Künstliche Intelligenz am Rande

Wenn wir uns in die Welt der Science-Fiction hineinziehen lassen, zaubert das Konzept der künstlichen Intelligenz und des maschinellen Lernens (AI / ML) Visionen von Neo, Trinity und Morpheus, die in den Matrix-Filmen gegen die Maschine kämpfen.

Im wirklichen Leben hilft AI / ML Entwicklern jedoch dabei, bessere und kostengünstigere IoT-Endknoten zu erstellen, die einem Ökosystem zugute kommen, in dem ihre Produkte existieren. Das Vorteile von AI / ML sind weitaus tiefer als nur die bessere Entscheidungsfindung im Endknoten; Einige Optimierungen bringen wertvolle Vorteile für alle Beteiligten, einschließlich des Verbrauchers, des Entwicklers und des Betreibers.

AI und ML

AI / ML ist kein neues Konzept, aber seine Verwendung wurde traditionell über stromhungrige, teurere Plattformen bereitgestellt, die viele Benutzer gleichzeitig nutzen. Zentralisierte Rechenzentren boten dem Technologiesektor ein begrenztes Risiko für die steigenden CapEx- und OpEx-Kosten, da er begann, eine immer stärkere Abhängigkeit von Speicher- und Rechenfunktionen für seine Daten aufzubauen und zu nutzen. Dies liegt daran, dass der Tech-Sektor aufgrund des Phänomens des Rechenzentrums Server, Dienstprogramme, Kühlung, Immobilien und Sicherheit gemeinsam nutzen konnte. Darüber hinaus bot es die Möglichkeit, Ressourcen nach Bedarf zu vergrößern und zu verkleinern, z. B. den Rechenaufwand und den Speicherbedarf. Aufgrund der gemeinsamen Kosten könnten neue Technologien wie AI / ML schneller verfügbar gemacht werden.

Die Zusammenschaltung global verteilter Rechenzentren bot dem Technologiesektor auch die Möglichkeit, regionale Einrichtungen zu nutzen. Ein in den USA ansässiges IoT-Unternehmen könnte Verbrauchern in Europa Dienstleistungen anbieten, ohne dass es zu einer transatlantischen Verzögerung kommt. Daten werden zwischen den Kontinenten übertragen und weitergeleitet oder unterliegen den Nuancen der regionalen Datenschutzgesetze. Solche Anforderungen sind wichtig, wenn Sie bedenken, dass ein Lichtschalter mit einer Verzögerung von zwei Sekunden vor dem Aufleuchten der Lichter nicht den Erwartungen der Verbraucher entspricht und daher Schwierigkeiten hat, ein kommerzieller Erfolg zu werden.

Rechenzentren und die Cloud haben neue nationale und internationale Geschäftsmöglichkeiten ermöglicht. Entwickler haben neue Mechanismen eingerichtet, um dem Verbraucher und der Geschäftseinheit Geld zu sparen.

Ein Bediener muss keinen Wartungslastwagen mehr zum Geschäft rollen, da die Eismaschine im Hotel möglicherweise Aufmerksamkeit benötigt. Der Betreiber muss nur einen Wartungswagen senden, weil er weiß, dass er Aufmerksamkeit benötigt, und spart dem Unternehmen so Zehntausende von Dollar an Betriebskosten.

Unnötige Bewegung nicht kritischer Daten

Die Verwendung von AI / ML zum Anzeigen dieser winzigen Signaturen in einem Gerät, bevor der Fehler auftritt, kann komplex sein, da die zugehörigen Signaturen winzig und daher subtil sein können. Diese Änderungen können Vibrationen im Motor der Pumpe oder geringfügige Temperaturänderungen in einem Wärmetauscher oder Kondensator sein: etwas, das eine Person möglicherweise nicht erkennt oder gar nicht sieht. Das Beispiel verbundener Eismaschinen scheint nicht das Volumen zu steuern, das viele Entwickler als Problem interpretieren würden, berücksichtigt jedoch dieselben Probleme oder Geschäftsmodelle, die für eine Lager- oder Hotelbeleuchtung gelten. In einem Lager können Tausende von Glühbirnen vorhanden sein, die jeweils über Regalen oder Maschinen positioniert sind, die zum Ersetzen einer Glühbirne bewegt werden müssten, was wiederum bedeutet, dass eine Produktionslinie möglicherweise im kritischsten Moment gestoppt wird.

Vorausschauende Wartung und Cloud-Analysen werden zu großen Unternehmen, und AI / ML bietet eine einfache Möglichkeit, eine automatisierte Auswertung der von ihm generierten Daten durchzuführen. Diese neuen Geschäftsmodelle führen jedoch zur Schaffung eines enormen Datenvolumens. Dies hat wiederum neue und interessante technische Herausforderungen geschaffen, mit denen sich Entwickler und Betreiber jetzt befassen müssen.

Diese Probleme scheinen Skalierungsprobleme auf der Oberfläche zu sein - fügen Sie mehr Server, mehr Speicher und andere auf Rechenzentren basierende Verbrauchsmaterialien hinzu, aber die Behebung dieser Probleme behebt nicht die zunehmende Anzahl von Problemen, die sich am anderen Ende der Datenleitung bilden.

In den meisten Anwendungen werden die Daten von einer Art Sensor generiert, der Strom und Bandbreite benötigt. Die Bandbreite wird auch in Bezug auf das Internet-Uplink- und HF-Spektrum der Einrichtungen verbraucht. Das Senden großer Datenmengen, die möglicherweise keine Änderung darstellen, ist teuer. Radios verbrauchen viel Strom, und in ausgelasteten HF-Spektren verbrauchen sie durch Übertragungsversuche noch mehr. Mehr Sensoren führen zu noch geschäftigeren HF-Umgebungen und erfordern mehr Batteriewartung. Zusätzlich zu den Problemen im Zusammenhang mit der Akkulaufzeit und der lokalen Bandbreite sind einige Anwendungen möglicherweise anfälliger für Sicherheitsbedenken. Massive Datenmengen können Muster bilden, die diejenigen mit böswilliger Absicht nutzen können, wenn sie abgefangen werden.

Computing am Rande

Es gibt einen wachsenden Trend, diese Probleme zu vereiteln, um einen Großteil dieser Entscheidungen an den Endknoten zurückzugeben und die Radioaktivität auf nur Daten zu reduzieren, die als wichtiger eingestuft wurden. Dies reduziert den Stromverbrauch, die Bandbreite und die digitale Signatur. Die Einschränkung, diese Entscheidungsfindung an den Endknoten zurückzugeben, kann eine Erhöhung der Verarbeitung, Speicherung und erneut des Stromverbrauchs des Endknotens bedeuten. Es scheint, dass das Internet der Dinge in einen Teufelskreis gerät, der seine Zugänglichkeit und sein Marktwachstum einschränkt.

Innovationen in künstliche Intelligenz haben die Verwendung kleinerer Mikrocontroller wie eines ARM Cortex-M ermöglicht und erfordern kleinere Speicherressourcen sowohl für Flash als auch für RAM. Die zur Implementierung von AI in einem System verwendete Codegröße kann auch viel kleiner sein als die herkömmliche Codierung, wenn komplexe Algorithmen implementiert werden, die sich mit realen Eckfällen befassen. Dadurch werden Firmware-Updates auch kleiner, schneller zu entwickeln und einfacher auf große Sensorflotten zu verteilen.

Viele Entwickler nutzen die KI in Endknotensensorprodukten, um ihr Design zu verbessern und das Erlebnis für Verbraucher und Betreiber gleichermaßen zu verbessern. Beispiele für KI-Technologie können mithilfe von Entwicklungskits schnell als Prototyp erstellt werden.

Kits können verwendet werden, um ein Pumpenüberwachungssystem zu demonstrieren. Die Fähigkeit, drahtlose Sensoren zu verkleinern, ihre Lebensdauer zu verlängern und eine bessere Sicherheit zu gewährleisten, ohne das lokale HF-Spektrum durch Rauschen zu zerstören, bedeutet, dass nützlichere Sensoren eingesetzt werden können, um die Produktivität und den Komfort vor Ort zu verbessern. Alltägliche Produkte wie Wandschalter, Umgebungssensoren und sogar Müllsensoren am Straßenrand können zu attraktiven Kosten- und Leistungspunkten in die Automatisierung und Überwachung von Ökosystemen einbezogen werden.

Quelle: https://www.iotforall.com/artificial-intelligence-on-the-edge