Hoe Edge AI industrieën kan revolutioneren met on-device intelligentie

Naarmate de opmars naar AI voortduurt, blijven de praktische vragen bestaan over het efficiënt en kosteneffectief implementeren van AI. Edge AI is een van de meest impactvolle aanpassingen van artificiële intelligentie omdat het vraagt om de inzet van volledige AI-workflows dichter bij bronnen van datageneratie of bij de eindpunten waarop beslissingen worden genomen. Het is edge computing die is opgeblazen met de kracht van AI.  

Wat is Edge AI? 

Edge AI is voorgesteld voor alles, van robotische chirurgische apparaten die moeten worden geanalyseerd om complexe operaties te voltooien tot smartphone-spraakassistenten die in een oogwenk op uw vragen reageren. In elk geval maakt edge AI het mogelijk om dataverzameling, -analyse en -besluitvorming lokaal (aan de rand) te laten plaatsvinden zonder dat data heen en weer naar de cloud hoeven te worden verzonden en zonder de hulp van cloud-computingresources. Het maakt bestaande verbonden applicaties sneller en responsiever, waardoor AIAIapplicaties in meer omgevingen kunnen worden geplaatst, zoals externe locaties waar draadloze netwerken zwak zijn.

Edge AI kan de katalysator zijn die nodig is om tastbare resultaten te behalen uit investeringen in AI-ontwikkeling en -infrastructuur. AI aan de edge kan rijke, functionele intelligentie met lage latency toevoegen aan meer gebruikssituaties en op manieren die AI effectiever maken in het produceren van resultaten van waarde. 

Hoe werkt het?

Edge AI wordt mogelijk gemaakt door de evolutie van verschillende ondersteunende technologieën: 

• De mogelijkheden van machine learning zijn zo ver gevorderd dat organisaties gemakkelijker aangepaste edge AI-applicaties kunnen ontwikkelen en implementeren die echte problemen oplossen.
• Door de vooruitgang in GPU’s en parallelle verwerking is het mogelijk geworden om de krachtige autonome computerhardware te implementeren die nodig is om AI aan de edge uit te voeren.
• Hoewel IoT geen nieuwe technologie is, biedt het de andere essentiële grondstof voor AI aan de edge: data. Met ingebouwde rekenkracht hoeven IoT-apparaten niet langer met het internet te worden verbonden om essentiële functies uit te voeren en te handelen op basis van de gegevens die ze verzamelen. 

Edge AI en Cloud AI: De perfecte partners

Edge AI en cloud AI zijn geen onderdeel van een van beide/of vragen – het zijn twee aanvullende tools die organisaties helpen hun eigen AI-applicaties op de meest efficiënte manier te implementeren. De cloud speelt nog steeds een sleutelrol door een kanaal te bieden voor het trainen, implementeren en beheren van edge AI – in ieder geval voor die instanties die zich binnen het bereik van draadloze netwerken bevinden en door extra computing te bieden voor zware belastingen of voor berekeningen die de edge-implementatie niet aankan. De cloud verzamelt ook data voor voortdurende optimalisatie van de applicatie en voor gebruik elders in een organisatie. 

Distributed AI (DAI) is een hybride aanpak die tot doel heeft alle beschikbare middelen in te zetten om doelen te bereiken. Edge AI kan een goedkopere manier zijn om taken uit te voeren in vergelijking met het gebruik van de cloud, maar dit geldt mogelijk alleen voor bepaalde gebruikssituaties en onder bepaalde voorwaarden, bijvoorbeeld als een serviceprovider kosten in rekening brengt op basis van het gebruik. DAI maakt gebruik van edge-apparaten, de cloud en netwerken om AI-workloads te delen op basis van parameters zoals benodigde verwerkingskracht, latency, kosten, netwerkverkeer en beveiliging. 

De voordelen van Edge AI: Het ROI vinden

De primaire voordelen van edge AI zijn lagere latency en snellere prestaties in vergelijking met cloud-verbonden AI, plus de mogelijkheid om AI te implementeren in omgevingen waar geen netwerk is. Edge AI is vrij van netwerkvariabelen en verbetert de beschikbaarheid en betrouwbaarheid voor bedrijfskritische applicaties. Het kan ook meer privacy bieden voor gevoelige data en een beperkter aanvalsoppervlak bieden voor cybercriminelen. Voor organisaties die het netwerkgebruik en de bijbehorende kosten willen beheersen, is edge AI een efficiënte oplossing, vooral wanneer het wordt gebruikt als onderdeel van een DAI-systeem. 

Niet alle AI hoeft echter aan de rand te worden uitgevoerd. De kosten van extra hardware moeten worden afgewogen tegen de waarde die het kan bieden. Edge AI kan ook uitdagingen vergroten, vooral wanneer u het op schaal probeert te beheren. Wanneer de optie beschikbaar is, kan gecentraliseerde controle en beheer van cloud-verbonden edge AI-nodes voordeliger zijn dan prestatieverbeteringen voor autonome apparaten. 

Uitdagingen in Edge AI

Edge AI, hoewel het veelbelovend is, staat voor aanzienlijke uitdagingen in de infrastructuur en het beheer van dataopslag, die rechtstreeks van invloed zijn op bedrijfsresultaten, ROI en investeringsbeslissingen. Hier zijn vijf belangrijke uitdagingen:

1. Beperkte opslagcapaciteit en schaalbaarheid

Edge-apparaten hebben doorgaans een beperkte opslagcapaciteit, waardoor het moeilijk is om grote hoeveelheden data lokaal op te slaan en te verwerken. Deze beperking belemmert de mogelijkheid om AI-applicaties effectief te schalen, wat leidt tot knelpunten in realtime dataverwerking en besluitvorming. Inefficiënte dataverwerking kan inzichten vertragen, waardoor tijdige besluitvorming wordt beïnvloed en het concurrentievoordeel dat edge AI belooft, wordt verminderd.

2. Complexiteit van datamanagement en beheer op afstand

Edge AI omvat het beheer van realtime, vaak onvolledige of lawaaierige data, wat de kwaliteit en betrouwbaarheid van data bemoeilijkt. Het waarborgen van data-integriteit is cruciaal voor nauwkeurige AI-modeloutputs. Slechte datakwaliteit kan leiden tot gebrekkige inzichten, die van invloed zijn op zakelijke beslissingen en uiteindelijk van invloed zijn op de ROI. Hoogwaardig datamanagement is essentieel voor het maximaliseren van de waarde van AI. Edge-locaties hebben ook de neiging om IT-ondersteuning op locatie te missen, waardoor oplossingen nodig zijn met eenvoudige mogelijkheden voor beheer op afstand.

3. Overbelasting en redundantie van data

De enorme hoeveelheid data die aan de edge wordt gegenereerd, kan leiden tot inefficiënties in dataaggregatie en redundantie. Dit resulteert in hogere kosten voor datatransmissie en -opslag. Overmatige kosten voor dataverwerking kunnen potentiële ROI-voordelen van edge AI uithollen, tenzij opslag schaalbaar en performant genoeg is om ze te compenseren.

4. Stroom- en resourcebeperkingen

Edge-apparaten werken vaak onder stroom- en resourcebeperkingen, waardoor AI-modellen moeten worden geoptimaliseerd voor een laag stroomverbruik zonder dat dit ten koste gaat van de prestaties. Inefficiënt gebruik van resources kan de implementatie van edge AI-oplossingen beperken, waardoor hun vermogen om realtime inzichten te leveren en de algehele bedrijfsefficiëntie wordt beïnvloed.

5. Integratie- en interoperabiliteitsuitdagingen

Gefragmenteerde ecosystemen van leveranciers en de complexiteit van de integratie van edge AI met bestaande systemen kunnen naadloos databeheer en -verwerking belemmeren. Integratie-uitdagingen kunnen de realisatie van ROI uit edge AI-investeringen vertragen, omdat ze de implementatie en schaalbaarheid van AI-oplossingen in verschillende omgevingen bemoeilijken.

Het aanpakken van deze uitdagingen is cruciaal voor het maximaliseren van de voordelen van edge AI en om ervoor te zorgen dat investeringen tastbare bedrijfsresultaten opleveren. Door robuuste datamanagementstrategieën te ontwikkelen en de opslaginfrastructuur te optimaliseren, kunnen organisaties het volledige potentieel van edge AI benutten om de besluitvorming te verbeteren en de bedrijfsgroei te stimuleren.

Gebruikssituaties

Enkele van de meest opwindende edge AI-gebruikssituaties zijn die welke autonome besluitvorming brengen naar afgelegen locaties buiten de netwerkdekking, zoals mijnen, boerderijen, onontwikkelde gebieden of de ruimte. Het kan ook het geografische bereik en de systeemprestaties in zelfrijdende voertuigen en militaire hardware ondersteunen. 

Daarnaast helpt edge AI bestaande AI-gebruikssituaties beter te presteren. Zo kunnen robotapparaten in medische of fabrieksomgevingen die worden gebruikt om data naar de cloud te verzenden voor verwerking sneller reageren en met meer precisie werken. 

Hoe de juiste dataopslag Edge AI-succes ondersteunt

Het selecteren van de juiste dataopslagoplossing is cruciaal voor het aanpakken van de uitdagingen van edge AI-toepassingen, vooral vanwege de externe en vaak ruimtebeperkte aard van edge-locaties. Pure Storage pakt de uitdagingen in de infrastructuur en het beheer van edge AI-dataopslag aan door:

• Beheer van overbelasting en redundantie van data: De gelaagde architectuur van Pure Storage helpt bij het beheren van overbelasting van data door vaak gebruikte data op te slaan op snelle opslag en minder vaak gebruikte data te archiveren op kosteneffectieve opslag. Deze aanpak verlaagt de kosten die gepaard gaan met datatransmissie en -opslag.
• Vermijden van stroom- en resourcebeperkingen: Het Pure Storage-platform gebruikt tot 85% minder stroom dan alternatieve leveranciers van All-Flash-storage, waardoor de stroombeperkingen in grote AI-clusters en datacenters met powercapped worden aangepakt. Deze efficiëntie ondersteunt geoptimaliseerd gebruik van resources. FlashArray//RC20 is speciaal ontworpen om te voldoen aan de behoeften van omgevingen met lage capaciteit en edge-implementaties.
• Integratie- en interoperabiliteitsuitdagingen overwinnen: Pure Storage-oplossingen zijn ontworpen om naadloos te integreren met bestaande systemen, waaronder GPU-clusters. Ze bieden een uniform platform voor diverse AI-workloads, vereenvoudigen het datamanagement en zorgen voor compatibiliteit in verschillende omgevingen.

Lees meer over FLASHBLADE//EXA en hoe het ongeëvenaarde prestaties en schaalbaarheid biedt voor veeleisende AI-workloads.