5 razones por las que los equipos de MLops utilizan Edge ML Más

Consulte todas las sesiones bajo demanda de Smart Security Summit aquí.

A medida que crece y evoluciona la cantidad de casos de uso de aprendizaje automático (ML), un número cada vez mayor de organizaciones de MLops utilizan más ML en el perímetro, es decir, invierten en ejecutar modelos de ML en dispositivos en el perímetro de una red. , incluidas cámaras inteligentes, dispositivos informáticos IoT, dispositivos móviles o sistemas integrados.

ABI Research, una empresa mundial de vigilancia de la tecnología, pronosticó recientemente que el mercado para la habilitación de ML de borde superará los $ 5 mil millones para 2027. Si bien el mercado aún se encuentra en una "etapa incipiente", según Lian Jye Su, director de investigación de ABI Research , las empresas que buscan abordar los desafíos de las aplicaciones Edge ML están recurriendo a una variedad de plataformas, herramientas y soluciones para impulsar un flujo de trabajo de MLops de extremo a extremo.

"Estamos viendo absolutamente que las organizaciones de MLops están aumentando el uso de ML Edge", dijo Lou Flynn, gerente sénior de productos para inteligencia artificial y análisis en SAS. “Las empresas grandes y pequeñas recurren a la nube por una variedad de razones, pero la nube no es adecuada para todos los casos de uso. Por lo tanto, las organizaciones en casi todas las industrias, incluidas la aeroespacial, la fabricación, la energía y la automoción, están aprovechando la IA de vanguardia para obtener una ventaja competitiva".

Aquí hay cinco razones por las que los equipos de MLops le dan el visto bueno a Edge ML:

Evento

Cumbre de seguridad inteligente bajo demanda

Obtenga más información sobre el papel esencial de la IA y el ML en la ciberseguridad y los estudios de casos específicos de la industria. Mira las sesiones a pedido hoy.

mira aquí 1. Los dispositivos Edge se han vuelto más rápidos y potentes

"Hemos visto que varias empresas se centran en procesos integrales en torno a ML en el borde", dijo Frederik Hvilshøj, ingeniero principal de ML en Encord, una empresa de visión artificial centrada en datos. Las dos razones principales, explicó, son: los dispositivos Edge se han vuelto cada vez más potentes, mientras que la compresión de modelos se ha vuelto más eficiente, lo que permite que los modelos más potentes se ejecuten a velocidades más altas; y los dispositivos perimetrales suelen vivir mucho más cerca de la fuente de datos, lo que elimina la necesidad de mover grandes volúmenes de datos.

“La combinación de los dos significa que los modelos de alto rendimiento se pueden ejecutar en dispositivos periféricos a una velocidad casi en tiempo real”, dijo. "Anteriormente, se requerían GPU que residían en servidores centrales para lograr el alto rendimiento del modelo, pero a costa de tener que transferir datos de un lado a otro, lo que hacía que el caso de uso fuera menos práctico".

2. Edge ML ofrece mayor eficiencia

El panorama actual de datos distribuidos ofrece la oportunidad de analizar el contenido para ganar eficiencia, dijo Flynn.

"Muchas fuentes de datos provienen de ubicaciones remotas, como un almacén, un sensor independiente en un sitio agrícola grande o incluso un CubeSat [un satélite cuadrado en miniatura] como parte de una constelación de sensores de imágenes electroópticas ," él explicó. "Cada uno de estos escenarios describe casos de uso que podrían ganar eficiencia ejecutando ML perimetral en lugar de esperar a que los datos se reconcilien en el almacenamiento en la nube".

3. El ancho de banda y el ahorro de costos son esenciales

"Debe ejecutar modelos ML en el perímetro debido a la física (limitaciones de ancho de banda, latencia) y el costo", dijo Kjell Carlsson, líder de