Como a AI de borda pode revolucionar as indústrias com inteligência no dispositivo

À medida que a expansão da AI continua, as perguntas práticas persistem sobre a adoção da AI de maneira eficiente e econômica. A AI de borda é uma das adaptações mais impactantes da inteligência artificial porque exige a implantação de fluxos de trabalho completos de AI mais próximos das fontes de geração de dados ou dos endpoints em que as decisões são tomadas. É a computação de borda que está empolgada com o poder da AI.  

O que é AI de borda? 

A AI de borda foi proposta para tudo, desde dispositivos cirúrgicos robóticos que precisam de análise para realizar cirurgias complexas até assistentes de voz de smartphone que respondem em uma fração de segundo às suas perguntas. Em cada caso, a AI de borda permite que a coleta, a análise e a tomada de decisão de dados aconteçam localmente (na borda) sem a necessidade de transmitir dados de um lado para o outro para a nuvem e sem a ajuda de recursos de computação em nuvem. Ela torna os aplicativos conectados existentes mais rápidos e responsivos, permitindo a colocação de aplicativos de AI em mais configurações, como locais remotos onde as redes sem fio são fracas.

A AI de borda pode ser o catalisador necessário para gerar resultados tangíveis de investimentos feitos no desenvolvimento e na infraestrutura da AI. A AI na borda pode trazer inteligência avançada, funcional e de baixa latência para mais casos de uso e de maneiras que tornem a AI mais eficaz na produção de resultados de valor. 

Como funciona?

A AI de borda é possível graças à evolução de várias tecnologias de capacitação: 

• Os recursos do aprendizado de máquina avançaram ao ponto de as organizações poderem desenvolver e implantar aplicativos personalizados de AI de borda com mais facilidade que resolvem problemas do mundo real.
• Avanços em GPUs e processamento paralelo possibilitaram implantar o hardware de computação autônomo avançado necessário para executar a AI na borda.
• A IoT, embora não seja uma nova tecnologia, fornece a outra matéria-prima essencial para a AI na borda: os dados. Com a capacidade de computação integrada, os dispositivos IoT não precisariam mais estar conectados à Internet para executar funções essenciais e agir com base nos dados coletados. 

AI de borda e AI de nuvem: Os parceiros perfeitos

A AI de borda e a AI de nuvem não fazem parte de uma pergunta: são duas ferramentas complementares que ajudam as organizações a implantar seus próprios aplicativos de AI da maneira mais eficiente possível. A nuvem ainda desempenha um papel fundamental ao fornecer um canal para treinar, implantar e gerenciar a AI de borda, pelo menos para as instâncias que estão no alcance das redes sem fio e ao fornecer computação adicional para cargas pesadas ou para cálculos que a implantação de borda não consegue lidar. A nuvem também coleta dados para otimização contínua do aplicativo e para uso em outros locais de uma organização. 

A AI distribuída (DAI, Distributed AI) é uma abordagem híbrida que visa aproveitar todos os recursos disponíveis para atingir metas. A AI de borda pode ser uma maneira mais barata de realizar tarefas em comparação com o uso da nuvem, mas isso só pode ser verdade para determinados casos de uso e sob certas condições, por exemplo, se um provedor de serviços cobrar por uso. A DAI usa dispositivos de borda, nuvem e redes para compartilhar cargas de trabalho de AI com base em parâmetros como capacidade de processamento necessária, latência, custo, tráfego de rede e segurança. 

Os benefícios da AI de borda: Como encontrar o ROI

Os principais benefícios da AI de borda são menor latência e desempenho mais rápido em comparação com a AI conectada à nuvem. Além disso, a capacidade de implantar inteligência AI em configurações onde não há rede. Sem variáveis de rede, a AI de borda melhora a disponibilidade e a confiabilidade para aplicativos essenciais. Ela também pode oferecer mais privacidade para dados confidenciais e apresentar uma superfície de ataque mais limitada para criminosos cibernéticos. Para organizações que buscam controlar o uso da rede e os custos associados, a AI de borda é uma solução eficiente, especialmente quando usada como parte de um sistema de DAI. 

No entanto, nem toda a AI precisa ser executada na borda. O custo do hardware adicional deve ser ponderado em relação ao valor que pode fornecer. A AI de borda também pode aumentar os desafios, especialmente ao tentar gerenciá-la em grande escala. Quando a opção está disponível, o controle e o gerenciamento centralizados de nós de AI de borda conectados à nuvem podem ser mais vantajosos do que melhorias de desempenho para dispositivos autônomos. 

Desafios da AI de borda

A AI de borda, embora promissora, enfrenta desafios significativos na infraestrutura e no gerenciamento do armazenamento de dados, que afetam diretamente os resultados de negócios, o ROI e as decisões de investimento. Aqui estão cinco desafios principais:

1. Capacidade de armazenamento e escalabilidade limitadas

Os dispositivos de borda normalmente têm capacidade de armazenamento limitada, dificultando o armazenamento e o processamento de grandes volumes de dados localmente. Essa limitação dificulta a capacidade de dimensionar aplicativos de AI de maneira eficaz, levando a gargalos no processamento de dados e na tomada de decisões em tempo real. O manuseio ineficiente de dados pode atrasar insights, afetando a tomada de decisões oportuna e reduzindo a vantagem competitiva que a AI de borda promete.

2. Complexidade do gerenciamento de dados e gerenciamento remoto

A AI de borda envolve gerenciar dados em tempo real, muitas vezes incompletos ou ruidosos, o que complica a qualidade e a confiabilidade dos dados. Garantir a integridade de dados é essencial para resultados precisos do modelo de AI. A baixa qualidade dos dados pode levar a insights falhos, afetando as decisões de negócios e, por fim, o ROI. O gerenciamento de dados de alta qualidade é essencial para maximizar o valor da AI. Os locais de borda também tendem a não ter suporte de TI no local, exigindo soluções com recursos fáceis de gerenciamento remoto.

3. Sobrecarga e redundância de dados

O grande volume de dados gerados na borda pode levar a ineficiências na agregação e redundância de dados. Isso resulta em aumento dos custos de transmissão e armazenamento de dados. Custos excessivos de manuseio de dados podem corroer os benefícios potenciais de ROI da AI de borda, a menos que o armazenamento seja escalável e tenha desempenho suficiente para compensá-los.

4. Restrições de energia e recursos

Os dispositivos de borda geralmente operam sob restrições de energia e recursos, exigindo que os modelos de AI sejam otimizados para baixo consumo de energia sem comprometer o desempenho. A utilização ineficiente de recursos pode limitar a implantação de soluções de AI de borda, afetando sua capacidade de fornecer insights em tempo real e afetando a eficiência geral dos negócios.

5. Desafios de integração e interoperabilidade

Os ecossistemas fragmentados de fornecedores e a complexidade da integração da AI de borda aos sistemas existentes podem dificultar o gerenciamento e o processamento contínuos de dados. Os desafios de integração podem atrasar a realização do ROI dos investimentos em AI de borda à medida que complicam a implantação e o dimensionamento de soluções de AI em vários ambientes.

Abordar esses desafios é essencial para maximizar os benefícios da AI de borda e garantir que os investimentos gerem resultados comerciais tangíveis. Ao desenvolver estratégias robustas de gerenciamento de dados e otimizar a infraestrutura de armazenamento, as organizações podem aproveitar todo o potencial da AI de borda para melhorar a tomada de decisões e impulsionar o crescimento dos negócios.

Casos de uso

Alguns dos casos de uso de AI de borda mais empolgantes são os que levam a tomada de decisão autônoma para locais remotos fora da cobertura da rede, como minas, fazendas, áreas não desenvolvidas ou espaço externo, por exemplo. Ela também pode dar suporte à faixa geográfica e ao desempenho do sistema em veículos autônomos e hardware militar. 

Além disso, a AI de borda está ajudando os casos de uso de AI existentes a ter melhor desempenho. Por exemplo, dispositivos robóticos em configurações médicas ou de fábrica que costumavam transmitir dados para a nuvem para processamento podem responder mais rapidamente e operar com mais precisão. 

Como o armazenamento de dados certo apoia o sucesso da AI de borda

Selecionar a solução certa de armazenamento de dados é essencial para enfrentar os desafios dos aplicativos de AI de borda, principalmente devido à natureza remota e frequentemente limitada de espaço dos locais de borda. A Pure Storage lida com os desafios da infraestrutura e do gerenciamento de armazenamento de dados de AI de borda ao:

• Gerenciamento da sobrecarga e redundância de dados: A arquitetura em camadas da Pure Storage ajuda a gerenciar a sobrecarga de dados armazenando dados acessados com frequência em armazenamento de alta velocidade e arquivando dados acessados com menos frequência em armazenamento econômico. Essa abordagem reduz os custos associados à transmissão e ao armazenamento de dados.
• Como evitar restrições de energia e recursos: A plataforma da Pure Storage usa até 85% menos energia do que fornecedores de armazenamento totalmente flash alternativos, abordando restrições de energia em grandes clusters de AI e datacenters com limitação de energia. Essa eficiência oferece suporte à utilização otimizada de recursos. O FlashArray//RC20 foi desenvolvido especificamente para atender às necessidades de ambientes de baixa capacidade e implantações de borda.
• Superação dos desafios de integração e interoperabilidade: As soluções da Pure Storage foram desenvolvidas para integrar-se perfeitamente aos sistemas existentes, incluindo clusters de GPU. Eles oferecem uma plataforma unificada para diversas cargas de trabalho de AI, simplificando o gerenciamento de dados e garantindo compatibilidade entre diferentes ambientes.

Saiba mais sobre o FlashBlade//EXA e como ele oferece desempenho e escalabilidade inigualáveis para cargas de trabalho de AI exigentes.