge Mesh als het nieuwe paradigma om gedistribueerde kunstmatige intelligentie mogelijk te maken

Edge AI is traditioneel gebaseerd op beslissingsmodellen die worden getraind met behulp van grote hoeveelheden data. Het model, bestaande uit een reeks wiskundige formules, is geïnstalleerd op Edge Nodes. Van daaruit kan elk knooppunt zijn eigen beslissingen nemen, afhankelijk van de gegevens die het ontvangt en het model dat is geïnstalleerd.

Het nieuwe paradigma, bekend als Edge Mesh, maakt het mogelijk dat de beslissing van een knooppunt wordt bepaald door de beslissing van een ander knooppunt alsof het een roosternetwerk is. Een goed voorbeeld om de kracht van deze nieuwe architectuur te begrijpen, is een slim verkeerssysteem.

Een Edge-knooppunt kan beslissingen nemen over het tijdstip van een verkeerslicht met behulp van AI-algoritmen die rekening houden met het aantal auto's en mensen dat door sensoren wordt gedetecteerd. Deze beslissing kan echter perfect worden aangevuld met de beslissingen die worden genomen door andere knooppunten in nabijgelegen straten.

Het doel van Edge Mesh is om intelligentie over verschillende knooppunten te verspreiden om betere prestaties, responstijden en fouttolerantie te bieden dan bij meer traditionele architecturen.

4. Levenscyclusbeheer met MLOps wordt steeds belangrijker 

Naarmate de industrie Edge AI uitrolt met meer gedistribueerde knooppunten en complexere trainingsalgoritmen, zal het vermogen om de levenscyclus van deze getrainde modellen en de apparaten die ze uitvoeren de sleutel te behouden voor de toekomst van deze technologie.

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

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

Maar wat is het precies? Kortom, het is bedoeld om de ontwikkelings-, test- en implementatietijden van AI on the Edge-modellen te verkorten door de voortdurende integratie van apparatuur en ontwikkelomgevingen, testen en operaties.

 5. Edge AI maakt uitwisseling van soevereine gegevens mogelijk

Het lijdt geen twijfel dat het delen van gegevens van het grootste belang zal zijn voor het verbeteren van processen in industriesectoren met veel belanghebbenden in de waardeketen.

Laten we eens kijken naar het toekomstige elektriciteitsnetmodel:een Smart Grid. Om een ​​betere service te kunnen ontvangen of aanbieden, is het essentieel dat leveranciers informatie van een aantal belanghebbenden, zoals prosumenten, operators, distributeurs en aggregators, kunnen analyseren en verwerken. Zonder transparante, agile data-uitwisseling zal het onmogelijk zijn om de vereiste netoptimalisatie in 2050 te bereiken.

Met Edge AI is een ON-gecentraliseerde gegevensverwerking mogelijk, wat zal helpen een aantal van de obstakels te overwinnen waarmee de industrie momenteel wordt geconfronteerd, zoals gegevensbeveiliging, privacy en soevereiniteit.