Công nghệ trí tuệ nhân tạo tại biên Edge AI là gì?

Đến nay, phần lớn cuộc trò chuyện về AI đã xoay quanh việc sử dụng các trung tâm dữ liệu khổng lồ để xử lý và phân tích dữ liệu sau đó được đưa trở lại rìa để hành động. Nhưng các nhà phát triển đang ngày càng triển khai AI cạnh vì những lý do bao gồm thời gian phản hồi nhanh hơn, quyền riêng tư và bảo mật và hiệu quả.

Và họ đang làm như vậy mà không cần phải tìm ra cách đặt một trung tâm dữ liệu ngay tại nơi gần nhất của bạn, nếu bạn muốn. Chìa khóa đã xuất hiện trong cách các hệ thống Edge AI đang được xây dựng – tập trung vào sự mạnh mẽ phản ứng nhanh trong thời gian thực.

Điện toán biên – Edge Computing là gì ?

Edge hoặc Network Edge là nơi dữ liệu cư trú và được thu thập tại field (hiện trường). Các vấn đề về khả năng mở rộng, tiêu thụ năng lượng quá mức, kết nối và độ trễ là một số trong nhiều yếu tố thúc đẩy nhu cầu về cơ sở hạ tầng Edge dưới dạng trung tâm dữ liệu vi mô hoặc kiến ​​trúc điện toán phân tán. Một nghiên cứu gần đây cho thấy thị trường Điện toán biên dự kiến ​​sẽ có giá trị ở mức 3,24 tỷ USD vào năm 2025.

Một số yếu tố thúc đẩy sự phát triển của Điện toán biên bao gồm:

  • Phản ứng theo thời gian thực : Edge cho phép bạn kết nối theo thời gian thực với khách hàng của mình, bất kể vị trí của họ là gì. Điều này là hiển nhiên với nhu cầu thay đổi của khách hàng, nơi họ muốn chỉ cần chạm vào đồng hồ Apple của họ để thanh toán hoặc yêu cầu Siri hoặc Alexa tóm tắt chúng với danh sách việc cần làm trong ngày hoặc theo dõi các kiểu tập thể dục, ngủ và ăn uống của họ.
  • Phân tích dữ liệu cảm biến và IoT : Trong khi tương tác với thiết bị hỗ trợ IoT, dữ liệu từ các cảm biến hoặc các thiết bị IoT tương tự cần được phân tích và xử lý trong một phần nghìn giây, mà không phải gửi chúng đến vị trí trên Cloud.

Sự tăng trưởng chưa từng có trong Điện toán biên sẽ mở đường cho một loạt các dịch vụ và ứng dụng ở rìa, có thể được tối ưu hóa với ứng dụng trí tuệ nhân tạo – Edge AI.


Edge AI

Edge AI là gì?

Edge AI có nghĩa là thuật toán AI được xử lý cục bộ trên thiết bị phần cứng tại field. Các thuật toán đang sử dụng dữ liệu (dữ liệu cảm biến hoặc tín hiệu) được tạo trên thiết bị.  Một thiết bị sử dụng Edge AI không cần phải được kết nối để hoạt động chính xác, nó có thể xử lý dữ liệu và đưa ra quyết định một cách độc lập mà không cần kết nối internet.

Để sử dụng Edge AI, bạn cần một thiết bị bao gồm bộ vi xử lý và cảm biến.

Ví dụ: Một người già đeo đồng hồ có thể phát hiện té ngã là một giải pháp dựa trên Edge AI. Hệ thống Edge AI sử dụng dữ liệu gia tốc trong thời gian thực làm đầu vào cho thuật toán AI sẽ phát hiện khi người đó ngã. Đồng hồ sẽ chỉ kết nối với Cloud khi phát hiện ra một vụ ngã.

Một trong những thuộc tính quan trọng trong ví dụ trên là có thời lượng pin dài. Nếu hệ thống phụ thuộc vào xử lý trong Cloud, nó sẽ cần bật kết nối bluetooth mọi lúc và pin sẽ hết ngay lập tức.

Tại sao Edge AI quan trọng?

Edge AI sẽ cho phép các hoạt động thời gian thực bao gồm tạo dữ liệu, quyết định và hành động trong đó tính bằng mili giây. Hoạt động thời gian thực rất quan trọng đối với xe tự lái, robot và nhiều lĩnh vực khác. Giảm mức tiêu thụ năng lượng và do đó cải thiện tuổi thọ pin là rất quan trọng đối với các thiết bị wearable.

AI traffic video analytics platform being developed | Traffic Technology  Today
Camera AI chuyên dụng cho giao thông thông minh

Edge AI sẽ giảm chi phí cho truyền thông dữ liệu, vì sẽ truyền ít dữ liệu hơn. Bằng cách xử lý dữ liệu cục bộ, bạn có thể tránh được vấn đề phát trực tuyến và lưu trữ nhiều dữ liệu lên Cloud khiến bạn dễ bị tổn thương từ góc độ riêng tư.

Giới hạn của AI dựa trên Cloud

Nhờ kết nối internet băng thông rộng, API web cho các công cụ AI có thời gian phản hồi dưới giây. Điều này là tuyệt vời cho  các phân tích dự đoán và kê đơn  như đề xuất sản phẩm, dự báo bán hàng,  chẩn đoán bệnh , xử lý dữ liệu đơn xin việc, soạn nhạc và nhiều hơn nữa. Nhưng nó không đủ cho các hoạt động thời gian thực trong đó tính bằng mili giây .

Ví dụ, nếu một bác sĩ phẫu thuật robot muốn thực hiện một thao tác nhạy cảm trên bệnh nhân, nó sẽ cần có khả năng phân tích hình ảnh và có thể đưa ra quyết định vài hoặc thậm chí hàng chục lần mỗi giây. Chuyến đi khứ hồi lên Cloud sẽ gây ra sự chậm trễ có thể gây ra hậu quả thảm khốc và không thể khắc phục.

Quy tắc tương tự áp dụng cho những chiếc xe không người lái, robot và máy bay không người lái phải di chuyển xung quanh chướng ngại vật và điều hướng địa hình và tình huống phức tạp. Đã có một sự thúc đẩy cho các thuật toán cạnh trên các camera giám sát của cảnh sát, nơi họ cần xử lý và phân tích một luồng hình ảnh nhanh trong thời gian thực.

Các ứng dụng này cũng dựa vào việc gửi một lượng lớn thông tin lên Cloud, điều này gây ra một loạt vấn đề mới. Một liên quan đến sự nhạy cảm của thông tin. Gửi và lưu trữ rất nhiều thông tin trong Cloud sẽ kéo theo những thách thức về bảo mật và quyền riêng tư.

Các nhà phát triển ứng dụng sẽ phải xem xét liệu thông tin mà họ gửi lên Cloud có chứa thông tin nhận dạng cá nhân (PII) hay không và việc lưu trữ thông tin đó có vi phạm luật riêng tư hay không. Họ cũng sẽ phải thực hiện các biện pháp cần thiết để bảo mật thông tin họ lưu trữ và ngăn chặn việc bị đánh cắp, hoặc truy cập và chia sẻ bất hợp pháp.

Một hạn chế khác mà AI dựa trên Cloud đặt ra là đối với các môi trường bị hạn chế hoặc không có kết nối, cho dù đó là do thiếu cơ sở hạ tầng truyền thông hay do sự nhạy cảm của các hoạt động và thông tin liên quan. Sự thay thế duy nhất cho các máy chủ Cloud là các trung tâm dữ liệu độc quyền có chi phí lớn để thiết lập và bảo trì.

Các địa điểm từ xa như trang trại nông thôn, có thể hưởng lợi rất nhiều từ trí tuệ nhân tạo, sẽ bị hạn chế truy cập vào các ứng dụng AI vì khả năng kết nối kém. Khi IoT chuyển sang các môi trường lập dị và mất kết nối hơn, sự cần thiết của edge computing sẽ trở nên phổ biến hơn.

Tiềm năng của Edge AI

Tiềm năng của Edge AI là rất lớn. Theo báo cáo của Tractica , các lô hàng thiết bị AI edge dự kiến ​​sẽ tăng từ 161,4 triệu đơn vị trong năm 2018 lên 2,6 tỷ đơn vị vào năm 2025. Tại đây, các thiết bị cạnh hỗ trợ AI hàng đầu bao gồm loa thông minh, điện thoại di động, màn hình gắn trên đầu, PC / máy tính bảng, cảm biến ô tô, robot, máy bay không người lái và camera an ninh. Các cảm biến sức khỏe ở thiết bị đeo cũng sẽ làm cho các ứng dụng AI tăng lên.

Ưu điểm của AI cho phép ra quyết định ở biên

  • Khả năng phản hồi cao : Các thiết bị hỗ trợ Edge AI xử lý dữ liệu thực sự nhanh so với các mô hình IoT tập trung.
  • Bảo mật tốt hơn : Với thời gian xử lý ít hơn vài mili giây, nguy cơ dữ liệu bị giả mạo trong quá trình vận chuyển là rất ít. Các thiết bị này cũng bao gồm các tính năng bảo mật nâng cao.
  • Trải nghiệm khách hàng tốt hơn : Edge AI đưa ra giải pháp cho một trong những vấn đề phổ biến nhất – độ trễ. Độ trễ thấp và hiểu biết thời gian thực giúp xây dựng trải nghiệm khách hàng tuyệt vời.

Ứng dụng Edge AI trong thực tế

Giá trị đối với doanh nghiệp của Edge AI. Nguồn : Gartner

Phân loại hình ảnh và phân loại video

1. Phân tích và xử lý hình ảnh và video đã là một trong những người hưởng lợi lớn nhất từ ​​các hệ thống SOM (System On Module) được tăng tốc bằng AI. Trong Home Land Security (HLS), các camera đặt trên các cột của máy bay có thể được ghép nối với các cổng được lập trình để gửi lại dữ liệu để phân tích khi có vi phạm an ninh được xác định trước.

2. Camera sân bay tìm kiếm thiết bị đầu cuối cho hành vi đáng ngờ của con người.

Hình ảnh có liên quan
Giám sát giao thông bằng Edge AI

3. Đường cao tốc – Một nhà cung cấp hệ thống đã phát triển một hệ thống cho các thành phố quan tâm đến việc đếm xe ô tô trên đường cao tốc để định tuyến lại lưu lượng và giảm tắc nghẽn. Các cảm biến IoT kết hợp với AI cũng có thể hỗ trợ các nhà thực thi pháp luật trong việc tìm kiếm các biển số xe nhất định để điều tra tội phạm.

4. Bảo mật vành đai – một nhà cung cấp hệ thống telco, người không chỉ lắp đặt thiết bị viễn thông tại trang ăng ten của khách hàng mà còn đặt camera trên ăng-ten để quét tìm trộm thiết bị và đột nhập vào site

5. Nhận dạng khuôn mặt – nhận dạng khuôn mặt là một ứng dụng deep learning khác, trong đó máy học cách nhận biết một bộ tính năng độc đáo. Nhận dạng khuôn mặt đã tồn tại trong các hệ thống an ninh gia đình và tòa nhà, đòi hỏi năng lực tính toán cao. Với sự phát triển của việc thêm trí thông minh nhân tạo trong cài đặt IoT, giờ đây nhận dạng khuôn mặt có thể được áp dụng cho các ứng dụng bảo mật, ví dụ như tìm kiếm một kẻ chạy trốn trên đường phố.

Thiết bị và ứng dụng tiêu dùng

6. Robot nhận dạng người và vật – robot là sản phẩm điện tử tiêu dùng là một lĩnh vực khác đang phát triển nhanh chóng và dự đoán rằng robot sẽ xâm nhập vào ngày càng nhiều hộ gia đình trong tương lai gần. Việc thêm AI vào prototype robot là có thể thực hiện được ngày hôm nay, nhưng khi sẽ có hàng trăm ngàn người trong số họ, cần phải cung cấp cho mỗi robot khả năng học tập on-premise.

7. Máy ảnh trong các cửa hàng bán lẻ đếm khách hàng, nhận ra kiểu đi bộ của họ, nơi họ dừng lại và trong bao lâu, v.v. Ứng dụng này cũng đã được sử dụng trong các cửa hàng bán lẻ được chọn và sẽ sớm được áp dụng rộng rãi. Vô số thu thập và xử lý dữ liệu sẽ yêu cầu machine learning cục bộ.

8. Biển báo thông minh – cảm biến nhận biết ai đang nhìn vào biển báo? vào những thời điểm nào trong ngày? trong bao lâu Thêm một cảm biến AI có thể cho phép một nhà điều hành / chủ sở hữu dấu hiệu hiển thị các quảng cáo khác nhau cho các khách hàng khác nhau. Một lần nữa – một người ra quyết định rất cục bộ và nhanh chóng được yêu cầu.

Tự động hóa trong công nghiệp

9. Hầu hết các ngành công nghiệp sản xuất đều được tự động hóa cao hiện nay, tuy nhiên việc thêm AI ở cấp độ máy sẽ giúp sản xuất thêm một cấp nữa. Thêm cảm biến vào các máy hiện có hoặc tích hợp AI để kiểm tra sản phẩm sẽ tăng cường đảm bảo chất lượng. Các Giải pháp Tự động hóa công nghiệp đặc biệt phù hợp với AI on-premise, để đảm bảo rằng sản xuất bị lỗi được sửa chữa tại thời điểm phát hiện hoặc thậm chí có thể dự đoán trước và sửa chữa trước khi xảy ra lỗi.

Cảm biến ô tô và phản ứng tự động

10.  Cảm biến ô tô và phản ứng tức thời là một lĩnh vực khác – có lẽ là lớn nhất trong tất cả các ứng dụng được liệt kê ở trên, trong đó độ trễ bằng không là bắt buộc. Ngày nay đã có rất nhiều máy học trong các phương tiện tự trị sớm phổ biến. Nhưng đưa khả năng học tập sâu lên hàng đầu của hành động – ở cấp độ bội thu – sẽ là lần đầu tiên. Điều này được kích hoạt ngày hôm nay bằng cách ghép AI với các cảm biến ở cấp độ cạnh.

Ứng dụng là cả trong xe và giữa xe và môi trường xung quanh. Trong một chiếc xe, một hệ thống SOM (System On Module) được vi tính hóa cung cấp kết nối đầy đủ giữa các ứng dụng điện thoại thông minh, hệ thống đa phương tiện xe hơi, kiểm soát khí hậu và màn hình điều khiển trong số những thứ khác. Từ phương tiện trở ra, có các hệ thống hỗ trợ người lái tiên tiến, thu thập thông tin từ hệ thống động cơ và xe hơi, và các phương tiện xung quanh và đi phía trước, cung cấp thông tin theo thời gian thực cho người lái bao gồm cảnh báo, như vậy tạo ra trải nghiệm lái xe an toàn hơn nhiều.

Xác thực và nhận dạng giọng nói

11. Hiện tại, có một kiến ​​thức phổ biến là các lực lượng HLS sử dụng AI để xác định một số người nói và lời nói nhất định trong mạng điện thoại (ví dụ như bom bom, hay vụ nổ vụ nổ).

Nếu có một SOM (System On Module) tự học bên trong ? – điều đó sẽ làm giảm thời gian phản hồi và tăng sự hài lòng của khách hàng. Một ví dụ khác là thêm nhận dạng giọng nói vào máy bán hàng tự động và máy bán vé tại các ga tàu chẳng hạn. Trong ví dụ này cũng vậy, chúng ta đang đưa AI từ trung tâm dữ liệu – ra rìa, áp dụng nó cho vô số máy bán vé trên toàn thành phố.

 

Xu hướng của Edge AI  trong tương lai

Có một số cách mà AI có thể được đẩy ra biên mạng và giúp mở rộng các miền của ứng dụng của nó.

  • Điện toán phân tán: Rất nhiều sức mạnh tính toán trên toàn thế giới bị lãng phí khi các thiết bị không hoạt động. Mặc dù sức mạnh xử lý của các thiết bị đó có thể không đủ để thực hiện các thuật toán AI sử dụng nhiều dữ liệu, các tài nguyên kết hợp của chúng sẽ có thể giải quyết hầu hết các tác vụ. Blockchain , công nghệ làm nền tảng cho tiền điện tử, cung cấp một giải pháp thú vị để  tạo ra các máy tính phi tập trung  từ nhiều thiết bị. 
  • Bộ đồng xử lý AI: Vì GPU giúp thúc đẩy những cải tiến mới trong hình ảnh kỹ thuật số như chơi game và kết xuất, bộ đồng xử lý AI có thể thúc đẩy những tiến bộ tương tự trong ngành công nghiệp AI. Cho đến hiện tại, GPU đã được sử dụng cho cùng một mục đích vì sức mạnh to lớn của chúng trong việc thực hiện các hoạt động song song. Xu hướng này đã thúc đẩy các công ty như NVIDIA và INTEL, công ty chuyên về xử lý đồ họa, tiến sâu vào lĩnh vực AI. Bây giờ chúng ta đang chứng kiến ​​sự xuất hiện của  các bộ xử lý AI bên ngoài  như Movidius Neural Compute Stick, cung cấp khả năng tính toán học tập sâu ở rìa.
  • Các thuật toán nâng cao: Các nhà khoa học và nhà nghiên cứu đang nghiên cứu các thuật toán có thể bắt chước chặt chẽ hơn chức năng não người, đòi hỏi  ít dữ liệu để hiểu các khái niệm và đưa ra quyết định . Điều này có thể giúp hạ thấp các rào cản để đưa AI đến gần cuộc sống hơn.

Sự phát triển và kết hợp của các xu hướng này có thể hy vọng có thể thực hiện các thuật toán AI gần hơn với nơi diễn ra các hoạt động. Điện toán cạnh sẽ không thay thế cho sức mạnh của đám mây. 

Tuy nhiên, nó có thể làm cho mô hình hoạt động của AI giống với con người: thực hiện các quyết định thường xuyên và quan trọng về thời gian ở rìa và tham khảo đám mây nơi cần tính toán chuyên sâu hơn và phân tích lịch sử.

Tags