À mesure que l’accélération de l’AI se poursuit, les questions pratiques persistent sur l’adoption efficace et économique de l’AI. L’AI de périphérie est l’une des adaptations les plus percutantes de l’intelligence artificielle, car elle nécessite le déploiement de flux de travail d’AI entiers plus près des sources de génération de données ou des terminaux sur lesquels les décisions sont prises. C’est l’informatique de périphérie qui s’appuie sur la puissance de l’AI.
Qu’est-ce que AI de périphérie ?
L’AI de périphérie a été proposée pour tout, des appareils chirurgicaux robotisés qui nécessitent une analyse pour réaliser des interventions chirurgicales complexes aux assistants vocaux de smartphone répondant en une fraction de seconde à vos questions. Dans chaque cas, l’AI de périphérie permet de collecter, d’analyser et de prendre des décisions localement (à la périphérie) sans avoir à transmettre les données dans le cloud et sans l’aide des ressources de calcul cloud. Elle accélère et rend les applications connectées existantes plus réactives, ce qui permet de placer les applications d’AI dans davantage de paramètres, comme des emplacements distants où les réseaux sans fil sont faibles.
L’AI de périphérie peut être le catalyseur nécessaire pour produire des résultats tangibles à partir des investissements réalisés dans le développement et l’infrastructure de l’AI. L’AI à la périphérie peut apporter une intelligence riche, fonctionnelle et à faible latence dans davantage de cas d’utilisation et de manière à rendre l’AI plus efficace pour produire des résultats de valeur.
Comment cela fonctionne-t-il ?
L’AI de périphérie est rendue possible par l’évolution de plusieurs technologies habilitantes :
- Les capacités de l’apprentissage machine ont évolué jusqu’à ce que les organisations puissent plus facilement développer et déployer des applications d’AI de périphérie personnalisées qui résolvent des problèmes concrets.
- Les progrès réalisés dans les GPU et le traitement parallèle ont permis de déployer le puissant matériel de calcul autonome nécessaire pour exécuter l’AI à la périphérie.
- L’IoT, bien qu’il ne s’agisse pas d’une nouvelle technologie, constitue l’autre matière première essentielle de l’AI à la périphérie : les données. Avec la puissance de calcul intégrée, les appareils IoT n’auraient plus besoin d’être connectés à Internet pour exécuter des fonctions essentielles et agir sur les données qu’ils collectent.
AI de périphérie et AI cloud : Les partenaires parfaits
L’AI en périphérie et l’AI dans le cloud ne font pas partie d’une question, mais de deux outils complémentaires qui aident les organisations à déployer leurs propres applications d’AI de la manière la plus efficace possible. Le cloud joue toujours un rôle clé en fournissant un canal pour entraîner, déployer et gérer l’AI de périphérie, du moins pour les instances qui se trouvent dans une plage de réseaux sans fil et en fournissant des calculs supplémentaires pour les charges lourdes ou pour les calculs que le déploiement de périphérie ne peut pas gérer. Le cloud collecte également des données pour l’optimisation continue de l’application et pour une utilisation ailleurs dans une organisation.
L’AI distribuée (DAI) est une approche hybride qui vise à exploiter toutes les ressources disponibles pour atteindre les objectifs. L’AI de périphérie peut être un moyen moins coûteux d’accomplir des tâches que l’utilisation du cloud, mais cela peut uniquement être vrai pour certains cas d’utilisation et dans certaines conditions, par exemple si un fournisseur de services facture par l’utilisation. DAI utilise des périphériques périphériques, le cloud et les réseaux pour partager les charges de travail d’AI en fonction de paramètres tels que la puissance de traitement nécessaire, la latence, le coût, le trafic réseau et la sécurité.
Avantages de l’AI de périphérie : Trouver le retour sur investissement
Les principaux avantages de l’AI de périphérie sont une latence plus faible et des performances plus rapides que l’AI connectée au cloud, ainsi que la possibilité de déployer l’AI dans des environnements où il n’y a pas de réseau. Sans variables réseau, l’AI de périphérie améliore la disponibilité et la fiabilité des applications stratégiques. Elle peut également offrir une plus grande confidentialité pour les données sensibles et présenter une surface d’attaque plus limitée pour les cybercriminels. Pour les organisations qui cherchent à contrôler l’utilisation du réseau et les coûts associés, l’AI de périphérie est une solution efficace, en particulier lorsqu’elle est utilisée dans le cadre d’un système DAI.
Cependant, toutes les AI n’ont pas besoin d’être exécutées à la périphérie. Le coût d’un matériel supplémentaire doit être comparé à la valeur qu’il peut apporter. L’AI de périphérie peut également ajouter des défis, en particulier lorsque vous essayez de la gérer à grande échelle. Lorsque l’option est disponible, le contrôle et la gestion centralisés des nœuds d’AI de périphérie connectés au cloud peuvent être plus avantageux que l’amélioration des performances des appareils autonomes.
Les défis de l’AI en périphérie
L’AI de périphérie, bien que prometteuse, fait face à des défis importants en matière d’infrastructure et de gestion du stockage de données, qui ont un impact direct sur les résultats commerciaux, le retour sur investissement et les décisions d’investissement. Voici cinq défis clés :
- Capacité de stockage et évolutivité limitées
Les périphériques de périphérie ont généralement une capacité de stockage limitée, ce qui rend difficile le stockage et le traitement de gros volumes de données localement. Cette limitation empêche de faire évoluer efficacement les applications d’AI, entraînant des goulets d’étranglement dans le traitement des données et la prise de décisions en temps réel. Une gestion inefficace des données peut retarder les informations, ce qui affecte la prise de décisions en temps opportun et réduit l’avantage concurrentiel promis par l’AI.
- Complexité de la gestion des données et gestion à distance
L’AI de périphérie consiste à gérer des données en temps réel, souvent incomplètes ou bruyantes, ce qui complique la qualité et la fiabilité des données. Il est essentiel de garantir l’intégrité des données pour obtenir des résultats de modèle dAI précis. Une mauvaise qualité des données peut conduire à des informations erronées, avoir un impact sur les décisions commerciales et, en fin de compte, sur le retour sur investissement. Une gestion des données de haute qualité est essentielle pour maximiser la valeur de l’AI. Les sites de périphérie ont également tendance à manquer de support informatique sur site, ce qui nécessite des solutions avec des capacités de gestion à distance faciles.
- Surcharge et redondance des données
Le volume considérable de données générées à la périphérie peut entraîner des inefficacités dans l’agrégation et la redondance des données. Cela se traduit par une augmentation des coûts de transmission et de stockage des données. Les coûts de traitement des données excessifs peuvent éroder les avantages potentiels de l’AI en périphérie, à moins que le stockage ne soit suffisamment évolutif et performant pour les compenser.
- Contraintes en matière d’alimentation et de ressources
Les périphériques de périphérie fonctionnent souvent sous des contraintes d’alimentation et de ressources, ce qui nécessite d’optimiser les modèles d’AI pour une faible consommation d’énergie sans compromettre les performances. L’utilisation inefficace des ressources peut limiter le déploiement de solutions d’AI de périphérie, ce qui affecte leur capacité à fournir des informations en temps réel et a un impact sur l’efficacité globale de l’entreprise.
- Problèmes d’intégration et d’interopérabilité
Les écosystèmes de fournisseurs fragmentés et la complexité liée à l’intégration de l’AI de périphérie aux systèmes existants peuvent entraver la gestion et le traitement transparents des données. Les difficultés liées à l’intégration peuvent retarder la réalisation du retour sur investissement des investissements dans l’AI de périphérie, car elles compliquent le déploiement et la mise à l’échelle des solutions d’AI dans différents environnements.
Relever ces défis est essentiel pour maximiser les avantages de l’AI de périphérie et garantir que les investissements génèrent des résultats commerciaux tangibles. En élaborant des stratégies de gestion des données robustes et en optimisant l’infrastructure de stockage, les organisations peuvent exploiter tout le potentiel de l’AI de périphérie pour améliorer la prise de décision et stimuler la croissance de l’entreprise.
Cas d’utilisation
Certains des cas d’utilisation les plus passionnants de l’AI en périphérie sont ceux qui permettent de prendre des décisions de manière autonome sur des sites distants en dehors de la couverture réseau, comme les mines, les fermes, les zones non développées ou l’espace extérieur, par exemple. Il peut également prendre en charge la portée géographique et les performances du système dans les véhicules autonomes et le matériel militaire.
De plus, l’AI de périphérie aide les cas AIutilisation existants à mieux fonctionner. Par exemple, les appareils robotisés utilisés dans des environnements médicaux ou d’usine qui transmettaient des données au cloud pour traitement peuvent réagir plus rapidement et fonctionner avec une plus grande précision.
Comment un stockage de données adapté contribue à la réussite de l’AI en périphérie
Il est essentiel de choisir la bonne solution de stockage de données pour relever les défis des applications d’AI de périphérie, en particulier en raison de la nature distante et souvent restreinte de l’espace des emplacements de périphérie. Pure Storage relève les défis de l’infrastructure et de la gestion du stockage de données AI en périphérie en :
- Gestion de la surcharge et de la redondance des données : L’architecture à plusieurs niveaux de Pure Storage permet de gérer la surcharge de données en stockant les données les plus fréquemment consultées sur un stockage haute vitesse et en les archivant sur un stockage économique. Cette approche réduit les coûts associés à la transmission et au stockage des données.
- Éviter les contraintes d’alimentation et de ressources : La plateforme Pure Storage consomme jusqu’à 85 % d’énergie en moins que les autres fournisseurs de stockage 100 % flash, ce qui permet de faire face aux contraintes d’alimentation dans les grands clusters d’AI et les datacenters à alimentation plafonnée. Cette efficacité permet d’optimiser l’utilisation des ressources. La baie FlashArray//RC20 a été spécialement conçue pour répondre aux besoins des environnements à faible capacité et des déploiements de périphérie.
- Surmonter les défis liés à l’intégration et à l’interopérabilité : Les solutions Pure Storage sont conçues pour s’intégrer parfaitement aux systèmes existants, y compris les clusters GPU. Elles fournissent une plateforme unifiée pour diverses charges de travail d’AI, simplifiant la gestion des données et assurant la compatibilité entre différents environnements.
En savoir plus sur FlashBlade//EXA et comment il offre des performances et une évolutivité inégalées pour les charges de travail d’AI exigeantes.