Периферический ии является тенденцией к разумному развитию, комбинацией краевых вычислений и искусственного интеллекта. Пограничный ии — технология, применяемая непосредственно в устройствах физического мира. Вместо того чтобы полагаться на централизованные облачные вычислительные сооружения или центры данных на расстоянии, он позволяет вычислять вблизи места, где создаются данные. Периферийное ии может быть широко применено в различных отраслях и сценариях, в Том числе в промышленности, здравоохранении, энергетике, розничной торговле и т.д. Например, в разумных производствах пограничный ии может обрабатывать данные на производственных линиях в реальном времени для быстрого принятия решений и оптимизации; В разумных транспортных средствах пограничный ии может обрабатывать сигналы светофоров и данные сенсоров, чтобы обеспечить интеллектуальный контроль над движением и мониторинг безопасности. Как развился пограничный ии, начиная с самых ранних облачных вычислений. В начале 2000 — х годов — в 2005 году появились вычисления облаков, которые в качестве формы распределённого вычисления расщепились на множество мелких программ для обработки и анализа с помощью систем, состоящих из нескольких серверов. На этом этапе вычисления облаков решают проблему распределения и вычисления задач, предоставляя возможность для обработки большого количества данных. К 2010 году сеть вещей (IoT) была распространена вместе с беспроводной сетью 4G/5G, что привело к быстрому увеличению количества данных, генерируемых лимбическими устройствами, и достигло уровня ZB (ZB). Распространение 4G и 5G беспроводных сетей еще больше усилило способность передачи данных по периферийным устройствам, но также ставит под сомнение возможности обработки данных, объем загрузки в сети, защиту личной жизни и т.д. К середине и концу 2010 года, столкнувшись с ограничением облачных вычислений в области маргинализации обработки данных, было предложено сделать маргинализированные вычисления в качестве новой модели вычислений. Маргинальные вычисления подчеркивают улавливание и обработка данных вблизи источника или терминала, сокращая количество и задержки передачи данных, завершая их в локальной обработки. Согласно прогнозам гартнера, к 2025 году 75% данных будет производиться в центре данных и за пределами облаков. С 2020 года по настоящее время, по мере развития и распространения технологий искусственного интеллекта, периферический ии постепенно развивается как новая модель, связывающая технологии ии с краевыми вычислениями. Пограничный ии позволяет вычислять и принимать решения в непосредственной близости от места создания данных, тем самым увеличивая действительность, уменьшая задержки и усиливая защиту частной жизни. Тенденции оптимизации периферийных ии и алгоритмов будут широко применяться в таких областях, как интеллектуальная домовладение, интеллектуальная транспорт, интеллектуальное производство и т.д. В интеллектуальных домах пограничный ии может реализовывать интеллектуальные подключения и персонализированные услуги оборудования; В разумных транспортных средствах реализуется диспетчер в реальном времени и прогноз ситуации на дорогах для автомобилей; В разумных производствах могут быть автоматизированы и рационализированы линии производства. Как видите, пограничный ии демонстрирует огромный потенциал во многих отраслях. И по мере расширения сферы применения ии, совокупный спрос на вычислительную силу будет расти. Особенно в таких областях, как автопилотирование, интеллектуальное производство, интеллектуальная жизнь, индивидуализированные потребности в реальном времени, безопасности и т.п., что делает рост маргинальной вычислительной силы важной тенденцией. Согласно исследованию, проведенному компанией Astute Analytica, рынок пограничных ии вырастет с 1,4 миллиона в 2021 году до 8 миллионов в 2027 году, а вместе с ним и 29,8 % годовых процентных ставок. Этот рост произошел главным образом из-за огромного спроса на интернет вещей, доступное для потребления оборудование, а также из-за жажды к более быстрой вычислительной скорости, охватываемой сетью 5G. В таких условиях технология оборудования постоянно обновляется, и крупные компании по производству чипов, такие как intel, AMD, express, apple и другие, уже начали выпускать флагман-чипы с высокой численной мощностью по краям. Эти продукты не только обладают мощными вычислительными возможностями, но и оптимизированы для конкретных прикладных сцен, что повышает соотношение цен и эффективность вычислительной силы. Модернизация чипа привела не только к оптимизации структуры и функций цельной машины, но и к формированию новых тенденций модернизации оборудования. Эта тенденция обострения еще больше ускорит распространение и применение технологии пограничного ии. Помимо аппаратных технологий, алгоритмы также требуют постоянной оптимизации, нацеленной на ограниченные возможности периферийных устройств, и исследователи постоянно оптимизируют алгоритмы искусственного интеллекта, чтобы они могли эффективно работать на маргинальных устройствах. В частности, по мере распространения маргинальной вычислительной среды, требования к алгоритму AI становятся все более реалистичными и эффективными в отношении маргинальных устройств. Алгоритм должен работать быстро в ограниченных ресурсах и принимать решения за несколько миллисекунд, чтобы удовлетворить потребности в реальном времени для взаимодействия и обработки. Во-вторых, модель AI должна быть разработана для работы на ограниченных граничных устройствах, т.е. с меньшими параметрами и более низкой вычислительной сложностью. Этот дизайн позволяет моделям эффективно работать на периферийных устройствах, сохраняя при этом лучшую производительность. Кроме того, моделируемая технология сжатия и ускорения стала важным средством оптимизации алгоритма периферического ии. С помощью технологий, таких как вырезка ветвей, количественная, интеллектуальная дистилляция и т.п., можно уменьшить количество женьшеня в моделях и увеличить их скорость дедукции, сохраняя при этом точность модели. Кроме того, технология ии используется для оптимизации производительности и эффективности вычислений по краям, включая обработка данных, оптимизацию энергопотребления, моделирование и т.д. В то же время маргинальные вычисления оптимизировали производительность и эффективность модели ии, что позволило модели лучше адаптироваться к окружающей среде и потребностям периферийных устройств. Предварительная обработка данных — важный шаг в обучении алгоритма ии, который имеет решающее значение для улучшения производительности модели. В пограничном ии, поскольку данные часто нуждаются в местной обработке, технология предварительной обработки данных также должна быть оптимизирована для улучшения качества и производительности данных. Оптимизация маргинализированного ии включает в себя не только сам алгоритм, но и возможность согласованной оптимизации аппаратного и программного обеспечения. Например, оптимизация алгоритмов для адаптации к характеристикам конкретного оборудования, или оптимизация оборудования для того, чтобы лучше поддерживать работу алгоритма, может повысить производительность системы периферического ии в целом. Кроме того, что касается маргинализированных вычислительных платформ, то крупные технологические компании и облачные провайдеры услуг по вычислению облаков также запустили компьютерные платформы для искусственного интеллекта, нацеленные на маргинализированные устройства, предоставляющие удобные инструменты и ресурсы для разработки периферийных ии. Эти платформы поддерживают услуги полного процесса, начиная от модельных тренировок до развертывания, снижая планки разработки приложений для периферийных ии. В заключение следует отметить, что маргинализированный ии постепенно реализуется во многих областях, в то время как технология периферического ии постепенно развивается, в то время как технология и алгоритмы, маргинализированные вычислительные платформы и т.д. По мере развития технологии периферического ии в будущем будет больше инновационных аппаратных средств и прикладных сцен. Эти инновации будут способствовать дальнейшему распространению и применению технологии пограничного ии.

VMIVME-3230-000