Yapay Zeka (AI) olgunlaştıkça benimseme artmaya devam ediyor. Son araştırmalara göre, kuruluşların %35’i bugün yapay zeka kullanıyor ve %42’si potansiyelini keşfediyor. Yapay zeka iyi anlaşılmış ve bulutta yoğun bir şekilde konuşlandırılmış olsa da, uçta gelişmeye devam ediyor ve bazı benzersiz zorlukları var. Son birkaç yılda, Intel’de Kıdemli Yapay Zeka Baş Mühendisi olan Rita Wouhaybi, Audi de dahil olmak üzere çeşitli endüstriyel kullanım durumları için (fabrika zeminlerini akıllı bir uca dönüştürmelerine yardımcı olmak için) AI algoritmaları tasarladı ve yazdı. Bu makalede, kuruluşların uçta yapay zekanın kendileri için doğru olup olmadığını nasıl değerlendirebileceklerini tartışıyor ve teknolojiyi ölçeklendirirken dikkate alınması gereken bazı ipuçları sunuyoruz.
Arabalarda gezinmekten adımları takip etmeye ve dijital asistanlarla konuşmaya kadar birçok kişi gün boyunca yapay zekayı kullanıyor. Bir kullanıcı bu hizmetlere genellikle bir mobil cihazdan erişse de, bilgi işlem sonuçları yapay zekanın bulut kullanımlarında bulunur. Daha spesifik olarak, bir kişi bilgi talep eder ve bu talep, sonuçları kişinin yerel cihazına geri gönderen buluttaki merkezi bir öğrenme modeli tarafından işlenir.
Uçtaki yapay zeka, buluttaki yapay zekaya göre daha az anlaşılır ve daha seyrek devreye alınır. Başlangıcından itibaren, yapay zeka algoritmaları ve yenilikleri temel bir varsayıma dayanıyordu; tüm verilerin tek bir merkezi konuma gönderilebilmesi. Bu merkezi konumda, bir algoritmanın verilere tam erişimi vardır. Bu, algoritmanın bilgi işlem ve veriler üzerinde tam yetkiye sahip bir beyin veya merkezi sinir sistemi gibi zekasını oluşturmasına olanak tanır. Ancak sınırdaki AI farklı bir canavardır. Zekayı tüm hücrelere ve sinirlere dağıtır. Zekayı uç noktalara taşıyarak, bu uç cihazlara yetki veriyoruz. Bu, sağlık hizmetleri ve endüstriyel üretim gibi birçok uygulama ve alanda çok önemlidir.
Uçta yapay zeka dağıtmanın üç ana nedeni vardır. İlk olarak, PII (kişisel olarak tanımlanabilir bilgiler) veya hassas IP (fikri mülkiyet) ile ilgilenen bazı kuruluşlar, verileri geldikleri yerde – hastanedeki görüntüleme makinesinde veya fabrika katındaki bir üretim makinesinde – bırakmayı tercih eder. Bu, bir ağ üzerinden veri iletirken meydana gelebilecek “dolaşma” veya “sızıntı” riskini azaltabilir.
İkincisi, bir bant genişliği sorunudur. Uçtan buluta büyük miktarlarda veri göndermek ağı tıkayabilir ve bazı durumlarda pratik değildir. Bir sağlık ortamındaki bir görüntüleme makinesinin, buluta aktarmanın mümkün olmayacağı veya böyle bir aktarımın tamamlanmasının günler alacağı kadar büyük dosyalar oluşturması alışılmadık bir durum değildir. Özellikle içgörüler tescilli bir makineyi iyileştirmeyi hedefliyorsa, verileri uçta basitçe işlemek daha verimli olabilir. Geçmişte, bilgi işlemin taşınması ve sürdürülmesi çok daha zordu ve bu verilerin işlem konumuna taşınmasını gerektiriyordu. Bu paradigma şimdi, artık verilerin genellikle daha önemli ve yönetilmesi daha zor olduğu ve hesaplamayı verilerin konumuna taşımayı garanti eden kullanım durumlarına yol açan bir meydan okumadır!
Yapay zekayı uçta dağıtmanın üçüncü nedeni gecikmedir. İnternet hızlı ama gerçek zamanlı değil. Ameliyatta yardımcı olan bir robotik kol veya zamana duyarlı bir üretim hattı gibi milisaniyelerin önemli olduğu bir durum varsa, bir kuruluş yapay zekayı sınırda çalıştırmaya karar verebilir.
Ancak, yapay zekayı uçta devreye almanın benzersiz zorluklarından bazıları nelerdir ve bu zorlukların üstesinden gelmeye yardımcı olmak için hangi ipuçlarını düşünmelisiniz? İşte üç tane:
- İyi ve Kötü Sonuçlar – Çoğu AI tekniği, bir modeli eğitmek için büyük miktarda veri kullanır. Bununla birlikte, üretilen ürünlerin çoğunun kusurlu olmadığı ve bu nedenle iyi olarak etiketlendiği veya açıklamaların eklendiği, uçtaki endüstriyel kullanım durumlarında bu genellikle daha zor hale gelir. “İyi sonuçlar” ile “kötü sonuçlar” arasında ortaya çıkan dengesizlik, modellerin sorunları tanımayı öğrenmesini zorlaştırır.
Profesyonel İpucu: Bağlamsal bilgiler olmadan verileri sınıflandırmaya dayanan saf yapay zeka çözümlerinin oluşturulması ve dağıtılması, etiketli veri eksikliği ve hatta nadir olayların meydana gelmesi nedeniyle genellikle kolay değildir. Yapay zekaya bağlam eklemek veya veri merkezli bir yaklaşım olarak adlandırılan şey, genellikle nihai çözümün doğruluğu ve ölçeği açısından kazanç sağlar. Gerçek şu ki, yapay zeka genellikle insanların manuel olarak yaptığı sıradan görevlerin yerini alabilse de, bir modeli bir araya getirirken, özellikle üzerinde çalışacak çok fazla veri olmadığında, insan içgörüsünden büyük ölçüde yararlanır.
Algoritmayı oluşturan veri bilimci(ler)iyle yakın çalışma konusunda deneyimli bir konu uzmanından önceden taahhüt almak, yapay zekaya öğrenme konusunda hızlı bir başlangıç sağlar. Audi ile çalışırken bir kaynak uzmanıyla sadece birkaç gün geçirdik ve verilerde olup bitenlere dayalı olarak süreci modelleyen bir algoritma oluşturduk. Sonuç olarak, model %60 doğruluktan %94 doğruluğa çıktı.
- Yapay Zeka Sihir Değildir – Genellikle bir çıktıya giden birçok adım vardır. Örneğin, bir fabrika katında birçok istasyon olabilir ve bunlar birbirine bağımlı olabilir. Bir proses sırasında fabrikanın bir bölgesindeki nem, daha sonra üretim hattında farklı bir bölgedeki başka bir prosesin sonuçlarını etkileyebilir. İnsanlar genellikle AI’nın tüm bu ilişkileri sihirli bir şekilde bir araya getirebileceğini varsayar. Birçok durumda mümkün olsa da, muhtemelen çok fazla veri, verilerin toplanması uzun zaman gerektirecek ve açıklanabilirliği ve güncellemeleri desteklemeyen çok karmaşık bir algoritma ile sonuçlanacaktır.
Profesyonel İpucu: AI boşlukta yaşayamaz. Bu karşılıklı bağımlılıkları yakalamak, sınırları basit bir çözümden zamana ve farklı dağıtımlara göre ölçeklenebilen bir çözüme doğru zorlayacaktır.
- Satın Alma Eksikliği – Kuruluştaki bir grup insan onun faydalarına şüpheyle bakıyorsa, yapay zekayı bir kuruluş genelinde ölçeklendirmek zordur.
Profesyonel İpucu: Geniş katılım sağlamanın en iyi (ve belki de tek) yolu, yüksek değerli, zor bir sorunla başlamak ve ardından onu yapay zeka ile çözmektir. Audi’de kaynak tabancalarındaki elektrotların ne sıklıkta değiştirileceğini çözmeyi düşündük. Ancak elektrotların maliyeti düşüktü ve bu, insanların yaptığı sıradan görevlerin hiçbirini ortadan kaldırmıyordu. Bunun yerine, tüm endüstri için evrensel olarak üzerinde anlaşmaya varılan zor bir sorun olan kaynak işlemini seçtiler ve yapay zeka aracılığıyla sürecin kalitesini önemli ölçüde iyileştirdiler. Bu daha sonra şirket genelindeki mühendislerin, AI’yı verimliliği ve kaliteyi artıran diğer süreçlerde nasıl kullanabileceklerini araştırmak için hayal gücünü ateşledi.
Yapay zekayı uçta devreye almak, kuruluşlara ve ekiplerine yardımcı olabilir. Bir tesisi akıllı bir uca dönüştürme, kaliteyi artırma, üretim sürecini optimize etme ve kuruluş genelindeki geliştiricilere ve mühendislere yapay zekayı nasıl dahil edebileceklerini veya tahmine dayalı analitiği ve verimliliği artırmaya yönelik önerileri içerecek şekilde yapay zeka kullanım durumlarını nasıl geliştirebileceklerini keşfetmeleri için ilham verme potansiyeline sahiptir. veya anormallik tespiti. Ama aynı zamanda yeni zorluklar da sunuyor. Bir endüstri olarak, gecikmeyi azaltırken, gizliliği artırırken, IP’yi korurken ve ağın sorunsuz çalışmasını sağlarken onu dağıtabilmeliyiz.
yazar hakkında
Uçtan buluta teknolojide ürün serilerini başlatma ve yönetme konusunda on yılı aşkın bir deneyime sahip olan Camille Morhardt, Intel Corporation’da Güvenlik Girişimleri ve İletişim Direktörüdür. Aynı zamanda “What That Means” başlıklı Cyber Security Inside podcast’inin sunucusu ve Intel’in Güvenlik Mükemmeliyet Merkezi’nin bir parçasıdır. Rita Wouhaybi, Intel Corporation’da Ağ ve Kenar Grubunda CTO Ofisinde kıdemli bir yapay zeka baş mühendisidir. Federal ve İmalat pazar segmentlerine odaklanan mimarlık ekibine liderlik ediyor.