에지 컴퓨팅

엣지 컴퓨팅은 클라이언트 데이터가 네트워크의 주변부에서 처리되는 분산형 정보 기술 아키텍처입니다. 네트워크의 주변부에서 처리되는 분산형 정보 기술 아키텍처입니다. 데이터 처리 작업을 중앙 집중식 클라우드 컴퓨팅 데이터 센터에서 클라우드 컴퓨팅 데이터 센터로 전환함으로써 이 패러다임은 네트워크 지연 시간과 대역폭 사용량을 크게 줄입니다. 이 접근 방식은 스마트 카메라, 센서, 휴대폰과 같은 디바이스가 로컬에서 로컬에서 실시간 추론을 수행하여 신속한 원격 서버에 대한 지속적인 고속 인터넷 연결에 의존하지 않고도 신속한 의사결정을 내릴 수 있습니다.

AI에서 엣지 컴퓨팅의 관련성

머신 러닝(ML) 모델을 엣지 인프라에 통합함으로써 을 엣지 인프라에 통합함으로써 업계에서 데이터를 처리하는 방식이 혁신적으로 바뀌었습니다. 하드웨어에서 직접 알고리즘을 실행함으로써, 조직은 다음과 같은 몇 가지 중요한 이점을 누릴 수 있습니다. 컴퓨터 비전(CV) 및 IoT 애플리케이션:

• 지연 시간 단축: 시간이 중요한 애플리케이션의 경우, 클라우드에 데이터를 전송하고 응답을 기다리는 데 필요한 왕복 시간은 클라우드에 데이터를 전송하고 응답을 기다리는 데 필요한 왕복 시간은 종종 용납할 수 없는 수준입니다. 엣지 컴퓨팅은 밀리초 수준의 응답 시간을 지원하므로 자율 시스템에 필수적입니다.
• 대역폭 효율성: 수천 대의 카메라에서 고화질 비디오를 스트리밍하려면 막대한 대역폭을 소비합니다. 비디오 스트림을 로컬에서 분석하면 디바이스가 메타데이터나 알림만 전송할 수 있어 데이터 전송 비용을 대폭 절감할 수 있습니다. 데이터 전송 비용을 대폭 절감할 수 있습니다.
• 개인정보 보호 강화: 얼굴 이미지나 의료 기록과 같은 민감한 개인 데이터를 디바이스에서 직접 처리할 수 있습니다, 기기에서 직접 처리하면 전송 중 데이터 유출 위험을 최소화하여 GDPR과 같은 규정 준수를 지원합니다.
• 운영 신뢰성: 엣지 디바이스는 다음과 같은 원격 환경에서 독립적으로 작동할 수 있습니다. 연결이 불안정한 원격 환경(예: 해상 석유 굴착 장치 또는 정밀 농업 기술을 활용하는 농업 현장)에서 정밀 농업 기술을 활용합니다.

엣지 컴퓨팅 vs. 관련 개념

분산 처리의 환경을 완전히 이해하려면 엣지 컴퓨팅을 유사한 용어와 구별하는 것이 도움이 됩니다. 용어와 구별하는 것이 도움이 됩니다:

• 엣지 AI: 종종 같은 의미로 혼용되어 사용되기도 하지만, 엣지 AI는 구체적으로 엣지 플랫폼에서 인공 지능 알고리즘을 로컬 하드웨어. 엣지 컴퓨팅은 물리적 인프라와 토폴로지를 제공하는 반면, 엣지 AI는 해당 인프라에서 실행되는 해당 인프라에서 실행되는 특정 인텔리전트 워크로드를 설명합니다.
• 사물 인터넷(IoT): IoT란 데이터를 수집하고 교환하는 센서, 소프트웨어, 기타 기술 등 연결된 사물의 물리적 네트워크를 의미합니다. 엣지 컴퓨팅은 이러한 IoT 장치에서 생성된 데이터를 처리하는 처리 계층입니다. IoT 디바이스.
• 포그 컴퓨팅: 흔히 분산형 컴퓨팅 인프라로 설명됩니다, 포그 컴퓨팅은 엣지와 클라우드 사이의 중간 계층 역할을 합니다. 일반적으로 데이터 집계 및 예비 처리를 처리합니다. 인사이트를 클라우드로 전송하기 전에 로컬 영역 네트워크(LAN) 수준에서 처리합니다.

실제 애플리케이션

엣지 컴퓨팅은 다양한 분야에 걸쳐 방대한 혁신 기술을 지원합니다:

• 자율 주행 차량: 자율 주행 자동차는 매일 테라바이트의 데이터를 생성합니다. 수 테라바이트의 데이터를 생성합니다. 자율주행차는 강력한 강력한 온보드 엣지 컴퓨터에 의존합니다. NVIDIA detect 같은 강력한 온보드 엣지 컴퓨터에 의존하여 보행자를 감지하고, 교통 신호를 해석하고, 클라우드의 지시를 기다릴 필요 없이 로컬에서 순식간에 내비게이션 결정을 내립니다. 클라우드 지시를 기다릴 필요 없이
• 스마트 제조: 인더스트리 4.0의 인더스트리 4.0의 영역에서 공장은 엣지 게이트웨이를 활용하여 를 활용하여 장비 상태를 모니터링합니다. 알고리즘은 진동 및 온도 데이터를 분석하여 기계 고장을 사전에 파악하여 유지보수 일정을 최적화하고 가동 중단 시간을 줄이는 예측 유지보수를 수행합니다.
• 스마트 리테일: 매장에서는 에지 디바이스에서 물체 감지 기능을 사용하여 재고를 실시간으로 관리하고 계산원 없는 계산대 환경을 구현하며, 매장 내 비디오 피드를 처리하여 제품 이동 track 및 분석 고객 행동을 분석합니다.

엣지용 모델 최적화

엣지 디바이스에 AI 모델을 배포하려면 종종 라즈베리 파이 또는 라즈베리 파이와 같이 제한된 전력과 메모리를 가진 하드웨어에서 효율적으로 실행되도록 최적화 기술이 필요합니다. 전원과 메모리가 제한된 라즈베리 파이나 Google 엣지 TPU. 다음과 같은 기술 모델 양자화 및 같은 기술은 모델 크기와 계산 부하를 줄여줍니다.

일반적인 워크플로에는 다음과 같은 모델 훈련이 포함됩니다. YOLO11 와 같은 고도로 최적화된 포맷으로 내보내는 것입니다. ONNX 또는 TensorRT 를 배포할 수 있습니다.

다음 Python 예제에서는 YOLO11 모델을 ONNX 형식으로 내보내 배포할 수 있도록 준비하는 방법을 보여줍니다. 배포할 준비를 하는 방법을 보여줍니다:

from ultralytics import YOLO

# Load a lightweight YOLO11 model (Nano size is ideal for edge devices)
model = YOLO("yolo11n.pt")

# Export the model to ONNX format for broad hardware compatibility
# This generates a 'yolo11n.onnx' file optimized for inference engines
model.export(format="onnx")