چگونه Edge IoT صنعت را تغییر می دهد

ردیابی ناوگان، ردیابی دارایی، وسایل نقلیه خودران، اتوماسیون تولید و انبارداری همگی حوزه‌هایی هستند که فناوری‌های تراشه‌های تعبیه‌شده در هوش مصنوعی می‌توانند بارهای حامل داده‌های شبکه را تخلیه کنند. آنها می توانند این کار را در حالی که اطلاعات خط مقدم و بلادرنگ ارائه می دهند، انجام دهند.

بسیاری از این فرآیندهای در حال حرکت نیاز به داده های زیادی برای فعال شدن دارند. در عین حال، آنها به این داده ها در زمان واقعی و در حین انتقال نیاز دارند تا انجام شوند. این نوع فرآیندها به اندازه سایر فرآیندهای فشرده داده، مانند آموزش داده ها از طریق یادگیری ماشین، از محاسبات ابری سود نمی برند. در عوض این فرآیندها بیشترین سود را از محاسبات لبه می‌برند، که محاسبات، شبکه و سایر منابع را مستقیماً به دستگاه‌ها و داده‌هایی که به آن‌ها نیاز دارند می‌رساند.

با فعال کردن هوش مصنوعی (بارهای پردازش AI0 در سطح یک سیستم روی یک تراشه (SOC)، فناوری اطلاعات می‌تواند گزینه‌های خود را برای توزیع و بارگذاری بارهای پردازش داده به لایه‌های مختلف معماری سازمانی (به عنوان مثال، ابر، یک مرکز مرکزی) گسترش دهد. مرکز داده، یا خود لبه).

میکروکنترلرهای تعبیه شده SOC از حافظه باریکتر و مصرف انرژی استفاده کنید نسبت به آنچه که توسط GPU های سنتی (واحدهای پردازش گرافیکی)، FPGA (آرایه های دروازه قابل برنامه ریزی در میدان) یا انواع دیگر مدارهای مجتمع (IC) مورد نیاز است.

استیو کانوی، مشاور ارشد تحقیقاتی Hyperion، HPC Market Dynamics می‌گوید: «در پنج سال آینده شاهد تبدیل شدن هوش مصنوعی در لبه خواهیم بود.

ARM Atom، GPU و دیگر پردازنده‌های تعبیه‌شده در حال حاضر در دستگاه‌های لبه‌ای مانند تلفن‌های همراه، حسگرها، خودروها، سیستم‌های تصویربرداری پزشکی تشخیصی، سیستم‌های بازی و بسیاری از دستگاه‌های دیگر رایج هستند. این پردازنده‌های جاسازی‌شده احتمالاً به جریان اصلی پشتیبانی از روش‌های هوش مصنوعی تبدیل خواهند شد، زیرا این روش‌ها جایگاه خود را به دست می‌آورند.»

تأثیر صنعت Edge IoT

در سال 2011 عبارت "Manufacturing 4.0" برای اولین بار ظاهر شد. این از تلاش دولت آلمان برای کامپیوتری کردن تولید سرچشمه گرفت و چشم انداز آینده دیجیتالی شدن، اتوماسیون و هوش مصنوعی را برای تولید کارخانه معرفی کرد. در این طرح، فناوری لبه می‌تواند تصمیم‌گیری را در محل یک مشکل یا موقعیت تسهیل کند، جایی که SOCهای تعبیه‌شده با هوش مصنوعی نقش اصلی را ایفا می‌کنند.

امروز ، این تصمیم گیری لبه در زمان واقعی واقعی است. فرآیندهای تولید با تصمیمات مبتنی بر هوش مصنوعی در لبه قدرت می گیرند. در آینده، یک تراشه لبه مجهز به هوش مصنوعی می‌تواند یک هشدار عملی برای خرید در مورد کمبود مواد خام ارسال کند، یا فروش را در مورد احتمال کمبود محصول در صورت یافتن یک جزء ناقص هشدار دهد.

اتوماسیون تراشه هوش مصنوعی Edge نیز لجستیک را متحول می کند.

یک کاروان کامیون می‌تواند با ارتباطات لبه‌ای با تاخیر کم که برای صرفه‌جویی در مصرف سوخت و بهینه‌سازی مسیرها استفاده می‌شوند، ارتباط متقابل برقرار کند. در آینده، تنها برای یکی از این کامیون‌ها می‌توان راننده انسان داشته باشد، و بقیه کاروان با اتوماسیون مبتنی بر SOC کار می‌کنند.

این می تواند یک مشکل عمده صنعت حمل و نقل را حل کند: کمبود رانندگان واجد شرایط. شلی سیمپسون، معاون اجرایی، مدیر ارشد بازرگانی و رئیس خدمات بزرگراه در JB Hunt Transport Services، گفت: «این یکی از دلایلی است که می بینید فناوری زیادی وارد صنعت حمل و نقل می شود.

کالاهای فاسد شدنی را می توان با حسگرهای هوشمند در محفظه بار هر کامیون از نظر دما و رطوبت نیز کنترل کرد.

برای مثال، کامیونی که محصولات را به آتلانتا حمل می‌کرد، به بازار نزدیک‌تر واشنگتن دی سی تغییر مسیر داد. تغییر مسیر پس از آن دستور داده شد که حسگر داخل محفظه بار کامیون به راننده و شرکت تدارکات در مورد خطر خراب شدن محصول در اثر گرم شدن بیش از حد هشدار داد. توانایی شرکت برای پیشبرد در زمان واقعی اطلاعات، از خراب شدن آن جلوگیری کرد و در هزینه ها صرفه جویی کرد. در صنایع غذایی، عمده است. گروه غذا و کشاورزی سازمان ملل متحد تخمین می زند که سالانه یک تریلیون دلار غذا از بین می رود یا هدر می رود.

فناوری تراشه های مجهز به هوش مصنوعی همچنین نحوه عملکرد وسایل نقلیه هوایی و زمینی را تغییر می دهد.

چالش های لجستیکی با پرسنل نظامی در هنگام مشاهده و/یا ورود به یک منطقه خطرناک مواجه می شوند. در گذشته، یک کار نظارتی پرخطر ممکن بود به انسان نیاز داشته باشد که یک منطقه را به طور مستقیم بازرسی کند و پرسنل را در معرض خطر و تلفات جانی قرار دهد.

حالا با پردازش هوش مصنوعی لبه، ناوگانی از پهپادهای بدون سرنشین شناسایی انجام می دهند و در زمان واقعی با هم ارتباط برقرار می کنند. اگر یک پهپاد در یک اسکادران سرنگون شود، ناوگان مشکل را تشخیص داده و شکل خود را برای ادامه ماموریت تنظیم می کند. Saurabh Mishra، مدیر ارشد مدیریت محصول در بخش Edge و IoT SAS، گفت: «مبارزه‌های کاری سخت که به پردازش ورودی‌های حسی متعدد از جمله ویدیو و صدا نیاز دارند، ممکن است باعث فشار بر روی پاکت شوند، مگر اینکه توسط تراشه‌های تخصصی پشتیبانی شوند. پهپادهای خودران، بازوهای روباتیک و اتوماسیون صنعتی همگی نمونه‌های خوبی از نحوه استفاده از این تراشه‌ها هستند.

ژئوپلیتیک و نوآوری

با این وجود، شرکت ها به دلیل نیروهای ژئوپلیتیکی که در صنایع تراشه و نیمه هادی کار می کنند، نگران هستند.

در سال 2019، هواوی بر روی آن قرار گرفت لیست محدود ایالات متحده. سپس انویدیا Arm, Ltd. را در یک معامله 40 میلیارد دلاری خریداری کرد که شامل گوگل، مایکروسافت، کوالکام، اپل، اینتل، سامسونگ، هواوی و آمازون نگران یک تامین کننده مهم است.

در سال 2019، اینتل راه اندازی تراشه هوش مصنوعی را خریداری کرد آزمایشگاه هابانا برای 2 میلیارد دلار، و AMD به دست آورد Xiliinx برای 35 میلیارد دلار.

روند طی 50 سال گذشته این بوده است که نگرانی‌های امنیت ملی نامرتبط از تحلیل‌های اقتصادی که تصمیمات ضدتراست را هدایت می‌کند، کنار گذاشته شود. با این حال، در مواردی که رفتار ضدرقابتی بالقوه برای امنیت ملی نیز مضر است، نباید تعجب کنیم که ایالات متحده آمریکا رویکردی تهاجمی‌تر برای اجرا داشته باشد. کالن اوکیف نوشت، وابسته تحقیقاتی در مرکز مدیریت هوش مصنوعی، دانشگاه آکسفورد.

فناوری اطلاعات زمانی که سرمایه‌گذاری‌های هوش مصنوعی را توجیه می‌کند و تلاش می‌کند تا «آینده» را اثبات کند، باید این شکایت‌ها و اقدامات ضدتراست را در نظر بگیرد.

کانوی گفت: «امروزه هوش مصنوعی به طور گسترده به عنوان کلیدی برای رهبری اقتصادی آینده در نظر گرفته می‌شود، و ابتکارات قوی در چین، ژاپن و اروپا برای کنار گذاشتن اتکا به ایالات متحده و توسعه پردازنده‌های بومی وجود دارد.» دپارتمان‌های فناوری اطلاعات نمی‌توانند کار زیادی برای تأثیرگذاری بر این نبردهای ژئوپلیتیکی انجام دهند، اما می‌توانند برای اطمینان از ایمن بودن منابع پردازنده‌های مورد نیازشان برنامه‌ریزی کنند، به‌ویژه با مذاکره در مورد قراردادهای بلندمدت تأمین‌کننده با بندهای جریمه و حفظ سطح موجودی کافی».

فهرست کارهای IT است

حرکت به سمت IoT با فاکتور کوچک‌تر، تمرکز فناوری اطلاعات را در سه حوزه کلیدی مجبور می‌کند:

معماری فناوری اطلاعات. معماری فناوری اطلاعات باید به گونه ای تنظیم شود که با موارد استفاده تجاری که شرکت ها می خواهند با هوش مصنوعی سطح تراشه حل کنند، تطبیق داده شود. حداقل، این تجدید نظر معماری احتمالاً سه سطح از فناوری فناوری اطلاعات، پردازش و معماری داده را به همراه خواهد داشت: مرکز داده، ابر و لبه.

کانوی که به کار PayPal اشاره کرد، گفت: «نقطه شروع، البته، ترسیم و بهینه‌سازی فرآیند انتها به انتها و استفاده از آن اطلاعات برای اختصاص منابع مناسب در هر نقطه از مسیر است.

کانوی می‌گوید: «نیم دوجین سال پیش، PayPal با تقلب در تراکنش‌های کارت اعتباری مشکل جدی داشت. شناسایی کلاهبرداری تا دو هفته طول می‌کشید و تا آن زمان کلاهبرداری اغلب به کارت‌های مشتریان ضربه می‌زد. این شرکت کامپیوتری با کارایی بالا نصب کرد که می‌توانست در عرض 150 میلی‌ثانیه کلاهبرداری را شناسایی کرده و از آن جلوگیری کند و در سال اول بیش از 700 میلیون دلار صرفه‌جویی در پی پال داشت.

برنامه در PayPal و سایر شرکت‌ها به پردازنده‌های تعبیه‌شده در کارت‌خوان‌ها، همراه با اینترنت برای فرآیند مجوز رفت و برگشت، و سیستم‌های سرور با پردازنده‌های غیر تعبیه‌شده برای بلند کردن وسایل سنگین، در محل یا در فضای ابری متکی است.

مهارت های IT. تنها 47 درصد از پاسخ‌دهندگان به نظرسنجی در گزارش سیگنال‌های اینترنت اشیا مایکروسافت در سال 2019 معتقد بودند که بازار دارای افرادی است که مهارت‌های شغلی IoT لازم را دارند. https://news.microsoft.com/2019/07/30/microsoft-announces-iot-signals-research-report-on-state-of-iot-adoption/.

Saurabh Mishra، مدیر ارشد مدیریت محصول در بخش اینترنت اشیا و Edge SAS گفت: «در دسترس بودن منابع ماهر برای مدیریت استقرار مدل‌های هوش مصنوعی بر روی تراشه‌ها همچنان یک چالش باقی خواهد ماند. «شرکت‌ها نیز باید این را تشخیص دهند

تراشه های هوش مصنوعی لبه گلوله های نقره ای نیستند. آنها در چارچوب یک سیستم بزرگتر کار می کنند. در هنگام استقرار تراشه‌های تعبیه‌شده با هوش مصنوعی بسیار مهم است که به خط لوله کامل فکر کنیم، زیرا یک پیوند ضعیف در بالادست یا پایین دست می‌تواند تقویت هدفمند آنها را خنثی کند.»

پشته‌های نرم‌افزار و سخت‌افزار IoT تجاری می‌توانند به رفع چالش‌های یکپارچه‌سازی خط لوله کمک کنند - اما پردازش هنوز باید در هر لایه توسط فناوری اطلاعات تعریف شود. این شامل مدل سازی و برنامه نویسی SOC ها می شود.

مدیریت سرمایه گذاری. دعواهای ادغام، ضدانحصار و مالکیت معنوی مانند سایر حوزه های فناوری اطلاعات در حوزه هوش مصنوعی/تراشه ادامه خواهد داشت.

خبر خوب این است که بخش‌های فناوری اطلاعات شرکت‌ها با این امر غریبه نیستند.

انتخاب یک راه حل پذیرفته شده در پشته IOT با یک پایگاه کاربر بزرگ، یکی از اشکال محافظت از آینده است، و همچنین اطمینان از مطابقت IoT مورد استفاده شما با استانداردهای امنیتی و APIهای رایج. استراتژی دوم مذاکره با فروشندگان اینترنت اشیا برای مسئولیت و حفاظت از سرمایه گذاری است که در قراردادهای خود تعریف می کنید.

در نهایت، تراشه های مجهز به هوش مصنوعی باید نتایج تجاری را ارائه دهند.

مورالی گوپالاکریشنا، سرپرست تیم تحقیق، می‌گوید: «تاثیر اینترنت اشیاء لبه بر معماری فناوری اطلاعات به موارد استفاده‌ای می‌رسد که از IT خواسته می‌شود، جایی که هوش مصنوعی توانایی پیش‌پردازش اطلاعات را در زمان واقعی و تنها انتقال داده‌های مرتبط و مفید ارائه می‌دهد.» مدیریت محصول برای ماشین های مستقل و مدیر کل رباتیک در NVIDIA.

یک فرآیند بازرسی خودکار هوش مصنوعی در یک کارخانه از اطلاعات بی‌درنگ برای تصمیم‌گیری در چند ثانیه در لبه استفاده می‌کند و در عین حال داده‌های مربوطه را به سیستم‌های بک‌اند برای پس‌پردازش، تجزیه و تحلیل و توسعه مدل‌های جدید خارج از باند به لبه اینترنت اشیا منتقل می‌کند. تصمیمات مبتنی بر."

برنامه‌ها می‌توانند سرنشینانی را که ماسک زده‌اند شناسایی کرده یا تعداد آن‌ها را بشمارند تعداد افرادی که وارد یک فضا می شوند و از آن خارج می شوند با ایجاد نقشه های حرارتی برای اطمینان از عدم تجاوز از محدودیت های اشغال. گوپالاکریشنا گفت و با وجود سنسورهای اضافی، دوربین ها و اتوماسیون در اینترنت اشیا و در لبه، هوش مصنوعی برای مدیران فناوری اطلاعات و معماری زیرساخت مرتبط تر خواهد شد.