Resumen
Edge AI can bring together AI and edge computing. In the future, deploying AI workflows closer to sources of data generation or to the endpoints where decisions are acted on can help produce faster results at a lower cost.
A medida que continúa el aumento a la AI, persisten las preguntas prácticas sobre la adopción eficiente y rentable de la AI. La AI perimetral es una de las adaptaciones más impactantes de la inteligencia artificial porque requiere la implementación de flujos de trabajo de AI completos más cerca de fuentes de generación de datos o de los puntos finales en los que se toman decisiones. Es la computación perimetral lo que aumenta con la potencia de la AI.
¿Qué es la AI periférica?
La AI Edge se ha propuesto para todo, desde dispositivos quirúrgicos robóticos que necesitan análisis para completar cirugías complejas hasta asistentes de voz de teléfonos inteligentes que responden en una fracción de segundo a sus preguntas. En cada caso, la AI periférica permite que la recopilación de datos, el análisis y la toma de decisiones se realicen localmente (en el borde) sin la necesidad de transmitir datos de ida y vuelta a la nube y sin la ayuda de los recursos informáticos en la nube. Hace que las aplicaciones conectadas existentes sean más rápidas y receptivas, lo que permite la colocación de aplicaciones de AI en más entornos como ubicaciones remotas donde las redes inalámbricas son débiles.
La AI perimetral puede ser el catalizador necesario para obtener resultados tangibles de las inversiones realizadas en el desarrollo y la infraestructura de la AI. AI en el borde puede aportar inteligencia rica, funcional y de baja latencia en más casos de uso y de maneras que hagan que la AI sea más eficaz para producir resultados de valor.
¿Cómo funciona?
La AI periférica es posible gracias a la evolución de varias tecnologías habilitantes:
- Las capacidades del aprendizaje automático han avanzado hasta el punto de que las organizaciones pueden desarrollar e implementar más fácilmente aplicaciones de AI de borde personalizado que resuelven problemas del mundo real.
- Los avances en las GPU y el procesamiento paralelo han hecho posible implementar el potente hardware de computación independiente necesario para ejecutar la AI en el borde.
- IoT, aunque no es una tecnología nueva, proporciona la otra materia prima esencial para la AI en el borde: los datos. Con la potencia de computación incorporada, los dispositivos IoT ya no tendrían que estar conectados a Internet para realizar funciones esenciales y actuar sobre los datos que recopilan.
AI e AI en la nube: Los socios perfectos
La AI perimetral y la AI en la nube no son parte de una pregunta, son dos herramientas complementarias que ayudan a las organizaciones a implementar sus propias aplicaciones de AI de la manera más eficiente posible. La nube sigue desempeñando un papel clave al proporcionar un canal para entrenar, implementar y administrar la AI periférica, al menos para aquellas instancias que están dentro del rango de las redes inalámbricas y al proporcionar computación adicional para cargas pesadas o para computaciones que la implementación periférica no puede manejar. La nube también recopila datos para la optimización continua de la aplicación y para su uso en otras partes de una organización.
La AI distribuida (DAI) es un enfoque híbrido que tiene como objetivo aprovechar todos los recursos disponibles para lograr los objetivos. La AI periférica puede ser una forma menos costosa de realizar tareas en comparación con el uso de la nube, pero esto solo puede ser cierto para ciertos casos de uso y en determinadas condiciones, por ejemplo, si un proveedor de servicios cobra por uso. DAI utiliza dispositivos perimetrales, la nube y las redes para compartir cargas de trabajo de AI basadas en parámetros como la potencia de procesamiento necesaria, la latencia, el costo, el tráfico de red y la seguridad.
Los beneficios de la AI periférica: Encontrar el retorno de la inversión
Los principales beneficios de la AI periférica son una latencia más baja y un rendimiento más rápido en comparación con la AI conectada a la nube, además de la capacidad de implementar la AI en entornos donde no hay red. Libre de variables de red, la AI periférica mejora la disponibilidad y la confiabilidad de las aplicaciones de misión crítica. También puede ofrecer más privacidad para los datos sensibles y presentar una superficie de ataque más limitada para los ciberdelincuentes. Para las organizaciones que buscan controlar el uso de la red y los costos asociados, la AI periférica es una solución eficiente, especialmente cuando se usa como parte de un sistema DAI.
Sin embargo, no toda la AI debe realizarse en el borde. El costo del hardware adicional debe sopesarse con el valor que puede proporcionar. La AI periférica también puede aumentar los desafíos, especialmente cuando se intenta administrarla a escala. Cuando la opción está disponible, el control y la administración centralizados de los nodos de AI en el borde conectados a la nube pueden ser más ventajosos que las mejoras de rendimiento para los dispositivos autónomos.
Desafíos en la AI periférica
La AI perimetral, si bien es prometedora, enfrenta desafíos significativos en la infraestructura y administración del almacenamiento de datos, que afectan directamente los resultados comerciales, el retorno de la inversión y las decisiones de inversión. Estos son cinco desafíos clave:
- Capacidad de almacenamiento y escalabilidad limitadas
Los dispositivos periféricos suelen tener una capacidad de almacenamiento limitada, lo que dificulta almacenar y procesar grandes volúmenes de datos de forma local. Esta limitación obstaculiza la capacidad de escalar las aplicaciones de AI de manera eficaz, lo que provoca cuellos de botella en el procesamiento de datos en tiempo real y la toma de decisiones. El manejo de datos ineficiente puede demorar los resultados, afectar la toma de decisiones oportuna y reducir la ventaja competitiva que promete la AI.
- Complejidad de la administración de datos y administración remota
La AI periférica implica administrar datos en tiempo real, a menudo incompletos o ruidosos, lo que complica la calidad y confiabilidad de los datos. Garantizar la integridad de los datos es fundamental para obtener resultados precisos del modelo de AI. La mala calidad de los datos puede llevar a resultados defectuosos, afectar las decisiones comerciales y, en última instancia, afectar el retorno de la inversión. La administración de datos de alta calidad es esencial para maximizar el valor de la AI. Las ubicaciones periféricas también tienden a carecer de soporte de TI en el sitio, lo que requiere soluciones con capacidades de administración remota fáciles.
- Sobrecarga y redundancia de datos
El gran volumen de datos generados en el borde puede provocar ineficiencias en la agregación y redundancia de datos. Esto genera un aumento en los costos de transmisión y almacenamiento de datos. Los costos excesivos de manejo de datos pueden erosionar los posibles beneficios de ROI de la AI en el borde, a menos que el almacenamiento sea escalable y tenga el rendimiento suficiente para compensarlos.
- Limitaciones de energía y recursos
Los dispositivos perimetrales a menudo funcionan bajo restricciones de energía y recursos, lo que requiere que los modelos de AI se optimicen para un consumo de baja energía sin comprometer el rendimiento. La utilización ineficiente de los recursos puede limitar la implementación de soluciones de AI en el borde, lo que afecta su capacidad de ofrecer información en tiempo real e impacta en la eficiencia comercial general.
- Desafíos de integración e interoperabilidad
Los ecosistemas de proveedores fragmentados y la complejidad de integrar la AI perimetral con los sistemas existentes pueden obstaculizar la administración y el procesamiento de datos sin problemas. Los desafíos de integración pueden retrasar la obtención del retorno de la inversión de las inversiones en AI en el borde, ya que complican la implementación y el escalamiento de las soluciones de AI en diversos entornos.
Abordar estos desafíos es fundamental para maximizar los beneficios de la AI periférica y garantizar que las inversiones produzcan resultados comerciales tangibles. Al desarrollar estrategias sólidas de administración de datos y optimizar la infraestructura de almacenamiento, las organizaciones pueden liberar todo el potencial de la AI periférica para mejorar la toma de decisiones e impulsar el crecimiento empresarial.
Casos de uso
Algunos de los casos de uso más emocionantes de AI periférica son los que llevan la toma de decisiones autónoma a ubicaciones remotas fuera de la cobertura de la red, como minas, granjas, áreas no desarrolladas o espacio exterior, por ejemplo. También puede admitir el rango geográfico y el rendimiento del sistema en vehículos autónomos y hardware militar.
Además, la AI periférica ayuda a que los casos de uso de AI existentes funcionen mejor. Por ejemplo, los dispositivos robóticos en entornos médicos o de fábrica que solían transmitir datos a la nube para el procesamiento pueden responder más rápidamente y operar con mayor precisión.
Cómo el almacenamiento de datos adecuado respalda el éxito de la AI periférica
Seleccionar la solución de almacenamiento de datos adecuada es fundamental para abordar los desafíos de las aplicaciones de AI en el borde, especialmente debido a la naturaleza remota y, a menudo, con espacio limitado de las ubicaciones en el borde. Pure Storage aborda los desafíos en la infraestructura y administración del almacenamiento de datos de AI periférica al:
- Administración de la sobrecarga y redundancia de datos: La arquitectura por niveles de Pure Storage ayuda a administrar la sobrecarga de datos al almacenar los datos de acceso frecuente en almacenamiento de alta velocidad y archivar los datos de acceso menos frecuente en almacenamiento rentable. Este enfoque reduce los costos asociados con la transmisión y el almacenamiento de datos.
- Evitar las limitaciones de poder y recursos: La plataforma de Pure Storage utiliza hasta un 85 % menos de potencia que los proveedores de almacenamiento basado íntegramente en tecnología flash alternativos, lo que aborda las limitaciones de potencia en grandes clústeres de AI y centros de datos con límite de potencia. Esta eficiencia admite la utilización optimizada de recursos. FlashArray//RC20 se diseñó específicamente para satisfacer las necesidades de entornos de baja capacidad e implementaciones en el borde.
- Cómo superar los desafíos de integración e interoperabilidad: Las soluciones de Pure Storage están diseñadas para integrarse sin problemas con los sistemas existentes, incluidos los clústeres de GPU. Proporcionan una plataforma unificada para diversas cargas de trabajo de AI, lo que simplifica la administración de datos y garantiza la compatibilidad en diferentes entornos.
Obtenga más información sobre FlashBlade//EXA y cómo ofrece rendimiento y escalabilidad inigualables para cargas de trabajo de AI exigentes.
Trayectorias del cliente hacia el éxito de la AI
Accelerate AI Innovation
Learn more about the most powerful data storage platform ever, built for AI.
