Практическое применение Edge AI

Технология периферийного ИИ, которая обрабатывает и анализирует данные непосредственно на устройствах, например персональных компьютерах, устройствах Интернета вещей или специализированных периферийных серверах, ускоряет и упрощает хранение и обработку данных за счет выполнения операций локально. Она помогает избежать распространенных проблем облачных систем, таких как задержки и ограничения пропускной способности, обеспечивая более быструю и надежную работу. Например, в автономных транспортных средствах локальная обработка необходима для принятия решений в реальном времени — например, чтобы мгновенно обнаруживать препятствия или реагировать на сигналы светофора. Обрабатывая данные непосредственно в автомобиле, периферийный ИИ обеспечивает мгновенную реакцию, которая была бы слишком медленной при обращении к удаленному облачному серверу.

Периферийный ИИ становится все популярнее: согласно прогнозам, мировой рынок к 2034 году достигнет 143,06 млрд долларов. Разные отрасли используют периферийный ИИ для улучшения рабочих процессов, автоматизации задач и внедрения инноваций, одновременно решая такие проблемы, как задержки, безопасность и стоимость.

В этой статье мы рассмотрим, как периферийный ИИ меняет такие области, как здравоохранение и производство, а также обсудим несколько важных моментов, которые следует учитывать при его внедрении.

Рис. 1. Мировой рынок периферийного ИИ.

Как работает Edge AI#

Периферийный ИИ объединяет периферийные вычисления и искусственный интеллект (AI). Периферийные вычисления — это технологическая концепция, при которой данные обрабатываются ближе к месту их создания, что обеспечивает аналитику в реальном времени, повышает надежность и снижает расходы. Компонент ИИ переносит алгоритмы машинного обучения непосредственно на периферийные устройства, позволяя им самостоятельно принимать интеллектуальные решения. Такой подход уменьшает потребность в централизованном облаке или центре обработки данных, которые могут вызывать задержки обработки. При этом облако по-прежнему можно использовать для более сложного хранения данных, крупномасштабного анализа и обновления моделей ИИ, дополняя более быструю локальную обработку на периферии.

Рис. 2. Обзор периферийного ИИ.

Рассмотрим, как работают системы Edge AI:

• Сбор данных: датчики устройства собирают необработанную информацию об окружающей среде, например показания температуры или данные о состоянии оборудования на производстве.
• Очистка данных: собранные данные быстро обрабатываются на устройстве, чтобы отфильтровать шум и выделить важные сведения.
• Получение прогнозов: Очищенные данные анализирует модель AI, встроенная непосредственно в периферийное устройство.
• Принятие решений: на основе анализа система ИИ принимает решения и выполняет необходимые действия или инициирует ответные реакции.

Edge AI и Cloud AI#

Edge AI и Cloud AI — два разных подхода к внедрению AI, каждый со своими преимуществами и компромиссами. Как мы уже говорили об Edge AI, данные обрабатываются непосредственно на локальных устройствах, что обеспечивает низкую задержку, повышенную конфиденциальность и минимальную зависимость от подключения к интернету.

В отличие от периферийного ИИ, облачный ИИ использует удаленные серверы для обработки данных, обеспечивая более широкие возможности масштабирования и гибкость. Однако это зачастую приводит к увеличению задержек и расхода трафика, поскольку данные приходится передавать через интернет. Облачный ИИ также может вызывать опасения по поводу конфиденциальности, так как конфиденциальные данные необходимо передавать на внешние серверы и хранить там.

Рис. 3. Edge AI и Cloud AI.

Еще одно важное различие — затраты и нагрузка на сеть, связанные с облачным ИИ. Обработка данных на мощных удаленных серверах может обходиться дорого, особенно при работе с большими объемами данных, например видео или аудио. Передача таких данных по сети создает дополнительную нагрузку.

Edge AI решает эти проблемы, обрабатывая данные непосредственно на устройстве: это сокращает связанные с облаком расходы, снижает нагрузку на сеть и позволяет безопасно хранить конфиденциальную информацию на месте. Вместо исходных данных обычно передаются только конечные результаты (или результаты инференса), что делает решение эффективнее и лучше защищает конфиденциальность.

Edge AI для распознавания изображений#

Приложения компьютерного зрения часто анализируют огромные объемы неструктурированных данных (данных без заранее заданного формата), главным образом изображений и видео. Передача всех этих данных на удаленный облачный сервер для обработки может быть неэффективной, если требуется мониторинг в реальном времени. Отличное решение этой проблемы — запуск моделей компьютерного зрения на периферийных устройствах.

Модели компьютерного зрения, такие как Ultralytics YOLO11, часто обучают в облаке, но можно развернуть на периферии, чтобы поддерживать приложения реального времени непосредственно на месте. YOLO11 специально разработана для задач, требующих мгновенной реакции, поэтому особенно полезна в таких приложениях, как системы безопасности, системы контроля качества и устройства умного дома. Эти приложения работают эффективнее, когда обрабатывают данные локально, непосредственно там, где собирается визуальная информация — с камер, датчиков и других устройств.

Рис. 4. Развертывание моделей компьютерного зрения на периферии.

Применение Edge AI#

Теперь, когда мы разобрались, что такое Edge AI, рассмотрим подробнее несколько примеров его применения в реальном мире.

Edge AI в здравоохранении#

Быстрая диагностика и высокий уровень медицинской помощи — главные приоритеты любого медицинского учреждения, и периферийный ИИ играет важную роль в достижении этих целей. Благодаря периферийному ИИ и умным устройствам здравоохранение претерпевает значительные изменения. Вместе эти технологии помогают создавать более быстрые, безопасные и оперативные системы медицинской помощи.

Например, носимые устройства на базе периферийного ИИ могут постоянно отслеживать жизненно важные показатели, такие как частота сердечных сокращений, артериальное давление, уровень глюкозы и дыхание. Они также способны обнаруживать внезапные падения и немедленно уведомлять людей, ухаживающих за пациентом. В машинах скорой помощи периферийный ИИ может анализировать данные с мониторов пациента на месте. Результаты анализа можно передавать врачам, чтобы они подготовили лечение до прибытия пациента в больницу.

Периферийный ИИ также может помочь с развертыванием моделей компьютерного зрения, например YOLO11, для таких задач, как обнаружение объектов — в данном случае медицинского персонала. Эта задача заключается в определении местоположения и перемещений медицинских работников в помещении в реальном времени, что помогает контролировать соблюдение протоколов безопасности и улучшает ситуационную осведомленность.

Обнаружение объектов помогает проверить, правильно ли расположен персонал во время процедур и соблюдает ли он правила гигиены и безопасности, например безопасное расположение относительно оборудования. Периферийный ИИ предоставляет важные сведения без необходимости постоянного подключения к облаку в операционной, обеспечивая конфиденциальность и оперативную обратную связь для медицинских команд.

Рис. 5. Пример мониторинга персонала больницы с помощью Ultralytics YOLO11.

Edge AI для промышленной автоматизации#

Производители по всему миру используют технологию Edge AI, чтобы ускорить работу, повысить эффективность и производительность. Благодаря данным в реальном времени с датчиков и IoT-устройств Edge AI обеспечивает прогнозное обслуживание: заводы могут выявлять первые признаки неисправности оборудования и прогнозировать поломки до возникновения серьезных проблем. Такой упреждающий подход помогает сократить простои, продлить срок службы оборудования и обеспечить бесперебойную работу.

Периферийный ИИ также повышает качество продукции: визуальный ИИ выявляет дефекты до упаковки товаров для отправки. Анализируя изображения и видео непосредственно на месте, периферийный ИИ быстро обнаруживает недостатки и помогает гарантировать, что до клиентов доходят только качественные товары. Мгновенная обратная связь позволяет производителям сразу устранять проблемы, сокращать отходы, повышать стандарты продукции и улучшать удовлетворенность клиентов.

Edge AI для домашних IoT-устройств#

Умные дома наполнены устройствами, которые используют периферийный ИИ для улучшения качества жизни жильцов: от умных дверных звонков, автоматически срабатывающих при приближении человека, до света, выключающегося, когда в комнате никого нет. Технологии периферийных вычислений позволяют жильцам, например, видеть, кто стоит у двери, или менять температуру в доме со смартфона, обрабатывая данные на месте, а не на удаленном сервере. Периферийный ИИ помогает защищать конфиденциальность жильцов и снижает риск несанкционированного доступа к личным данным.

В системах домашней автоматизации локальная обработка с помощью периферийного ИИ крайне важна для приложений, которым нужна мгновенная обратная связь. К ним относятся системы безопасности, освещение и управление микроклиматом. Обрабатывая данные на периферии, умный дом может работать автономно, без подключения к интернету. Кроме того, периферийный ИИ в сочетании с компьютерным зрением может улучшить доступность дома. Например, с помощью оценки позы человека можно создать системы обнаружения жестов рук для управления другими устройствами в доме, например освещением или телевизорами.

Рис. 6. Система управления умным домом на базе периферийного ИИ.

Проблемы и ограничения#

Несмотря на свои преимущества, системы Edge AI продолжают развиваться и сталкиваются с рядом проблем и ограничений. Вот несколько ограничений, которые стоит учесть, прежде чем решать, внедрять ли решения Edge AI в бизнесе или дома.

• Риски безопасности: Хотя Edge AI повышает безопасность, сохраняя данные локально, на местном уровне все равно существуют определенные риски, в первую очередь связанные с человеческими ошибками и ненадежными паролями.
• Ограниченные вычислительные мощности: у систем периферийного ИИ обычно меньше вычислительных ресурсов, чем у облачных систем ИИ, поэтому они ограничены выполнением конкретных задач. Облако может работать с крупными моделями, тогда как периферийный ИИ лучше подходит для более простых и небольших задач.
• Проблемы совместимости оборудования: особенно в бизнес-среде периферийный ИИ сталкивается с трудностями из-за разнообразия типов оборудования. Несовместимость может приводить к сбоям и отказам при совместном использовании устройств, не рассчитанных на работу друг с другом.

Использование возможностей периферийных вычислений#

Edge AI помогает отраслям ускорить работу и принимать более взвешенные решения, обрабатывая данные непосредственно в месте их создания. Такой подход ускоряет процессы, повышает безопасность данных и снижает расходы на интернет.

В таких областях, как здравоохранение, производство и умные дома, периферийный ИИ повышает эффективность и помогает быстро принимать решения без постоянного доступа к облаку. Несмотря на некоторые ограничения, например возможные риски безопасности и ограниченные возможности выполнения сложных задач, способность периферийного ИИ обрабатывать данные в реальном времени делает его ценным инструментом будущего.

Чтобы узнать больше, загляни в наш репозиторий GitHub и присоединяйся к нашему сообществу. Изучи приложения ИИ в беспилотных автомобилях и сельском хозяйстве на страницах наших решений.