5 أسباب تجعل فرق MLops تستخدم Edge ML أكثر

تحقق من جميع الجلسات عند الطلب لقمة Smart Security من هنا .

نظرًا لتزايد وتطور عدد حالات استخدام التعلم الآلي (ML) ، يستخدم عدد متزايد من مؤسسات MLops مزيدًا من ML على الحافة ، أي الاستثمار في تشغيل نماذج ML على الأجهزة الموجودة على حافة الشبكة. ، بما في ذلك الكاميرات الذكية أو أجهزة حوسبة إنترنت الأشياء أو الأجهزة المحمولة أو الأنظمة المدمجة.

توقعت ABI Research ، وهي شركة عالمية للساعات التكنولوجية ، مؤخرًا أن يتجاوز سوق تمكين Edge ML 5 مليارات دولار بحلول عام 2027. في حين أن السوق لا يزال في "مرحلة ناشئة" ، وفقًا ليان جي سو ، مدير الأبحاث في ABI Research ، تتجه الشركات التي تتطلع إلى معالجة تحديات تطبيقات Edge ML إلى مجموعة متنوعة من الأنظمة الأساسية والأدوات والحلول لتشغيل سير عمل MLops من البداية إلى النهاية.

"نحن نرى تمامًا أن مؤسسات MLops تزيد من استخدام ML Edge ،" قال Lou Flynn ، مدير المنتج الأول للذكاء الاصطناعي والتحليلات في SAS. "تتجه الأنشطة التجارية الكبيرة والصغيرة إلى السحابة لعدة أسباب ، ولكن السحابة ليست مناسبة لجميع حالات الاستخدام. لذلك ، تستفيد المؤسسات في كل صناعة تقريبًا ، بما في ذلك الطيران والتصنيع والطاقة والسيارات ، من أحدث تقنيات الذكاء الاصطناعي لاكتساب ميزة تنافسية. "

فيما يلي خمسة أسباب تجعل فرق MLops تعطي إبهامًا لـ Edge ML: حدث

قمة الأمان الذكي عند الطلب

تعرف على الدور الأساسي للذكاء الاصطناعي والتعلم الآلي في الأمن السيبراني ودراسات الحالة الخاصة بالصناعة. شاهد الجلسات عند الطلب اليوم. انظر هنا 1. أصبحت أجهزة Edge أسرع وأكثر قوة

"لقد رأينا العديد من الشركات تركز على العمليات الشاملة حول ML على الحافة" ، قال فريدريك هفيلشوج ، كبير مهندسي ML في Encord ، وهي شركة رؤية حاسوبية تركز على البيانات. وأوضح أن السببين الرئيسيين هما: أصبحت الأجهزة الطرفية أكثر قوة بينما أصبح ضغط النموذج أكثر كفاءة ، مما يسمح للنماذج الأكثر قوة بالعمل بسرعات أعلى. عادةً ما تعيش الأجهزة الطرفية بالقرب من مصدر البيانات ، مما يلغي الحاجة إلى نقل كميات كبيرة من البيانات.

"إن الجمع بين الاثنين يعني أن النماذج عالية الأداء يمكن تشغيلها على الأجهزة الطرفية بسرعة قريبة من الوقت الفعلي" ، قال. "في السابق ، كانت وحدات معالجة الرسومات الموجودة على الخوادم المركزية مطلوبة لتحقيق الإنتاجية العالية للنموذج ، ولكن على حساب الاضطرار إلى نقل البيانات ذهابًا وإيابًا ، مما يجعل حالة الاستخدام أقل عملية. 2. يوفر Edge ML كفاءة أكبر

قال فلين إن المشهد الحالي للبيانات الموزعة يوفر فرصة لتحليل المحتوى لاكتساب الكفاءة.

"تأتي العديد من مصادر البيانات من مواقع بعيدة ، مثل المستودعات ، أو جهاز استشعار مستقل في موقع زراعي كبير ، أو حتى CubeSat [قمر صناعي صغير الشكل مربع] كجزء من مجموعة مستشعرات التصوير الكهروضوئي ،" هو شرح. "يصف كل من هذه السيناريوهات حالات الاستخدام التي يمكن أن تكتسب الكفاءة من خلال تشغيل ML على الحافة بدلاً من انتظار تسوية البيانات في التخزين السحابي."

3. عرض النطاق الترددي وتوفير التكاليف ضروريان

قال كيل كارلسون ، رئيس