Przyzwyczailiśmy się, że zaawansowane systemy informatyczne przetwarzają dane w odległych centrach obliczeniowych. Tymczasem w przemyśle coraz większe znaczenie ma rozwiązanie odwrotne: analiza informacji bezpośrednio tam, gdzie one powstają. To właśnie idea Edge AI.
Co dzieje się z obrazem z kamery?
Wyobraźmy sobie instalację przemysłową wyposażoną w kilkadziesiąt kamer. Każda z nich nieustannie rejestruje obraz, generując duże ilości danych.
Jeśli wszystkie strumienie wideo miałyby być przesyłane do odległego serwera w celu analizy, należałoby zapewnić odpowiednią przepustowość sieci, stabilne połączenie oraz zasoby obliczeniowe po stronie centralnej.
W wielu zastosowaniach nie jest to konieczne.
Jeżeli zadaniem systemu jest rozpoznanie określonego obiektu, policzenie przedmiotów na taśmie albo wykrycie zdarzenia w wyznaczonej strefie, analiza może odbywać się lokalnie.
Czym jest Edge AI?
Edge AI oznacza wykorzystanie modeli sztucznej inteligencji na urządzeniach znajdujących się blisko źródła danych.
Może to być komputer przemysłowy umieszczony przy linii produkcyjnej, urządzenie obliczeniowe współpracujące z kamerą lub inny lokalny komponent infrastruktury.
Obraz jest przetwarzany na miejscu, a do systemu centralnego trafia wynik analizy: liczba obiektów, ich klasyfikacja, informacja o zdarzeniu albo alarm.
Nie zawsze trzeba przesyłać cały materiał wideo, aby otrzymać użyteczną informację.
Co się stanie, gdy zabraknie internetu?
To jedno z ważniejszych pytań przy projektowaniu systemów przeznaczonych do pracy przemysłowej.
W architekturze opartej wyłącznie na zdalnym przetwarzaniu utrata łączności może uniemożliwić wykonywanie analizy.
W odpowiednio zaprojektowanym systemie Edge AI lokalne urządzenie może kontynuować pracę mimo przerwania połączenia z serwerem centralnym. Wyniki są zapisywane lokalnie, a po przywróceniu łączności synchronizowane.
Dla zakładu pracującego w trybie ciągłym oznacza to mniejszą zależność pomiaru od dostępności sieci.
Nie znaczy to jednak, że każda instalacja Edge AI automatycznie posiada takie zabezpieczenie. Mechanizmy buforowania, synchronizacji i odzyskiwania pracy muszą zostać uwzględnione w architekturze systemu.
Mniej przesyłanych danych, większa kontrola
Lokalna analiza obrazu może również ograniczać ilość informacji opuszczających obiekt.
Zamiast przesyłać pełne nagrania, system może przekazywać jedynie wyniki niezbędne do realizacji określonego zadania.
Ma to znaczenie zarówno dla obciążenia infrastruktury sieciowej, jak i dla sposobu organizacji przetwarzania danych.
Nie oznacza jednak, że samo zastosowanie Edge AI rozwiązuje wszystkie kwestie cyberbezpieczeństwa. Nadal potrzebne są odpowiednie mechanizmy uwierzytelniania, szyfrowania komunikacji, kontroli dostępu i monitorowania działania urządzeń.
Edge czy chmura? To nie musi być wybór
W praktyce oba podejścia mogą się uzupełniać.
Urządzenie lokalne odpowiada za bieżącą analizę obrazu, a serwer centralny za gromadzenie wyników, historię zdarzeń, raportowanie i prezentację danych.
Taka architektura pozwala oddzielić zadania wymagające lokalnego przetwarzania od funkcji, które mogą być realizowane centralnie.
Właśnie na tym podejściu opieramy architekturę rozwiązań Vulpix.
Najważniejsza jest niezawodność całego systemu
W zastosowaniach przemysłowych skuteczność modelu AI nie wystarcza do oceny jakości rozwiązania.
Równie ważne jest to, czy system działa przez wiele godzin bez ingerencji użytkownika, czy potrafi odzyskać pracę po problemach technicznych i czy nie traci wyników pomiarów.
Dlatego pytanie nie powinno brzmieć wyłącznie: „Jak dobrze model rozpoznaje obraz?”.
Warto zapytać również: „Co stanie się z naszym procesem pomiarowym, gdy połączenie z serwerem zostanie przerwane?”.
Odpowiedź na to pytanie często mówi o gotowości technologii do zastosowań przemysłowych więcej niż najbardziej efektowna demonstracja sztucznej inteligencji.
No responses yet