Edge AI چیست؟ - Plato AiStream V2.1

بازنشر افلاطون

دنبال: 0

[محتوای جاسازی شده]

آزمایشگاه های سیلیکون، پیشرو در فناوری بی سیم ایمن و هوشمند، برنامه گفتگوی فناوری 2023 خود را راه اندازی کرده است. گفتگوهای فناوری امسال شامل یک سری فناوری اختصاصی برای Matter، Wi-Fi، بلوتوث و LPWAN است تا به شما در ایجاد مهارت‌های توسعه مورد نیاز برای ارائه محصولات پیشرفته اینترنت اشیا کمک کند. در این آموزش‌های مجازی زنده یک ساعته که توسط توسعه‌دهندگان برای توسعه‌دهندگان ایجاد شده‌اند، به کارشناسان آزمایشگاه‌های سیلیکون، رهبران صنعت بپیوندید. توسعه دستگاه خود را امروز با ثبت نام در سایت تسریع کنید silabs.com.

چه شده است هوش مصنوعی لبه? و چرا همه در مورد آن صحبت می کنند؟ دیوید پورون، مدیرعامل و یکی از بنیانگذاران باربارا، به رایان چاکون در پادکست IoT For All می‌پیوندد تا درباره هوش مصنوعی Edge و Edge صحبت کند. محاسبات لبه در اینترنت اشیا آنها موارد استفاده از هوش مصنوعی Edge، پروژه های محاسباتی لبه مقیاس، چالش های هوش مصنوعی Edge و راه حل های محاسبات لبه، نقش باربارا در محاسبات لبه، و آینده هوش مصنوعی Edge و محاسبات لبه را بررسی می کنند.

درباره ما داود

دیوید پورون مدیرعامل و یکی از بنیانگذاران باربارا است. او یک مهندس باتجربه با بیش از 20 سال سابقه در مدیریت و سمت های اجرایی است و یکی از کارآفرینان سطح بالا در اسپانیا محسوب می شود. در سال 2022، دیوید به عنوان یکی از 100 کارآفرین برتر خلاق توسط فوربس اسپانیا انتخاب شد. او کار خود را به عنوان یک توسعه دهنده نرم افزار و نماینده استانداردهای بین المللی در شرکت مخابراتی پیشرو اسپانیایی Telefonica آغاز کرد. در سال 2009، او به سمت تولیدکننده دستگاه رفت و در شرکت‌های بزرگ - مانند هواوی - و استارت‌آپ‌هایی مانند Geeksphone کار کرد. از سال 2016، او باربارا، پلتفرم لبه صنعتی Cybersecure را که برای اتصال، استقرار و مقیاس‌بندی برنامه‌های هوش مصنوعی و اتوماسیون صنعتی در هزاران Edge Node طراحی شده است، هدایت می‌کند.

علاقه مند به ارتباط با داود? با لینکدین تماس بگیرید!

درباره ما باربارا

باربارا پلتفرم لبه صنعتی Cybersecure است که برای پیاده سازی تصمیم گیری خودکار در فرآیندهای صنعتی حیاتی طراحی شده است. این برنامه‌های کاربردی مبتنی بر هوش مصنوعی و ML را در Edge متصل می‌کند، مستقر می‌کند و هماهنگ می‌کند. معماری باربارا، که در هزاران گره محاسباتی توزیع شده است، به شرکت‌ها اجازه می‌دهد تا هر عنصر صنعتی را با هم ارتباط برقرار کرده و مجازی کنند و سپس آن را از طریق برنامه‌های هوش مصنوعی بلادرنگ اجرا کنند. Barbara که با طراحی با امنیت سایبری توسعه یافته است، با برنامه های Edge برای بهینه سازی فرآیندهای صنعتی و مدیریت دارایی سازگار است. این یک عامل عالی برای رسیدگی به بزرگترین چالش های صنعت و تسریع هوش صنعتی است. پلتفرم لبه صنعتی باربارا ابزار قدرتمندی است که می‌تواند به سازمان‌ها کمک کند تا استقرار برنامه Edge خود را ساده و تسریع کنند، به راحتی برنامه‌های کاربردی مبتنی بر کانتینر یا بومی را در هزاران گره لبه توزیع‌شده بسازند، هماهنگ کنند و نگهداری کنند.

سوالات و موضوعات کلیدی این قسمت:

(01: 09) معرفی دیوید و باربارا

(02: 13) هوش مصنوعی Edge چیست؟

(05: 25) موارد استفاده از هوش مصنوعی Edge

(07: 08) مقیاس بندی یک پروژه محاسبات لبه

(09: 45) چالش های Edge AI و پروژه های محاسبات لبه

(12: 11) نیاز به راه حل های باز و قابل همکاری

(14: 02) باربارا در کجای راه حل های لبه قرار می گیرد؟

(15: 37) چگونه باربارا از محاسبات لبه استفاده می کند

(17: 50) آینده هوش مصنوعی Edge و محاسبات لبه

(19: 27) بیشتر بدانید و پیگیری کنید

متن:

– [رایان] سلام به همه، و به قسمت دیگری از پادکست اینترنت اشیا برای همه خوش آمدید، من رایان چاکون هستم، و در قسمت امروز خواهید فهمید که چرا همه در مورد هوش مصنوعی Edge صحبت می کنند. امروز دیوید پورون، مدیرعامل و یکی از بنیانگذاران باربارا با من است. آنها شرکتی هستند که پلتفرم لبه صنعتی امن سایبری هستند. گفتگوی عالی با دیوید من فکر می کنم ما از این ارزش زیادی خواهیم گرفت. لطفاً اگر قبلاً این کار را نکرده اید در کانال ما مشترک شوید، این ویدیو را لایک کنید و نماد زنگ را بزنید تا به محض انتشار آخرین قسمت ها را دریافت کنید. بسیار خوب، قبل از اینکه وارد آن شویم، یک کلمه سریع از اسپانسر خود داریم. آزمایشگاه‌های سیلیکون، پیشرو در فناوری بی‌سیم هوشمند ایمن، برنامه گفتگوهای فناوری ۲۰۲۳ خود را راه‌اندازی کرده است. گفت‌وگوهای فناوری امسال شامل سری‌های فناوری اختصاصی برای ماده، وای‌فای، بلوتوث و LPYN است تا به شما در ایجاد مهارت‌های توسعه مورد نیاز برای ارائه محصولات پیشرفته اینترنت اشیا کمک کند. برای این آموزش‌های مجازی زنده یک ساعته که توسط توسعه‌دهندگان برای توسعه‌دهندگان ایجاد شده‌اند، به کارشناسان آزمایشگاه‌های سیلیکون، رهبران صنعت بپیوندید. امروز با ثبت نام در silabs.com توسعه دستگاه خود را تسریع کنید. این حرف s است، حرف ilabs .com. دیوید به پادکست اینترنت اشیا برای همه خوش آمدید. از حضور شما در این هفته متشکرم.

- [دیوید] بله، متشکرم. از شما متشکرم.

- [رایان] قطعا. آره، داشتن تو خیلی خوبه گفت‌وگوی هیجان‌انگیزی می‌دانم که امروز اینجا برنامه‌ریزی کرده‌ایم، اما می‌خواستم این را با معرفی سریع خود و شرکت به مخاطبانمان آغاز کنم.

- حتما، آره نام من دیوید پورون است. من یکی از بنیانگذاران و مدیر عامل باربارا هستم. ما زمان زیادی برای بحث در مورد آنچه انجام می دهیم خواهیم داشت، اما به طور خلاصه، ما یک پلت فرم محاسباتی لبه ایمن سایبری را ارائه می دهیم. درباره خودم، به دلیل نداشتن کلمه بهتر، خودم را یک کارآفرین سریالی می دانم. این پنجمین شرکت من است. شرکت قبلی من، بلک فون. ما وقف فروش موبایل های خصوصی و مطمئن بودیم و خروجی هم داشتیم. ما شرکت را در سال 2016 به یک شرکت آمریکایی فروختیم و پس از آن باربارا را تأسیس کردم و پنج سال گذشته در باربارا بودم.

- [رایان] فوق العاده است. بله، من در طول چند سال گذشته باربارا را در زمان حضورم در اینترنت اشیا ملاقات کرده‌ام، بنابراین خیلی خوب است که بالاخره فرصت صحبت کردن را داشتم. می‌دانم که گفتگوی امروز ما می‌خواستیم درباره محاسبات لبه، هوش مصنوعی لبه‌ای و موضوعاتی پیرامون موضوعاتی صحبت کنیم که اخیراً زیاد به آن پرداخته‌ایم، به خصوص در بخش هوش مصنوعی. پس بیایید این را با گفتن به مخاطبان خود شروع کنیم، Edge AI چیست و چرا در حال حاضر به یک موضوع محبوب تبدیل شده است؟

– [دیوید] خب، محاسبات لبه جای تعجب نیست، متاسفم هوش مصنوعی لبه، ترکیبی از محاسبات لبه و هوش مصنوعی است که دو عبارت هستند که جدا از هم هستند، می‌دانید که آنها کلماتی هستند و همه در مورد آنها صحبت می‌کنند، اما وقتی ترکیب می‌کنید آنها با هم، بسیار منطقی است. درست. بیایید شروع کنیم به تعریف محاسبات لبه. حدس می‌زنم همه کم و بیش می‌دانند که محاسبات لبه ذخیره‌سازی داده و محاسبات داده را بسیار نزدیک به جایی که داده‌ها تولید می‌شوند، فراهم می‌کند. در این مورد بسیار نزدیک به دستگاه های IoT است. بنابراین، دستگاه‌های اینترنت اشیا به‌طور سنتی برای انجام محاسبات به ابر متصل می‌شوند. اکنون، به دلایلی که بعداً به شما خواهم گفت، آنها به سرویس‌هایی که نزدیک‌تر هستند، به آن دستگاه‌ها متصل می‌شوند. این محاسبات لبه است، درست است؟ بنابراین این دستگاه ها داده های زیادی تولید می کنند، دما، داده های موقعیت، هر چه باشد. و سپس این داده ها، هنگامی که شما وقتی این داده ها را با هوش مصنوعی پردازش می کنید، اساساً می توانید کل پارادایم بهره وری یک شرکت را تغییر دهید. بنابراین وقتی داده‌های زیادی دارید و آن‌ها را با هوش مصنوعی پردازش می‌کنید یعنی الگوریتم‌هایی که در مغز انسان شبیه‌سازی شده‌اند، این دو چیز آن‌ها را با هم ترکیب می‌کنند و هوش مصنوعی در بهره‌وری بسیاری از شرکت‌ها متحول می‌شود. چرا لحظه الان است؟ خوب، به دلیل سه عامل. اول، به این دلیل که 13 میلیارد دستگاه اینترنت اشیا وجود دارد. بنابراین اکنون ما داده‌های زیادی داریم، و اگر زمانی که داده‌های زیادی با استفاده از هوش مصنوعی دارید، می‌توانید برای بینش‌های زیاد، پیش‌بینی‌های زیادی به دست آورید. بنابراین ابتدا شما داده های زیادی دارید. دوم، فناوری‌های هوش مصنوعی اکنون دموکراتیک شده‌اند. بنابراین، تقریباً همه، quote unquote می توانند امروز یک الگوریتم هوش مصنوعی را برنامه ریزی کنند. بنابراین آسان تر و آسان تر می شود. و همچنین از نظر محاسبات لبه، عامل سوم این است که سخت افزار لبه با دستگاه هایی مانند Jetson nano و Raspberry PI بسیار قدرتمند می شود، درست است؟ بنابراین درست است، دستگاه های بسیار کوچکی که می توانند داده ها را دریافت کنند، می توانند داده ها را با هوش مصنوعی پردازش کنند. بنابراین این ترکیب، سادگی داده‌های فراوان در مورد پیشرفت‌های هوش مصنوعی و تکامل محاسبات لبه‌ای، ترکیبی است که امروز دنیا را به کاوش می‌کشد.

- [رایان] فوق العاده است. بله، جالب بود فقط درباره هوش مصنوعی به طور کلی صحبت کنیم که چقدر محبوب شده است و اینترنت اشیاء چه می کند تا واقعاً هوش مصنوعی را هدایت کند. منظورم این است که هوش مصنوعی به داده ها نیاز دارد. بدون داده‌ها، مدل‌های هوش مصنوعی واقعاً چندان ارزشمند نیستند. بنابراین اینترنت اشیا همان حوزه ای است که می تواند داده ها را به روش هایی که قبلاً قادر به انجام آن نبودیم جمع آوری کند. و سپس واضح است که سمت محاسبات لبه با آنچه که از نقطه نظر ارزش برای بسیاری از این راه حل ها ارائه می کند، بسیار محبوب می شود. بنابراین اجازه دهید من بخواهم که به نوعی آن را برای مخاطبان خود در اینجا کامل کنم. آیا می توانید در مورد برخی از موارد استفاده ای که در مورد هوش مصنوعی لبه، محاسبات لبه مشاهده می کنید صحبت کنید، و می دانم که حداقل یکی از مکالماتی که اخیرا داشتم وجود داشته است که دوست دارم نظر شما را در مورد آن بشنوم. همانطور که در بیشتر جنبه های صنعتی چیزها اعمال می شود. پس موارد استفاده از محاسبات لبه کجاست؟ برخی موارد استفاده از محاسبات لبه می‌گویند و هوش مصنوعی لبه نیز در آن نقش ایفا می‌کند؟

- [دیوید] آره، پس به نکته خیلی خوبی اشاره کردی. بنابراین خود اینترنت اشیا با هوش مصنوعی بسیار منطقی است، درست است؟ اما همانطور که گفتم، در پنج، شش سال گذشته، تمام پردازش‌های هوش مصنوعی IoT در فضای ابری انجام شده است. بنابراین این کار قبلا انجام شده است. بسیاری از شرکت‌ها، شرکت‌های مالی یا شرکت‌های خرده‌فروشی، شرکت‌های رسانه‌ای هستند که هوش مصنوعی را با داده‌های اینترنت اشیا در فضای ابری انجام می‌دهند، درست است؟ اتفاقی که برای شرکت‌های صنعتی می‌افتد این است که در بسیاری از موارد ابر جا نمی‌شود، شاید به دلیل تأخیر، آنها باید در برخی الگوریتم‌ها خیلی سریع پاسخ دهند، شاید به دلیل تخمیر داده‌ها، اما مهمترین چیز حفظ حریم خصوصی و امنیت. بنابراین، شرکت‌های صنعتی، در بسیاری از موارد، اساساً به دلیل مقررات نمی‌توانند داده‌ها را در فضای ابری قرار دهند، درست است؟ بنابراین برای این شرکت‌ها انجام کارهایی در لبه‌ای که نیازی به خروج داده‌ها از محل آنها نیست، بسیار منطقی است. بنابراین به همین دلیل است که محاسبات لبه و هوش مصنوعی بیش از پیش در شرکت های صنعتی برجسته می شوند. پس این بسیار درست است.

- [رایان] قطعا. آره این فوق العاده است. بنابراین اجازه دهید از شما بپرسم، اگر من شرکتی هستم که به این موضوع گوش می‌دهم و محاسبات لبه را به راه‌حل خود وارد می‌کنم یا شرکتی که با آن کار می‌کنم، جزء محاسبات لبه‌ای در آن وجود دارد. چگونه شرکت‌ها واقعاً می‌توانند به آن نگاه کنند و به دنبال فرصت‌هایی برای مقیاس‌سازی آن و فراهم کردن فرصت‌های بیشتری برای محاسبات لبه‌ای باشند تا در حوزه‌های بالقوه دیگر یا فقط در مقیاس برای آن راه‌حل فردی مورد استفاده قرار گیرند؟

- [دیوید] خب، اولین چیزی که باید در مورد آن بحث کنیم، نوع متفاوت لبه ها است، درست است؟ بنابراین همه در مورد محاسبات لبه به طور کلی صحبت می کنند، اما من عکسی از گارنر را دوست دارم که یک هرم است که در آن لبه های مختلف قرار می گیرد، درست است؟ و شروع از بالا که آنها مرکز داده محلی می نامند، محاسبات لبه است، درست است؟ اگر یک مرکز داده محلی در شهر خود دارید که محاسبات لبه دارد، شاید یک مرکز داده در شرکت شما باشد، درست است؟ در قفسه مرکزی شما، در رک شما، در حال محاسبات نیز هست. سپس اگر به دروازه‌های کوچکی بروید که مستقیماً به سنسورها وصل می‌شوند، محاسبات لبه‌ای است اما حتی داخل سنسورها هم می‌رود، درست است؟ شما می توانید پردازش را در داخل سنسور انجام دهید و این همان لبه نازک یا لبه دور است، درست است؟ بنابراین اولین چیزی که یک شرکت باید بداند این است که انواع مختلفی از محاسبات لبه وجود دارد و اگر شما یک شرکت بزرگ مانند یک شرکت بزرگ صنعتی هستید، کاری که باید انجام دهید این است که در آن لبه ها به عنوان یک زیرساخت فکر کنید. بسیاری از شرکت‌ها در استفاده از دستگاه‌های لبه، آزمایش‌های کوچک متفاوتی را انجام می‌دهند، اما استراتژی محاسبات لبه باید در کل شرکت گسترده باشد، درست است؟ بنابراین باید CIO یا در دستور کار CSO یا در دستور کار CSO باشد و آنها باید این لایه متفاوت، زیرساخت لبه را بسازند. و هنگامی که زیرساخت لازم را دارید، شروع به فکر کردن در موارد استفاده کنید. و برای تفکر در موارد استفاده، باید فکر کنید که موارد استفاده که توسط حریم خصوصی یا تأخیر یا مقیاس پذیری داده ها هدایت می شود، چیست. بنابراین اگر به یک الگوریتم هوش مصنوعی فکر می‌کنید و در یکی از این سه زمینه روی این سه مورد الزامی دارد، آن را در لبه قرار دهید و سپس با قرار دادن آن در لبه، پول زیادی را پس انداز خواهید کرد. بنابراین این توصیه من خواهد بود. اول از همه، زیرساخت ایجاد کنید، و دوم به موارد استفاده فکر کنید.

- [رایان] فوق العاده است. نه، این توصیه عالی است. برخی از چالش هایی که در این سمت از چیزها می بینید چیست؟ بنابراین، با هوش مصنوعی لبه‌ای، پروژه‌های محاسباتی لبه، وقتی نوبت به استقرار آن‌ها می‌رسد، آیا چالش‌هایی وجود دارد که به نوعی می‌بینید که اغلب به وجود می‌آیند؟

- [دیوید] بله، من می گویم بزرگترین چالشی که ما با آن روبرو هستیم، این منحصر به لبه نیست. من فکر می‌کنم این ارتباط بسیار با اینترنت اشیا مرتبط است و مطمئنم که همه این را در بسیاری از مکالماتی که شما انجام داده‌اید شناسایی کرده‌اند و درباره استانداردها و چندپارگی است. بنابراین هر پروژه ای است، بسیار متفاوت است. منظورم این است که شما یک پروژه برای آبرسانی انجام می دهید و سپس به دنبال پروژه ای برای یک شرکت انرژی می روید که می تواند یکسان باشد، اما در نهایت، دستگاه های مختلف پروتکل های مختلف، نیازهای سخت افزاری متفاوتی وجود دارد. بنابراین در پایان روز، مقیاس‌بندی انجام محاسبات لبه به عنوان یک شرکت برای باربارا، چالش تخمیر را دارد. ما این چالش را به طرق مختلف حل می کنیم، اما قطعا چالش برانگیز است. بنابراین تعداد پروتکل‌های مختلف دستگاه‌های مختلف، کارکنان مختلف، برنامه‌های کاربردی مختلف، فناوری‌های مختلف، زبان‌های مختلف همه چیز کاملاً تکه‌تکه است، اما حدس می‌زنم که مسئله بلوغ نیز باشد.

- [رایان] بله، من با شما موافقم و با شرکت ها در مورد سطوح مختلف استانداردسازی در صنایع مختلف صحبت کرده ام. من می دانم که در فضای صنعتی، گاهی اوقات ممکن است احساس عدم استانداردسازی شود. این چالش چگونه ایفای نقش می کند، چیست و چگونه به آن نزدیک می شوید یا برای غلبه بر آن چه کاری انجام می شود؟

- [دیوید] خب، ما تلاش می کنیم برای استانداردها فشار بیاوریم و در اتحادهای صنعتی شرکت می کنیم و سعی می کنیم بازار را به سمت استانداردهای خاص سوق دهیم. برای مثال، در دنیای صنعتی، ما به دنبال استانداردی به نام OPCUA هستیم. بنابراین ما سعی می کنیم تا آنجا که می توانیم از OPCUA از نظر اتصال بین دستگاه ها و بین لبه و ابر استفاده کنیم. ما برای MQTT یا MQT فشار می آوریم و در حال ساخت کانکتورها هستیم. ما به دنبال برخی از پیشرفت‌ها برای منبع باز هستیم. و ما همچنین در برخی از ابتکارات صنعتی شرکت می کنیم تا سعی کنیم این همسویی را در صنعت ایجاد کنیم. و همانطور که گفتم، احتمالاً مسئله زمان است.

- [رایان] بله، قطعا. وقتی، وقتی در حال حاضر با شرکت‌هایی کار می‌کنید، چطور هستند، به نظر من در بسیاری از راه‌حل‌های صنایعی که شما درگیر آن هستید، چه نیازی به راه‌حل‌های باز غیرقابل اجرا وجود دارد؟ می‌دانید، چشم‌انداز دستگاه‌های اینترنت اشیاء چگونه در آن نقش دارند و این امر را قادر می‌سازند یا حتی شاید یک چالش در این زمینه باشند؟ اونجا چی میبینی؟

- [دیوید] خب، ما عمدتاً با بخش CDO، افسر ارشد داده کار می کنیم. و بسیاری از این شرکت ها در حال حاضر یک دوره طولانی حساس سازی و استقرار دستگاه IoT را پشت سر گذاشته اند. بنابراین همانطور که قبلاً گفتم، در حال حاضر تعداد زیادی دستگاه IoT در بسیاری از این شرکت ها وجود دارد، تعداد زیادی. همه جا سنسور دارند. آنها دارند، تجهیزات صنعتی دارند که متصل است، فعال کننده دارند، این همه تجهیزات را دارند. اکنون، چالش این است که این تجهیزات معمولاً در فضایی قرار دارند که فضای OT، فضای فناوری عملیاتی نامیده می شود. و بعد باید این تجهیزات را با فضای IT وصل کنید، با فضای سرور درست است؟ و اینها بخش های مختلف با فرهنگ های بسیار متفاوت هستند. برای مثال، افراد OT بسیار عادت دارند که اصلاً اتصال نداشته باشند و شبکه ایزوله داشته باشند. و حالا وقتی باید حسگر را به یک پلتفرم محاسباتی لبه یا یک ابر وصل کنند، مهم نیست. این قابلیت همکاری بسیار چالش برانگیز است اما نه به طور خاص به دلیل این که فناوری بیشتر به دلیل فرهنگ مردم است. ادغام OT و IT این روزها موضوع مهمی است و بسیار چالش برانگیز است.

- [رایان] آره. و یک چیز می خواستم از شما بپرسم که به نوعی بی ارتباط با چیزی است که ما اخیراً در مورد آن صحبت کرده ایم، اما وقتی در مورد لبه به طور کلی صحبت می کنیم، به نوعی مانند طیفی از لبه ها و جایی که شرکت ها نقش دارند وجود دارد. همه شما در کجای آن جای می گیرید؟

- [دیوید] خب، همانطور که گفتم، اگر از لبه دور بروید، ببخشید، از لبه نزدیک، یعنی لبه نزدیک به ابر. شما مراکز داده را دارید، و سپس اگر به پایین دست بروید، به لبه دور می روید که لبه ای است که به سنسورها و محرک ها بسیار نزدیک است. در باربارا، ما کار می کنیم، به خصوص در لبه های دور. برخی افراد به آن لبه نازک نیز می گویند. چرا ما آن را انجام می دهیم، زیرا چالش ها در آنجا رخ می دهند. بنابراین یکی از چالش های بزرگی که ما با آن روبرو هستیم، امنیت سایبری است. بنابراین، اگر دستگاه‌ها دورتر باشند، ایمن‌سازی آن‌ها پیچیده‌تر است، زیرا معمولاً دستگاه‌هایی بدون مراقبت هستند که گاهی اوقات به‌روزرسانی یا ارتقای آن‌ها بسیار پیچیده است. و این جایی است که ما متخصص در لبه دور هستیم و اینجاست که ارزش بیشتری به ارمغان می آوریم. لبه نزدیک یا لبه بزرگ یا لبه ضخیم بیشتر برای بازیکنانی مانند، می‌دانید، افراد سطح بالا مانند AWS، Google و این افراد که کمی در پشته پایین می‌روند، است، اما هرگز نمی‌روند. تا این حد در پشته است، زیرا این امر به تخصص زیادی در سیستم عامل، در دستگاه‌ها، تخصص IoT پردازنده‌ها نیاز دارد که آن شرکت‌ها ندارند. اما چالش هایی مانند باربارا یا برخی از رقبای دیگر ما در این زمینه متخصص هستند. آره

- [رایان] آره. آیا موارد استفاده هیجان انگیز یا جالبی وجود دارد که همه شما در حال انجام آن هستید که ارزش صحبت کردن را داشته باشد؟ به خصوص از، می دانید که در لبه های دور قرار دارید؟

- [دیوید] آره، خیلی، خیلی. ما در حال کار هستیم، می دانید، ما عمدتاً با شرکت های صنعتی کار می کنیم زیرا همانطور که گفتم، این شرکت ها هستند که برای استفاده از لبه برجسته تر هستند. و به طور خاص، ما با شرکت های صنعتی که دارای دارایی های بسیار متنوع و پراکنده هستند، کار می کنیم. ما در حال کار، به عنوان مثال، در دنیای خدمات شهری یا در تصفیه خانه آب، به عنوان مثال در تصفیه خانه آب، ما با یک شرکت بزرگ به نام Acciona در اینجا در اسپانیا کار می کنیم، اما این شرکت جهانی است و با هوش مصنوعی لبه بهینه می شود. مقدار مواد شیمیایی مورد استفاده برای تصفیه آب این قبل از یک فرآیند بسیار دستی بود. بنابراین یک اپراتور مجبور شد برود و آب را اندازه بگیرد و مواد شیمیایی را که باید برای روز بعد بخرد را حدس بزند. و آنها واقعاً خیلی بیشتر از آنچه نیاز داشتند پول خرج می کردند. هر روز مواد شیمیایی اضافی زیادی وجود داشت، درست است. و نتوانستند آن را در بازار بفروشند. بنابراین اکنون با هوش مصنوعی لبه، همه حسگرها در حال محاسبه مقدار مواد شیمیایی هستند که باید برای دوره بعدی خریداری شوند. و آنها مقدار زیادی پول پس انداز می کنند. مقدار زیادی پول. آره و همچنین، برای مثال، در تاسیسات برق در تاسیسات برق کار می کنیم که جریان را تشخیص می دهند. و برای این، ما از یک رویکرد بسیار منحصر به فرد استفاده می کنیم که شبکه لبه مش است. بنابراین لبه های مختلف در مورد خود صحبت می کنند تا الگوهای تقلب در شبکه برق را شناسایی کنند و زنگ خطر را به صدا در آورند و این چیزی است که معمولاً با فرستادن مردم به ایستگاه های خدمات و خانه های مردم انجام می شد. و این واقعاً گران بود. و اکنون این خودکار شده است و این با هوش مصنوعی خودکار شده است. بنابراین یادگیری مستمر بهتر و بهتر انجام می شود، همانطور که یک انسان این کار را انجام می دهد. بنابراین، و همچنین صرفه جویی در مقدار زیادی پول برای ابزار.

- [رایان] فوق العاده است. حالا اجازه دهید قبل از اینکه اجازه دهم به اینجا بروید، از شما بپرسم، آینده هوش مصنوعی لبه، محاسبات لبه را از دیدگاه خود کجا می‌بینید، و می‌دانید که در مورد چه اتفاقی در آینده رخ می‌دهد، هیجان‌زده‌تر هستید، سال آینده یا بیشتر؟

- [دیوید] آره. خوب، بنابراین هوش مصنوعی لبه توسط گارنر به عنوان فناوری پیشرفت در سال جاری معرفی شده است. بنابراین در حال حاضر اتفاق می افتد. اینطور نیست، دو سه سال دیگر این اتفاق نمی افتد. این در حال حاضر اتفاق می افتد و این فن آوری با تاثیر بیشتر و در سال های اخیر پس از محاسبات ابری بر اساس Garner است. بنابراین قطعاً این چیزی است که اکنون در حال رخ دادن است. بنابراین من واقعاً هیجان زده هستم که ببینم چگونه شرکت‌ها شرکت‌های صنعتی هستند که آن دفاتر داده‌های ارشد، آن پروفایل‌هایی را که واقعاً برای آنها جدید است پنهان می‌کنند و ببینم این افراد چگونه تأثیر زیادی در حسابداری آن شرکت‌ها خواهند داشت. بنابراین من در یکی دو سال آینده هیجان زده هستم که موارد استفاده را به عنوان مواردی که توضیح دادم ببینم که در آن تأثیر زیادی بر کاری که ما انجام داده ایم وجود دارد. بنابراین ما دیگر در سال آزمایشی نیستیم و اکنون در پروژه ها و افزایش بهره وری در شرکت ها هستیم.

- [رایان] آره. این فوق العاده است. بله، به نظر می رسد که چیزهای هیجان انگیز زیادی در فضا در حال وقوع است. منظورم این است که محاسبات لبه قطعا یک تن رشد کرده است. مردم در حال حاضر واقعاً شروع به دیدن مزایای هر چیزی کرده اند. و همانطور که مؤلفه هوش مصنوعی را وارد می‌کنید، فوق‌العاده است که فقط به ارزشی که مطمئناً می‌توان ارائه کرد فکر کنید. برای مخاطبان ما که به این گوش می‌دهند و می‌خواهند آن را دنبال کنند، درباره باربارا بیشتر در مورد آنچه در حال انجام است اطلاعات بیشتری کسب کنند، هر گونه سوالی را دنبال کنند بهترین راهی که می‌توانند این کار را انجام دهند چیست؟

- [دیوید] خوب، آنها می توانند مستقیماً از طریق وب سایت ما با ما تماس بگیرند و بله، ما بسیار خوشحالیم که اکوسیستمی از افرادی ایجاد می کنیم که مایل به انجام کارهایی بر روی هوش مصنوعی لبه هستند. بنابراین هر شرکتی که الگوریتم‌های هوش مصنوعی، ادغام‌کننده‌های سیستم، توسعه‌دهندگان را ارائه می‌دهد، هر کسی که به این موضوع علاقه‌مند است، فقط به وب‌سایت ما، www.barbaraiot.com مراجعه کند. آنجا می توانند با ما تماس بگیرند.

- [رایان] فوق العاده است. خوب، دیوید، از شما بسیار متشکرم که برای حضور در پادکست وقت گذاشتید. واقعاً قدردان و هیجان‌زده‌ایم که این را به مخاطبان خود منتقل می‌کنیم.

- [دیوید] آره، ممنون رایان. خوشحالم که اینجا هستم و امیدوارم این برای همه جالب بوده باشد. خیلی ممنون.