O dynamicznym rozwoju sztucznej inteligencji i jej zastosowań można usłyszeć niemal codziennie w mediach. W branży ICT coraz głośniej robi się o edge AI, czyli zastosowaniu sztucznej inteligencji przy przetwarzaniu na brzegu sieci. #AI w środowisku #edgecomputing pozwala m.in. na optymalizację przepływów pracy czy automatyzację procesów biznesowych, a jednocześnie ułatwia rozwiązywanie takich problemów, jak opóźnienia, bezpieczeństwo i redukcja kosztów.

Edge AI to wdrażanie sztucznej inteligencji w środowisku edge computing, co umożliwia przetwarzanie danych blisko miejsca, w którym są one generowane i przechowywane, bez konieczności łączenia się z chmurą lub centrum danych. Edge AI polega na wdrażaniu algorytmów i modeli AI bezpośrednio na lokalnych urządzeniach brzegowych, takich jak czujniki lub urządzenia Internetu Rzeczy (IoT), co umożliwia przetwarzanie i analizę danych w czasie rzeczywistym bez polegania na infrastrukturze chmurowej.

Według definicji IBM, edge AI to połączenie przetwarzania brzegowego i sztucznej inteligencji w celu wykonywania zadań uczenia maszynowego (ML – machine learning) bezpośrednio na połączonych poprzez sieć urządzeniach brzegowych.

Algorytmy AI przetwarzają lokalnie dane utworzone na urządzeniu niezależnie od tego, czy ma ono połączenie z internetem. Edge AI umożliwia przetwarzanie danych w ciągu milisekund, zapewniając informację zwrotną w czasie rzeczywistym. Dzięki temu, że część wrażliwych danych nigdy nie opuszcza miejsca ich generowania, zwiększa się poziom bezpieczeństwa. Ze względu na zdolność do przenoszenia danych z przeciążonych chmurowych centrów danych, urządzenia brzegowe, takie jak czujniki i urządzenia pracujące w ramach Internetu Rzeczy #IoT, stają się kluczowymi technologiami.

Przykładowe zastosowania możliwości technologii edge AI to: autonomiczne samochody, urządzenia typu wearables, kamery monitorujące czy urządzenia smart home.

Wartość globalnego rynku edge AI w 2022 roku analitycy Grand View Research wyceniali na 14 787,5 mln USD i prognozują, że w latach 2023–2030 będzie on średniorocznie rosnąć w tempie 21% (CAGR). Wzrost rynku edge AI napędzają usługi oparte na IoT i takie zastosowania, jak smart energy, opieka zdrowotna oparta na AI, smart factory czy inteligentne systemy transportowe.

Korzyści z edge AI

Połączenie edge computing i AI niesie ze sobą wiele korzyści. Dzięki edge AI wysokowydajne możliwości obliczeniowe zostają przeniesione na brzeg sieci, gdzie znajdują się czujniki i urządzenia IoT. Dane mogą być przetwarzane na urządzeniach w czasie rzeczywistym, ponieważ nie jest wymagana łączność i integracja między systemami.

Korzyści z wdrażania edge AI wskazywane przez ekspertów Red Hat i IBM:

• obniżone koszty – wydatki związane z usługami AI hostowanymi w chmurze mogą być wysokie; edge AI oferuje możliwość wykorzystania zasobów chmury jako repozytorium do gromadzenia danych po przetworzeniu, przeznaczonych do późniejszej analizy, co zmniejsza obciążenie komputerów i sieci w chmurze,
• oszczędność kosztów energii – wymagania dotyczące zasilania edge AI są znacznie niższe niż w chmurowych centrach danych;
• zmniejszone zapotrzebowanie na przepustowość – ponieważ edge AI umożliwia przetwarzanie danych na poziomie lokalnym, minimalizuje ilość danych przesyłanych przez internet, więcej danych jest przetwarzanych, analizowanych i przechowywanych lokalnie zamiast wysyłanych do chmury lub centrum danych;
• zachowanie prywatności danych – w ramach operacji edge AI dane nie są przesyłane do innej sieci, gdzie mogą być podatne na cyberataki; przetwarzając informacje lokalnie na urządzeniu, edge AI zmniejsza ryzyko niewłaściwego sprzeniewierzenia lub niewłaściwego obchodzenia się z danymi;
• analityka w czasie rzeczywistym – dane mogą być przetwarzane w czasie rzeczywistym na urządzeniach bez konieczności podłączania i integrowania systemów, co pozwala zaoszczędzić czas poprzez konsolidację danych bez konieczności komunikowania się z innymi lokalizacjami fizycznymi;
• bezpieczeństwo – priorytety nadawane są ważnym transferom danych poprzez przetwarzanie i przechowywanie danych w sieci brzegowej lub filtrowanie zbędnych, obcych i niepotrzebnych danych;
• skalowalność – łatwe skalowanie systemów za pomocą platform opartych na chmurze i natywnych funkcji brzegowych na sprzęcie producentów OEM;
• mniejsze opóźnienia – dzięki przeprowadzaniu analiz danych lokalnie w ramach edge AI zmniejszane są obciążenia platform chmurowych;

(grafika tytułowa – źr. Pixabay)