Каква е парадигмата на edge и cloud за производителите и каква е ролята на AI и машинното обучение?
Във втората статия от поредицата, базирана на панела AI On The edge vs the cloud, който се проведе по време на срещата на високо равнище за индустриален AI и с Алекс Уест — главен анализатор в Omdia, Матео Дариол — водещ иновационен стратег в Bosch Rexroth, Андерс Рам -Нилзон — директор на центъра за върхови постижения в облака във Volvo Group и нашият главен изпълнителен директор и директор по наука за данни Ерик Топъм, ние разработваме парадигмата на облака и периферията за компаниите кои са елементите, които оказват влияние върху бъдещото развитие и внедряване на индустриален AI
Компаниите разбират ли добре предимствата и разликите между edge и cloud?
В миналото имаше обща тенденция в индустрията да се колебае между ол-ин на облачни решения, забравяне на предимството и след това замахване от другата страна, ол-ин на крайни решения, и забравяне на облака като жизнеспособна опция. Този път е различно; все повече и повече компании осъзнават тези колебания и как в крайна сметка те попадат в капана на така нареченото изчисление с мъгла.
В индустрията има парадигма за облак и край: няма облак без добро предимство и обратното. И точно там е бъдещето на индустрията. След като компаниите намерят своята мрежа в облака, след като са използвали масивни изчисления, паралелни изчисления и други, те трябва да могат да доведат мрежата си до ръба и да използват мрежата си там, където се произвеждат данните. Организациите наистина се нуждаят от облака, за да съхраняват огромно количество данни в безкраен мащаб, подобрявайки своите възможности и изчислителна мощност, но те трябва да разчитат и на добро предимство в цеховете.
От гледна точка на науката за данните, обединеното обучение може да бъде полезно за организациите да разберат стойността на парадигмата на edge-cloud. Производителите сега започват да осъзнават пълния си потенциал и са по-възприемчиви и осведомени в сравнение с преди няколко години.
При обединеното обучение, например, има няколко потенциални предимства за клиентите, които все още не се колебаят. Единият очевидно е по отношение на изчислителната мощност, тъй като може да бъде много по-ефективно да се направи това обучение на ръба и след това просто да се направи агрегирането централно. Това също позволява на производителите и организациите да контролират и често да намалят разходите си. Второто е от гледна точка на поверителността. Предмет на някои доста ограничени съображения от GDPR, възможността действително да обучаваме модели, без да преместваме данните и след това просто да връщаме абстрахираните резултати, ни позволява да преодолеем няколко проблема с поверителността, като същевременно сме съвместими.
Има и допълнителна парадигма, която е разпределена, която вместо това изпълняваме, където и да сме.
Специално за ML приложения, организациите могат да прокарат своята линия за обучение до ръба, след което да обучат, ефективно, един модел на устройство; решение, което работи особено добре в ситуации, в които компаниите имат устройства, които имат разнородно разпределение между тях.
В част 3 ще проучим какво влияе върху бъдещото развитие и внедряване на индустриален AI — за да прочетете част 1, щракнете върху тук
