Edge AI: Edge Computing ช่วยให้คลื่นลูกใหม่ของปัญญาประดิษฐ์ได้อย่างไร

การวิจัยล่าสุดชี้ให้เห็นว่าจำนวนอุปกรณ์ Internet of Things ที่ใช้ทั่วโลกจะเกิน 38 พันล้านภายในปี 2568 การเพิ่มขึ้นอย่างมากจะส่งผลกระทบต่อสถานะของการนำ AI มาใช้อย่างหลีกเลี่ยงไม่ได้ เนื่องจากทั้งสองแนวคิด - Internet of Things และปัญญาประดิษฐ์ - ไปด้วยกันเสมอ

ด้วยมาตรฐานทองคำในการพัฒนาระบบ IoT แนวทางที่ใช้ระบบคลาวด์เป็นศูนย์กลาง ซึ่งค่อยๆ ล้าสมัยไป AI จะเริ่มคืบคลานเข้ามาใกล้เอดจ์เช่นกัน สาเหตุของการเปลี่ยนไปสู่ขอบนั้นแตกต่างกันไป แต่สาเหตุที่ชัดเจนที่สุด ได้แก่ เวลาแฝงสูงและต้นทุนการประมวลผลบนคลาวด์สูง สิ่งเหล่านี้รุนแรงเป็นพิเศษสำหรับระบบ IoT ขนาดใหญ่

ถึงกระนั้น ในขณะที่ผู้จำหน่ายซอฟต์แวร์ปัญญาประดิษฐ์กำลังขยายข้อเสนอของพวกเขาโดยการพัฒนาระบบเอดจ์เอไอ ธุรกิจต่างๆ ต่างก็สงสัยว่าเอดจ์เอไอคืออะไรกันแน่ ทำงานภายใต้ประทุนอย่างไร และเอดจ์เอไอเอทั่วไปใช้กรณีใดบ้างเพื่อพัฒนาจากอะไร หากคำถามเหล่านี้เป็นคำถามที่คุณถามตัวเอง ให้อ่านต่อ ในส่วนด้านล่าง เราเน้นให้เห็นถึงอวัยวะภายใน กรณีการใช้งาน ประโยชน์ และข้อจำกัดของ Edge AI

Edge AI คืออะไร และแตกต่างจาก Cloud AI อย่างไร

สถาปัตยกรรม IoT มาตรฐานสามารถแบ่งคร่าวๆ ออกเป็นสามส่วน: สิ่งของ เกตเวย์ และระบบคลาวด์ สิ่งของเหล่านี้หมายถึงเครื่องมือ แกดเจ็ต และอุปกรณ์ทุกประเภทที่ได้รับการปรับปรุงด้วยเซ็นเซอร์ที่สร้างข้อมูล เกตเวย์เป็นอุปกรณ์รวมศูนย์ เช่น เราเตอร์ ที่เชื่อมต่อสิ่งต่างๆ เข้ากับระบบคลาวด์ อุปกรณ์ปลายทางและเกตเวย์รวมกันเป็นชั้นขอบ

ในทางกลับกัน Edge AI นั้นหมายถึงการปรับใช้อัลกอริทึม AI ใกล้กับขอบของเครือข่ายมากขึ้น นั่นคืออุปกรณ์ที่เชื่อมต่อ (โหนดปลาย) หรือเกตเวย์ (โหนดขอบ)

ตรงกันข้ามกับแนวทางบนคลาวด์ ซึ่งอัลกอริทึม AI ได้รับการพัฒนาและปรับใช้ในระบบคลาวด์ ระบบ AI ที่เน้นขอบเป็นศูนย์กลางจะทำการตัดสินใจในเวลาไม่กี่มิลลิวินาทีและดำเนินการด้วยต้นทุนที่ต่ำกว่า

ประโยชน์อื่นๆ ของ Edge AI เมื่อเปรียบเทียบกับโซลูชัน Cloud AI ได้แก่:

• ลดเวลาในการประมวลผล: เนื่องจากข้อมูลได้รับการวิเคราะห์ภายในเครื่อง จึงไม่จำเป็นต้องส่งคำขอไปยังระบบคลาวด์และรอการตอบกลับ ซึ่งมีความสำคัญสูงสุดสำหรับแอปพลิเคชันที่มีความสำคัญต่อเวลา เช่น อุปกรณ์ทางการแพทย์หรือระบบช่วยเหลือคนขับ
• แบนด์วิธและค่าใช้จ่ายที่ลดลง: โดยไม่จำเป็นต้องส่งข้อมูลเซนเซอร์ปริมาณมากไปยังคลาวด์ ระบบ AI ของเอดจ์ต้องการแบนด์วิดท์ที่ต่ำกว่า (ใช้สำหรับการถ่ายโอนข้อมูลเมตาเป็นหลัก) จึงทำให้มีต้นทุนการดำเนินงานที่ต่ำกว่า
• ความปลอดภัยที่เพิ่มขึ้น: การประมวลผลข้อมูลภายในเครื่องช่วยลดความเสี่ยงที่ข้อมูลสำคัญจะถูกบุกรุกในระบบคลาวด์หรือระหว่างการขนส่ง
• ความน่าเชื่อถือที่ดีขึ้น: Edge AI ยังคงทำงานต่อไปแม้ในกรณีที่เครือข่ายขัดข้องหรือบริการคลาวด์ไม่สามารถใช้งานได้ชั่วคราว
• การใช้พลังงานที่เหมาะสม: การประมวลผลข้อมูลภายในเครื่องมักจะใช้พลังงานน้อยกว่าการส่งข้อมูลที่สร้างขึ้นไปยังคลาวด์ ซึ่งช่วยยืดอายุการใช้งานแบตเตอรี่ของอุปกรณ์ปลายทาง

ตาม Markets and Markets ขนาดตลาดซอฟต์แวร์เอดจ์ AI ทั่วโลกคาดว่าจะสูงถึง 1.8 พันล้านดอลลาร์ภายในปี 2569 เติบโตที่ CAGR 20.8% ปัจจัยต่างๆ เช่น การเพิ่มปริมาณงานขององค์กรบนคลาวด์และการเติบโตอย่างรวดเร็วของจำนวนแอปพลิเคชันอัจฉริยะ คาดว่าจะผลักดันการนำโซลูชัน Edge AI มาใช้

Edge AI ทำงานอย่างไรภายใต้ประทุน

แม้จะมีความเข้าใจผิดกันทั่วไป แต่โซลูชัน AI ที่เน้นขอบมาตรฐานมักถูกปรับใช้ในลักษณะไฮบริด โดยอุปกรณ์เอดจ์จะตัดสินใจตามข้อมูลการสตรีมและศูนย์ข้อมูล (โดยปกติคือระบบคลาวด์) ที่ใช้สำหรับแก้ไขและฝึกอบรมโมเดล AI ที่ปรับใช้ใหม่

ดังนั้น โดยทั่วไปแล้วสถาปัตยกรรม Edge AI พื้นฐานจะมีลักษณะดังนี้:

เพื่อให้ระบบ AI ที่ขอบสามารถเข้าใจคำพูดของมนุษย์ ขับยานพาหนะ และดำเนินงานที่ไม่สำคัญอื่นๆ ได้ พวกเขาต้องการความฉลาดที่เหมือนมนุษย์ ในระบบเหล่านี้ ความรู้ความเข้าใจของมนุษย์จะถูกทำซ้ำด้วยความช่วยเหลือของอัลกอริธึมการเรียนรู้เชิงลึก ซึ่งเป็นส่วนย่อยของ AI

กระบวนการฝึกอบรมโมเดลการเรียนรู้เชิงลึกมักจะทำงานในระบบคลาวด์เนื่องจากได้รับข้อมูลปริมาณมหาศาลและพลังการประมวลผลขนาดใหญ่เพื่อให้ได้ความแม่นยำสูงขึ้น เมื่อผ่านการฝึกอบรมแล้ว โมเดลการเรียนรู้เชิงลึกจะถูกปรับใช้กับปลายทางหรืออุปกรณ์เอดจ์ ซึ่งตอนนี้พวกมันทำงานโดยอัตโนมัติ

หากโมเดลประสบปัญหา ข้อเสนอแนะจะถูกส่งไปยังระบบคลาวด์ซึ่งการฝึกอบรมใหม่จะเริ่มต้นขึ้นจนกว่าโมเดลที่ Edge จะถูกแทนที่ด้วยโมเดลใหม่ที่แม่นยำกว่า ลูปข้อเสนอแนะนี้ช่วยให้การรักษาโซลูชัน AI ของเอดจ์แม่นยำและมีประสิทธิภาพ

บทสรุปของเทคโนโลยีฮาร์ดแวร์และซอฟต์แวร์ที่เปิดใช้งานเอดจ์ AI

การใช้งาน Edge AI มาตรฐานนั้นต้องการส่วนประกอบของฮาร์ดแวร์และซอฟต์แวร์

ขึ้นอยู่กับแอปพลิเคชัน Edge AI ที่เฉพาะเจาะจง อาจมีตัวเลือกฮาร์ดแวร์หลายตัวสำหรับการประมวลผล Edge AI ที่พบมากที่สุด ได้แก่ CPU, GPU, วงจรรวมเฉพาะแอปพลิเคชัน (ASIC) และเกทอาร์เรย์ที่ตั้งโปรแกรมฟิลด์ได้ (FPGA)

ASIC ช่วยให้สามารถประมวลผลได้สูงในขณะที่ประหยัดพลังงาน ซึ่งทำให้เหมาะสำหรับแอปพลิเคชัน Edge AI ที่หลากหลาย

ในทางกลับกัน GPU อาจมีราคาค่อนข้างแพง โดยเฉพาะอย่างยิ่งเมื่อต้องรองรับโซลูชัน Edge ขนาดใหญ่ ถึงกระนั้นก็เป็นตัวเลือกที่นำไปสู่กรณีการใช้งานที่สำคัญต่อความล่าช้าซึ่งต้องการการประมวลผลข้อมูลด้วยความเร็วสูง เช่น รถยนต์ไร้คนขับหรือระบบช่วยเหลือผู้ขับขี่ขั้นสูง

FPGA ให้พลังการประมวลผลที่ดียิ่งขึ้น ประสิทธิภาพพลังงาน และความยืดหยุ่น ข้อได้เปรียบที่สำคัญของ FPGA คือสามารถตั้งโปรแกรมได้ นั่นคือฮาร์ดแวร์ "ทำตาม" คำสั่งซอฟต์แวร์ ซึ่งช่วยให้ประหยัดพลังงานและกำหนดค่าใหม่ได้มากขึ้น เนื่องจากสามารถเปลี่ยนธรรมชาติของการไหลของข้อมูลในฮาร์ดแวร์ได้ แทนที่จะเป็น ASIC, CPU และ GPU แบบฮาร์ดโค้ด

สรุปแล้ว การเลือกตัวเลือกฮาร์ดแวร์ที่เหมาะสมที่สุดสำหรับโซลูชัน Edge AI ควรพิจารณาปัจจัยต่างๆ รวมกัน รวมถึงความสามารถในการกำหนดค่าใหม่ การใช้พลังงาน ขนาด ความเร็วในการประมวลผล และต้นทุน ต่อไปนี้คือการเปรียบเทียบตัวเลือกฮาร์ดแวร์ยอดนิยมตามเกณฑ์ที่ระบุ:

แหล่งที่มา

ในทางกลับกัน ซอฟต์แวร์เอดจ์เอไอจะรวมเทคโนโลยีสแต็คทั้งหมดที่ช่วยให้กระบวนการเรียนรู้เชิงลึกและอนุญาตให้อัลกอริทึมเอไอทำงานบนอุปกรณ์เอดจ์ได้ โครงสร้างพื้นฐานซอฟต์แวร์ Edge AI ครอบคลุมพื้นที่จัดเก็บข้อมูล การจัดการข้อมูล การวิเคราะห์ข้อมูล/การอนุมาน AI และส่วนประกอบเครือข่าย

กรณีการใช้งาน Edge AI

บริษัทในภาคส่วนต่างๆ ได้รับประโยชน์จากเอดจ์เอไอแล้ว นี่คือบทสรุปของกรณีการใช้งาน Edge AI ที่โดดเด่นที่สุดจากอุตสาหกรรมต่างๆ

ค้าปลีก: ส่งเสริมประสบการณ์การช็อปปิ้ง

ประสบการณ์การช็อปปิ้งในเชิงบวกเป็นข้อกังวลหลักสำหรับผู้ค้าปลีก เนื่องจากเป็นปัจจัยกำหนดการรักษาลูกค้า ด้วยการใช้การวิเคราะห์ที่ขับเคลื่อนด้วย AI ผู้ค้าปลีกสามารถสร้างความพึงพอใจให้กับผู้บริโภค ทำให้แน่ใจว่าพวกเขากลายเป็นลูกค้าประจำ

หนึ่งในแอปพลิเคชัน Edge AI จำนวนมากที่ช่วยพนักงานค้าปลีกในการปฏิบัติงานประจำวันและสร้างประสบการณ์ลูกค้าที่ดีขึ้นคือการใช้ Edge AI เพื่อกำหนดว่าเมื่อใดที่ผลิตภัณฑ์จำเป็นต้องเติมและเปลี่ยน

แอปพลิเคชั่นเอดจ์ AI อีกตัวกำลังใช้โซลูชันการมองเห็นด้วยคอมพิวเตอร์ในระบบชำระเงินอัจฉริยะ ซึ่งท้ายที่สุดแล้วลูกค้าไม่ต้องสแกนสินค้าที่เคาน์เตอร์

นอกจากนี้ ผู้ค้าปลีกยังใช้การวิเคราะห์วิดีโออัจฉริยะเพื่อเจาะลึกความต้องการของลูกค้าและปรับปรุงรูปแบบร้านค้าให้สอดคล้องกัน

การผลิต: การนำโรงงานอัจฉริยะเข้ามา

ผู้ประกอบการด้านการผลิตโดยเฉพาะอย่างยิ่งที่เกี่ยวข้องกับการผลิตที่มีความแม่นยำจำเป็นต้องมั่นใจในความถูกต้องและความปลอดภัยของกระบวนการผลิต ด้วยการเพิ่มประสิทธิภาพไซต์การผลิตด้วย AI ผู้ผลิตสามารถมั่นใจได้ว่าพื้นที่การผลิตมีความปลอดภัยและมีประสิทธิภาพ ด้วยเหตุนี้ พวกเขาจึงนำแอปพลิเคชัน AI มาใช้ในการตรวจสอบพื้นที่ร้านค้า เช่นเดียวกับที่ Procter & Gamble และ BMW ใช้

Procter & Gamble ใช้โซลูชัน Edge AI ที่อาศัยภาพจากกล้องตรวจสอบเพื่อตรวจสอบถังผสมสารเคมี เพื่อป้องกันไม่ให้ผลิตภัณฑ์ที่มีข้อบกพร่องไหลลงสู่ท่อการผลิต โซลูชัน Edge AI ที่ปรับใช้โดยตรงบนกล้องจะระบุจุดบกพร่องและแจ้งให้ผู้จัดการประจำร้านทราบถึงความเบี่ยงเบนของคุณภาพที่พบ

BMW ใช้การผสมผสานระหว่าง Edge Computing และปัญญาประดิษฐ์เพื่อให้ได้มุมมองตามเวลาจริงของโรงงาน องค์กรได้รับภาพที่ชัดเจนของสายการผลิตผ่านกล้องอัจฉริยะที่ติดตั้งทั่วโรงงานผลิต

ยานยนต์: การเปิดใช้งานรถยนต์อัตโนมัติ

รถยนต์ขับเคลื่อนอัตโนมัติและระบบช่วยเหลือผู้ขับขี่ขั้นสูงพึ่งพาเอดจ์เอไอเพื่อความปลอดภัยที่ดีขึ้น ประสิทธิภาพที่เพิ่มขึ้น และความเสี่ยงในการเกิดอุบัติเหตุที่ลดลง

รถยนต์ไร้คนขับติดตั้งเซ็นเซอร์หลากหลายชนิดที่รวบรวมข้อมูลเกี่ยวกับสภาพถนน ตำแหน่งคนเดินเท้า ระดับแสง สภาพการขับขี่ วัตถุรอบตัวรถ และปัจจัยอื่นๆ เนื่องจากข้อกังวลด้านความปลอดภัย ข้อมูลจำนวนมากเหล่านี้จำเป็นต้องได้รับการประมวลผลอย่างรวดเร็ว Edge AI จัดการกับงานตรวจสอบที่ไวต่อเวลาแฝง เช่น การตรวจจับวัตถุ การติดตามวัตถุ และการรับรู้ตำแหน่ง

ความปลอดภัย: เปิดระบบจดจำใบหน้า

หนึ่งในพื้นที่ที่เปลี่ยนไปใช้ Edge มากขึ้นเรื่อยๆ คือการจดจำใบหน้า

สำหรับแอปความปลอดภัยที่มีความสามารถในการจดจำใบหน้า เช่น ระบบรักษาความปลอดภัยในบ้านอัจฉริยะ เวลาในการตอบสนองเป็นสิ่งสำคัญ ในระบบคลาวด์แบบเดิม ภาพจากกล้องจะถูกย้ายอย่างต่อเนื่องไปทั่วเครือข่าย ซึ่งส่งผลต่อความเร็วในการประมวลผลและต้นทุนการดำเนินงานของโซลูชัน

วิธีที่มีประสิทธิภาพมากกว่าคือการประมวลผลข้อมูลวิดีโอโดยตรงบนกล้องรักษาความปลอดภัย เนื่องจากไม่จำเป็นต้องใช้เวลาในการถ่ายโอนข้อมูลไปยังระบบคลาวด์ แอปพลิเคชันจึงมีความน่าเชื่อถือและตอบสนองได้ดีกว่า

อุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภค: เปิดใช้งานคุณสมบัติใหม่ในอุปกรณ์พกพา

อุปกรณ์เคลื่อนที่สร้างข้อมูลจำนวนมาก การประมวลผลข้อมูลนี้ในระบบคลาวด์มาพร้อมกับความท้าทายร่วมกัน เช่น เวลาแฝงสูงและการใช้แบนด์วิธ เพื่อแก้ปัญหาเหล่านี้ นักพัฒนาอุปกรณ์เคลื่อนที่ได้เริ่มปรับให้ AI ล้ำหน้าเพื่อประมวลผลข้อมูลที่สร้างขึ้นด้วยความเร็วที่สูงขึ้นและต้นทุนที่ต่ำลง

กรณีการใช้งานมือถือที่เปิดใช้งานโดย Edge AI ได้แก่ การจดจำเสียงพูดและใบหน้า การตรวจจับการเคลื่อนไหวและการล้ม และอื่นๆ

วิธีการทั่วไปยังคงเป็นแบบผสมผสาน ข้อมูลที่ต้องการพื้นที่จัดเก็บมากขึ้นหรือความสามารถในการประมวลผลสูงจะถูกส่งไปยังคลาวด์หรือเลเยอร์หมอก ในขณะที่ข้อมูลที่สามารถตีความได้ภายในเครื่องจะอยู่ที่ขอบ

อุปสรรคในการนำ AI มาใช้

พลังการประมวลผลที่จำกัด

การฝึกอบรมอัลกอริทึม AI ต้องการพลังการประมวลผลที่เพียงพอ ซึ่งส่วนใหญ่ไม่สามารถทำได้ที่เอดจ์ ดังนั้น แอปพลิเคชันที่เน้นขอบส่วนใหญ่ยังคงมีส่วนของคลาวด์ ซึ่งอัลกอริทึม AI ได้รับการฝึกอบรมและอัปเดต

หากคุณกำลังมุ่งสู่การสร้างแอปพลิเคชันที่เน้นขอบซึ่งพึ่งพาระบบคลาวด์น้อยกว่า คุณจะต้องคิดถึงวิธีการเพิ่มประสิทธิภาพการจัดเก็บข้อมูลบนอุปกรณ์ (เช่น เก็บเฉพาะเฟรมที่มีใบหน้าในแอปพลิเคชันการจดจำใบหน้า) และ ขั้นตอนการฝึกอบรม AI

ช่องโหว่ด้านความปลอดภัย

แม้ว่าลักษณะการกระจายอำนาจของแอปพลิเคชั่นขอบและไม่จำเป็นต้องมีข้อมูลในการเดินทางผ่านเครือข่ายจะเพิ่มคุณสมบัติด้านความปลอดภัยของแอปพลิเคชั่นที่เป็นศูนย์กลางขอบ แต่โหนดปลายทางยังคงมีแนวโน้มที่จะถูกโจมตีทางไซเบอร์ ดังนั้นจึงจำเป็นต้องมีมาตรการรักษาความปลอดภัยเพิ่มเติมเพื่อรับมือกับความเสี่ยงด้านความปลอดภัย อาชญากรสามารถเข้าถึงโมเดลแมชชีนเลิร์นนิงที่ขับเคลื่อนโซลูชัน Edge ได้ การล็อคและถือว่ามันเป็นสินทรัพย์หลักสามารถช่วยป้องกันปัญหาด้านความปลอดภัยที่เกี่ยวข้องกับ Edge ได้

การสูญเสียข้อมูล

ลักษณะของขอบบอกเป็นนัยว่าข้อมูลอาจไม่ถูกส่งไปยังคลาวด์เพื่อจัดเก็บ อุปกรณ์ปลายทางอาจได้รับการกำหนดค่าให้ละทิ้งข้อมูลที่สร้างขึ้นเพื่อลดค่าใช้จ่ายในการดำเนินงานหรือปรับปรุงประสิทธิภาพของระบบ แม้ว่าการตั้งค่าระบบคลาวด์จะมาพร้อมกับข้อจำกัดที่พอใช้ร่วมกัน แต่ข้อได้เปรียบที่สำคัญของสิ่งเหล่านี้คือข้อเท็จจริงที่ว่าข้อมูลที่สร้างขึ้นทั้งหมดหรือเกือบทั้งหมดนั้นถูกเก็บไว้ ดังนั้นจึงสามารถใช้เพื่อรวบรวมข้อมูลเชิงลึกได้

หากการจัดเก็บข้อมูลจำเป็นสำหรับกรณีการใช้งานเฉพาะ เราขอแนะนำให้ใช้แบบไฮบริดและใช้ระบบคลาวด์เพื่อจัดเก็บและวิเคราะห์การใช้งานและข้อมูลทางสถิติอื่นๆ เช่นเดียวกับที่เราทำเมื่อพัฒนามิเรอร์ฟิตเนสอัจฉริยะสำหรับลูกค้าของเรา

หากคุณยังมีคำถามที่ไม่ได้รับคำตอบเกี่ยวกับ Edge AI หรือมองหาพันธมิตรที่เชื่อถือได้เพื่อนำแอปพลิเคชัน Edge AI ไปใช้ โปรดทิ้งข้อความ ITRex ผู้เชี่ยวชาญของเราจะช่วยเหลือคุณอย่างกระตือรือร้น

เผยแพร่ครั้งแรกที่ https://itrexgroup.com เมื่อวันที่ 1 พฤศจิกายน 2022