pire mard

خدمات متقابل Edge و AI

متخصصان در پروژه‌های اخیر بیش از AI متمرکز بر Edge هستند. این متخصصان در آزمایشگاه‌های فوق تخصصی سیلیکون‌ولی معمولا این دو را با هم ترکیب کرده و به این ترتیب تحلیل داده‌های بزرگ (Big Data) و کنترل سیستم را در Edge تسهیل می‌کنند. برای این‌که کاربری این 2 فناوری در کنار یکدیگر را بهتر درک کنیم باید نگاهی جزئی به خدماتی که این دو در اختیار یکدیگر می‌گذارند، بیاندازیم. کار Edge این است که بنا به طراحی‌اش واحدهای رایانش را در میان لایه‌های مختلف معماری سیستم توزیع کرده و رایانش‌ها را هم در امتداد عمودی و هم در امتداد افقی، مرکززدایی می‌کند. نکته جالب این است که AI به تازگی با رایانش‌های توزیعی شروع به کار کرده‌اند و هنوز هیچ چیز نشده نیازمند توان بسیار بیش‌تری هستند و  باید با رایانش‌های غیرمرکزی کار کنند. تعامل میان AI و Edge، مزایای آشکاری به همراه دارد:

۱-  Edge برای AI و AI برای Edge

در نمودار مزیت‌هایی که انتظار می‌رود ازهمکاری Edge و AI حاصل شود، نمایش داده شده. Edge به مقوله‌های مختلفی تقسیم شده است: ارتباطات، کنترل پلتفرم، امنیت، حریم خصوصی، و کاربست یا جنبه‌های مختص به سرویس.

EdgeAI از شیوه‌های بسیاری می‌تواند باعث بهبود شبکه‌های ارتباطاتی شود. می‌تواند قابلیت تغییر مقیاس و KPIهای پلتفرم را بهبود بخشید، به‌خصوص در رابطه با اتصال، انتقال داده‌ها، تخلیه رایانشی (computation offloading) و قابلیت‌های واکنش‌دهی و کنش پیش‌دستانه. این سهم مثبتی در رسیدن به نیرومندی، قابلیت اطمینان و قابلیت تغییر مقیاس داشته و به بهبود «کیفیت تجربه» (QoE) برای اپلیکیشن‌های Edge منجر خواهد شد.

دیگر این‌که، برخلاف سیستم‌های عمودی کنونی، تاکید بر اتصال و تعامل‌پذیری میان دستگاه‌های دخیل خواهد بود. این قبیل دستگاه‌ها، نظیر دستگاه‌های کاربری و اجزای زیرساخت شبکه، منابع ارتباطاتی و رایانشی‌شان را تحت یک لایه و همچنین از لایه‌ای به لایه دیگر به اشتراک می‌گذارند.

مزایای حاصل از Edge برای هوش مصنوعی و بلعکس
مزایای حاصل از Edge برای هوش مصنوعی و بلعکس

۲- اشتراک‌گذاری در EdgeAI

عامل‌های هوش مصنوعی می‌توانند با به اشتراک گذاشتن موضعی اتصال‌ها میان دستگاه‌ها، به مسائل و مشکلات شبکه‌ای نظیر پایین بودن توان عملیاتی و اتصال متناوب (قطعی متناوب اتصال) رسیدگی کنند. چنین عملیاتی مستلزم آن است که اجزای مشارکت‌کننده و عملکردی، خودمختار (یعنی از هوش مصنوعی کمک بگیرند) باشند و دستگاه‌های کاربری و روترهای بی‌سیم از قابلیت‌های هوش مصنوعی برخوردار باشند. در سوی دیگر زمانی که معماری‌های شبکه ارتباطاتی زیربنایی چنان ساخته شده باشند که توانایی پشتیبانی از جریان‌های کاری هوش مصنوعی را داشته باشند، مدل‌های هوش مصنوعی می‌توانند با سرعت بیش‌تر و خطای تعمیم پایین‌تری همگرایی پیدا کنند.

۳- کنترل غیرمرکزی

مدیریت سیستم‌های عظیم-مقیاس IoT دشوار است؛ دلیل این امر نیز متحرک بودن (موبایل بودن) دستگاه و وجود تاخیر در ارتباطات میان لایه‌های معماری سیستم است. EdgeAI می‌تواند پلتفرمی برای کنترل غیرمرکزی سیستم IoT فراهم کند. این پلتفرم نزدیک به دستگاه‌هایی که مدیریت می‌شوند جای می‌گیرد و امکان وقوف لحظه‌ای را برای مدیریت هوشمند پلتفرم فراهم می‌کند. چالش اصلی این است که باید میان استفاده‌ی همزمان از منابع ارتباطاتی و رایانشی برای اپلیکیشن‌های مختلف که هر کدام الزامات خاص خود را دارند، از یک سو، و از سوی دیگر، دسترس‌پذیری پویا به منابع، به موازنه‌ای رسید و میانه‌ای را گرفت.

۴- کنترل و پیش‌بینی

روش‌های EdgeAI می‌توانند مدل‌های خاص خود را با مقادیر عظیمی از داده‌های به لحظه برای کنترل سیستم و اجرای اپلیکیشن، استوار کنند. در کنار این AI می‌تواند قابلیت‌های جدیدی فراهم آورد، از جمله الگوریتم‌های پیش‌بینی برای به اشتراک‌گذاری منبع و هماهنگ‌سازی و کنترل دینامیک و غیرمرکزگرای سیستم، اما از آن‌جا که دستگاه‌های کاربری واجد میزانی از خودمختاری هستند، لازم است که اجزای Edge از الزامات اپلیکیشن، منابع موجود در دستگاه‌های متصل و زمینه‌های مختص به اپلیکیشن، شناخت و درکی داشته باشند. چنین شناختی مستلزم آن است که اجرای اپلیکیشن، مطابق با فرصت‌‌های موجود در منبع بخش‌بندی شود. اما اتصال متناوب ممکن است عملیات هوشمند نظیر آموزش توزیعی مدل‌های یادگیری ماشین (ML) را تخریب کند! دیگر این‌که در نتیجه‌ی الزامات اپلیکیشن و شناخت زمینه‌ای در مقیاس‌های متفاوت که مبتنی بر مقادیر عظیمی از داده‌های کنترل و اپلیکیشن است، پیچیدگی مدل‌ها به طرز چشمگیری افزایش می‌یابد.

 

ممکن است شما دوست داشته باشید

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.

google-site-verification=LIlp78bswjmF4j21BsLJxo_uLTDoQ6D65iBZr09qqzs