인공 지능 (AI)으로, 최근 몇 년 동안 가장자리 (에지 컴퓨팅) 기술을 가전 제품 및 가전 제품 혁명적 인 변화가 점진적으로 일어날 포함되어 스마트 홈 개념의 다양한의 급속한 발전을 운영하고 있습니다. 결국, 다양한 가전 제품으로 구성된 인공 지능 네트워크는 아마 당신이 될 것이며 나는 다른 가족 구성원을 볼 수 없습니다. 지역 클라우드 및 관련 장비의 개념, 필수 불가결 한 가정을위한 인공 지능 네트워크의 요소가 될 것입니다.
스마트 스피커 / 모니터링은 소비자 AI의 두 가지 주요 축이 될 것입니다.
추세와 함께 소비자 기술 연구원 로난 드 Renesse의 발전을 추적하기위한 책임 연구 기관인 오범 소비자 가전 분야에서 AI의 응용 프로그램이, 거의 2 년이 종종 언론의 관심의 초점이 될 것을 (그림 1), 그러나 가전 제품 및 AI, 앞으로 3 ~ 5 년 내에 많은 가전 제품이 인공 지능 기능을 수행하고 서로 연결되어 인공 지능 네트워크를 형성하게 될 것입니다.
그림 1 Ronan de Renesse, Ovum의 소비자 기술 연구원은 미래의 가정에서 다양한 전자 장치가 보이지 않는 가족 구성원이 될 것이라고 믿습니다.
하드웨어 체인의 경우, 비록 이러한 경향은 많은 새로운 비즈니스 기회를 가져올 것이다, 그러나보기의 높은 수준의 관점에서,이 조용히 집에서 인공 지능 네트워크를 입력 한 경우, 당신은 내가 또 다른 "가족이 표시되지 않는 것 회원. "
. 때 추정 된 2022 글로벌 스마트 스피커가 매출에 상당한 성장 수 있지만 성장 강도가 점차적으로 향후 5 년간 둔화 될하지만 하드웨어 측면에서 친숙한 스마트 스피커는 기본적으로 상대적으로 성숙 된 제품이며, 거의 $ 9.5 억 매출 금액. 사실은, Renesse의 제품 자체는 이익 마진이 없기 때문에 구글과 아마존 (아마존) 아마,이 두 가지, 미래의 스마트 스피커의 자체 브랜드를 시작하지 않을 것이라는 생각 홈 네트워크 거대 기업의 경우 하드웨어 공급 업체가 플랫폼 서비스를 사용하는 한 필요한 사용자 데이터를 수집 할 수 있습니다.
지능형 스피커, 소위 스마트 홈 모니터링 제품을 제공 사실이 아닌 인공 지능의 구성 요소,하지만보다 같은 기간 동안, 집 지능형 모니터링 시스템의 변화는 제품은 더 분명 것 카메라, 알람, 잠금 장치, 센서 및 기타 하드웨어 서로 연결된 제품은 지원 이벤트 트리거 보안 시스템 (이벤트 트리거) 함수를 형성한다.하지만 같은 관련 하드웨어 및 소프트웨어 기술은 인공 지능을 갖춘 미래의 집에 감시 카메라의 비율이 점점 높아질 것뿐만 아니라 더 달성하기 위해, 더 정교 해지고있다 음성 도우미 사용과 같은 응용 프로그램은 다중 사용자 환경에서보다 정확한 서비스를 여러 사용자에게 제공합니다.
AI 앱을위한 소비자 개인 정보 보호
그러나, 하드웨어 업계가 가장 주목할만한는 일반적으로 AI와 재 임대 지원 홈 장치와 함께 지역의 구름 (로컬 클라우드) 개념 및 관련 응용 제품 일 수있다. Renesse의 지적, 전자 제품의 AI 기능이 탑재하는 것 사용자 데이터의 많은 양을 생산하지만, 가전 제품의 인공 지능을 갖춘 분명히 개인 정보 보호 문제의 원인이됩니다, 운영하기 위해 외부 클라우드에 전적으로 의존하는 경우 데이터 개인 정보 보호의 많은, 따라서. 위태로워있다.
반면에, 많은 기능이 상대적으로 간단한 일 소비자 장치, 전력, 컴퓨팅 파워에 의해, 생산 및 기타 조건의 비용이. 매우 고급 인공 지능 알고리즘을 지원하지 못할 수 있습니다이 때, 로컬 클라우드 장치는 뇌의 역할을 할 것이다, 이러한 장치를 균일하게 주문하십시오.
그러나 Renesse는 어느 기기가 지역 클라우드 센터를 담당 할 것인가를 주장하기는 여전히 어렵다고 인정했으며, 고차원 스마트 스피커 일 수도 있고 스마트 TV 또는 다른 제품 일 수도 있습니다.
Arm의 수석 마케팅 디렉터 인 Ian Smythe (그림 2)는 앞으로도 더 많은 컴퓨팅 및 추론 엔진이 터미널로 이동하게 될 것이라고 믿습니다.이 전송의 주요 추진력은 사용자의 개인 정보를 보호하는 것입니다. . 최종 처리 및 분석 작업에 의해 데이터가 쉽게 익명으로 할 수 있으며, 중요한 데이터가 네트워크를 통해 공개되지 않도록 할 수 있습니다. 가족 응용 프로그램, 예를 들어, 소비자가 원하지 않는 네트워크에서 누군가가 그의 가족은하지 않았다 사실을 알게 사람들의 시간, 그리고 쉽게 집에서 훔치기.
그림 2 Ian Smythe, Arm의 수석 마케팅 이사는 소비자 AI 애플리케이션의 경우 개인 정보 보호 메커니즘이 안정적인지 여부가 애플리케이션의 대중화 여부를 결정하는 열쇠가 될 것이라고 말했다.
시각적 응용 프로그램의 경우 Smythe는 시각적 인식을 지원하는 카메라가 본질적으로 중요한 개인 정보 보호 문제라고 생각합니다. 분명히 이러한 장치는 로컬에 저장되거나 클라우드로 전송 될 때 보호 될 수 있도록 설계되어야합니다. 개인 정보 및 민감한 정보. 전송이 일반적으로 무선으로 연결되어 있기 때문에, 당신은 무선 전송 보안에주의를 지불해야합니다. 장치의 엔지니어 디자인은보고, 네트워크 연결 장치가 해킹되지 않도록해야합니다.
배터리 수명은 여전히 주요 기술 과제입니다.
그러나 AI를 에지 노드로 밀어 넣으려면 현재 시스템의 전력 소비가 가장 큰 기술적 과제인데, 소비자 감시 카메라를 예로 들면 소비자는 이러한 제품이 완전히 무선 일 것으로 기대할 수 있으며 전원 케이블을 연결하지 않는 것이 가장 좋습니다. 즉,이 유형의 제품은 배터리 전원을 사용해야하며 무선 네트워크도 지원해야하며 모든 항목을 식별 할 수 있어야하며 무제한 저장 공간이 필요합니다.
위에서 언급 한 요구 사항은 ML (시스템 학습) 기능을 실행하기 위해 중단없는 배터리를 실행하고 파일을 클라우드에 지속적으로 업로드하여 칩 설계 및 시스템 구성 요소에 사용할 수있는 능력을 요구하는 시스템 설계에 큰 문제를 제기합니다. 요구 사항은 매우 까다로 우며, 가장 중요한 것은 배터리 수명을 연장하기 위해 이러한 기능을 조정할 수 있어야한다는 것이 었습니다.
가정용 감시 카메라의 경우 카메라가 24 시간 동안 영상을 전송할 필요가 없으며 확인되지 않은 사람이있을 때 이미지의 일부만 업로드하는 것이 합리적입니다. 마찬가지로, 공석 같은 장면이 동일하면, ML 알고리즘을 활성화하는 것은 이치에 맞지 않습니다. 소비자 장치가 예상 모드로 작동 할 수 있도록 이러한 기능을 사용할 수있는 위치와시기를 신중하게 배열하여 단 3 건전지 2 개만 필요하며 오랜 기간 동안 정상적으로 사용할 수 있습니다.
전력 소모는 AI가 터미널 장치에 들어가는 주요 장애물 중 하나이기 때문에 시중에 나와있는 많은 신생 기업이 칩을 지원하기 위해 저전력 신경망 (NN) 가속기 인 실리콘 IP (Intellectual Property)를 출시 할 기회를 얻고 있습니다. Keneron은 전력 소모를 줄이면서 알고리즘 추론에 필요한 성능을 충족시킬 수있게되었으며, Kernon은 공식적으로 단말기 장치 용 전용 인공 지능 프로세서 인 NPU 시리즈를 출시했습니다. 이 시리즈에는 스마트 폰, 스마트 홈, 스마트 보안 및 다양한 IoT 장치의 요구를 충족시킬 수있는 초 저전력 버전 KDP 300, 표준 버전 KDP 500 및 고성능 버전 KDP 700의 세 가지 제품이 포함되어 있습니다. 모든 제품은 전력 소비가 적고 크기가 작으며 강력한 컴퓨팅 기능을 제공합니다. 시장에서 인공 지능을위한 프로세서의 전력 소비와 달리 Kernon NPU IP는 100 밀리 와트를 소비합니다. (mW) 클래스는 스마트 폰을위한 얼굴 인식 전용 KDP 300의 경우 5 밀리 와트 미만을 소비합니다.
Endurance Products의 Shi Yalun 마케팅 및 응용 프로그램 관리자 (그림 3 왼쪽)는 전력 소비 및 성능 요구 사항을 충족시키면서 단말기 장치에서 인공 지능 작업을 수행해야하는 것이 최우선 과제라고 지적하므로 개별 응용 프로그램에 최적화 된 솔루션을 제공하는 것이 중요합니다. 현재 인공 지능의 응용은 음성과 영상의 두 가지 주요 범주로 크게 나눌 수 있으며 사용되는 신경망 구조는 다르다. 음성 응용 프로그램의 핵심은 자연 언어 분석이다. 주류 네트워크 아키텍처는 순환 신경망 (recurrent neural network, RNN)이다. 이미지 분석에 사용되는 주요 네트워크 구조는 CNN (convolutional neural network)입니다. 서로 다른 네트워크 구조를 최적화하기 위해이 기능이 제공하는 솔루션이 다릅니다.
에너지 강도를위한 소프트웨어 설계 관리자 인 Shen Mingfeng (그림 3, 오른쪽)은 자연어 분석이 언어의 톤으로 인해 칩 컴퓨팅 성능에 대한 요구가 낮지 만 말하기 습관에 큰 차이가 있으므로 모델 교육에 필요한 데이터 세트가 필요하다고 덧붙였다. 반면에 비디오 인식은 소비자가 이미 Apple Siri 및 Google Assistant와 같은 클라우드 기반 음성 도우미를 사용하는 데 익숙하므로 오프라인 의미 분석 응용 프로그램이 소비자에게 선호됩니다. 전제 조건은 제한된 컴퓨팅 리소스에서 유사한 소비자 경험을 제공해야한다는 것입니다. 이는 칩 공급 업체 및 시스템 개발자에게 어려운 과제입니다.
그림 3 Aaron Alan (왼쪽) Endurance Products의 마케팅 및 응용 프로그램 관리자는 말하기와 이미지 인식이 특성상 매우 다르며 다른 솔루션으로 충족해야한다고 생각합니다. 오른쪽은 소프트웨어 개발의 소프트웨어 디자인 관리자 인 Shen Mingfeng입니다.
사실, 대다수의 스마트 스피커는 여전히 최첨단 컴퓨팅 제품이 아닙니다. Allen Aaron은 Amazon의 Echo, Apple의 Homepod 또는 Baidu, Alibaba 플랫폼의 스마트 스피커이든간에 최종 제품에서 직접 수행 할 수있는 음성 작업은 주로 컴퓨터 기반 자연어 의미 이해가 아닌 규칙 기반 작업입니다.
Nasdalem은 2016 년에 터미널 장치 전용의 인공 지능 프로세서 인 NPU IP가 출시 된 이래로 지속적으로 설계 및 사양을 개선하고 다양한 산업 애플리케이션에 최적화되었습니다. 현재 고객이 사용할 수있는 IP 중에서 KDP 500은 시스템 공장 고객에 의해 채택되어 2 분기에 생산 테이프 생산 (Mask Tape-Out)에 진입 할 것이며, Sogou와 협력하여 음성 인식은 오프라인 시맨틱 분석을 달성했으며, 터미널 장비가 네트워크에 연결되지 않은 경우에도 사용자의 음성 안내를 이해할 수 있습니다.
Kneron NPU IP 오프라인 환경에서, 단말 장치, 당신은 ResNet을 실행할 수 있도록 설계되어, 단말 장치를위한 인공 지능 프로세서 최선을 다하고, 욜로 다른 깊은 학습 네트워크는. Kneron NPU 하드웨어를 포함하여 완벽한 엔드 - AI 하드웨어 솔루션입니다 IP, 컴파일러 (컴파일러) 및 압축 모델 (모델 압축) 세 부분, 예 Resnet-18 Resnet-34 Vgg16, GoogleNet 및 Lenet뿐만 아니라 일반 지원 깊은 배우는 주류 신경망 모델의 다양한 지원 Caffe, Keras 및 TensorFlow를 포함한 프레임.
Kneron NPU IP 소비 전력은 100 mW의 레벨, 초 저전력 상기 KDP (300)의 버전 또는 5 미만 메가 와트 / W 이상, 독점적 기술의 번호의 사용은 수 성능 와트 당 1.5 TOPS에서 제품의 전체 범위 칩 공급 업체, 저전력 소모 시스템 공급 업체, 높은 컴퓨팅 파워에 대한 요구를 충족하십시오.
기본 요소 잠금 하드웨어 가속기는 기술적 인 반복을 두려워하지 않습니다.
(고정 배선) 회로를 경화하는 연령대 전력 소모, 칩 설계를 감소, 특정 컴퓨팅 작업의 효율성을 향상, 이에 칩 기능에 대한 시장 수요의 경우 낮은 애플리케이션 유연성, 큰 변화의 비용 , 또는 소프트웨어 알고리즘이 급격하게 변화하면 칩 설계자는 새로운 칩을 다시 개발해야합니다.
칩 기능에 대한 수요의 경우는 기본적으로 해결되었으며,이 디자인은 문제가되지 않습니다 만, 빠른 반복 기술의 새로운 기술에,이 디자인 접근 방식을, 사업에 상대적으로 큰 위험이 될 것입니다 인공 지능은 매우 빠르고 숙련 된 반복, 모델 가능합니다. 열기 AI 조사 회사와 새로운 알고리즘은 또한 지난 6 년 동안, 컴퓨팅 파워 수요 AI 교육 모델은 월마다 3.43 증가 할 것으로 지적 거의 매년 시간.
이와 관련, 쉔 명나라 풍수 지적, 하드웨어 가속기가 더 탄력없는 필요는 없다. 에너지 제품에 대한 저항, 예를 들어, 건축 디자인, 회사는 큰 컨볼 루션 커널 회선 회선 커널 분할 (필터 분해) 기술을 사용 별도로, 다음 조합 재구성 가능한 하드웨어 가속 컨벌루션은 (재구성 컨벌루션 가속) 컨벌루션 연산 블록으로 분할 된 소 블록의 복수의 기술 작은 다수의 블록이 전체적인 가속화 융합 조작의 컨볼 루션 연산 결과를 산출 운영 효율성.
레고 벽돌이 객체를 구축하는 다양한 패턴으로 결합 할 수 있습니다처럼 쉽게 비유는 이해하지만, 객체 자체는 여전히 몇 가지 기본적인 상자에서 전체 스택입니다. 저항 에너지 프로그램은 인공 지능 알고리즘을 위해 필수적이다 전체 알고리즘의 실행 성능을 향상시키기 위해 기본 요소를 가속화하므로 AI 알고리즘이 매우 빠른 속도로 업데이트 되더라도 성능 기반 솔루션은 여전히 가속 효과를 발휘할 수 있습니다.
액셀 이외에 자체가 예컨대 그 모델의 압축 모델로 특정 알고리즘, 전체적인 외부 저항을 촉진하는 것도 가속 기술 및 AI의 애플리케이션을 제공 할 수있는 것이 아니라, 기본 요소의 설계 또는 배치된다 (모델 압축) 압축 기술은 최적화되지 않은 넣어 횟수; 계층 메모리 저장 기술 (멀티 - 레벨 캐싱)는 CPU의 부하를 감소시키고 더욱 또한 전체적인 작업 효율을 향상시키기 위해, 데이터 전송의 양을 줄일 수 Kneron NPU IP가 Kneron 화상 인식 소프트웨어를 조합 할 수 있고, 실시간으로 인식 분석 및 고속을 제공한다. 응답은 안정적 일뿐만 아니라 보안 및 개인 정보 보호 요구 사항을 충족합니다. 하드웨어와 소프트웨어를 긴밀하게 통합 할 수 있으므로 전체 솔루션이 작아지고 전력 소모가 적어 제품의 신속한 개발을 지원합니다.
이미지 인식 AI가 가장자리쪽으로 더 긴급합니다.
지능형 스피커이 거대한 잠재 시장 애플리케이션하지만,이 내기 미만 산업 자원이 있지만 전반적으로, 이미지 인식에 대한 현재의 시장 수요는 더 긴급한, 오프라인 의미 분석이다.이 현상에 대한 주요 이유는 이미지이다 전송은 많은 양의 대역폭을 차지하게되고 전체 시스템 소유 비용이 증가하게됩니다. 음성에는 이러한 문제가 없습니다.
Jingxin Technology의 Lin Zhiming (그림 4)은 인공 지능과 Things of Internet의 통합으로 에지 컴퓨팅 기술이 도입 될 것이며 에지 컴퓨팅 기술은 다양한 새로운 응용 프로그램에 적용될 것이라고 설명했습니다. 이러한 추세 가운데 유연성과 속도가 대만 제조업체에게 가장 큰 장점이며, 대부분의 대만 기업과 IC 설계 회사의 경우 인공 지능 시장을 최전선에서 쉽게 잘라낼 수 있습니다.
그림 4 : Jingxin Technology의 Zhixin Lin 총괄 관리자는 IP Cam이 에지 장치에서 AI 추측을 수행하는 주요 응용 프로그램 중 하나가 될 것으로 예상합니다.
동시에 에지 컴퓨팅 기술의 도입으로 인해 메모리 및 전송과 같은 하드웨어 요구 사항이 증가하여 제조 비용이 크게 증가합니다. 원래 이미지 관련 시스템 온칩 (SoC)은 원래 다른 응용 프로그램보다 복잡하기 때문에, 비용 내구성도 크기 때문에 에지 컴퓨팅 기술은 IP Cam과 같은 이미지 관련 응용 프로그램에서 처음으로 가져올 것으로 예상됩니다.
인공 지능 응용 프로그램은 교육 및 식별로 나눌 수 있습니다. 심층 학습의 방대한 컴퓨팅 과정에서 클라우드 컴퓨팅은 단기간에 계속 수행됩니다. 에지 컴퓨팅이 담당하는 작업은 먼저 수집 된 정보를 수행하는 것입니다. 중요하지 않은 정보를 필터링 한 후 초기 처리를 수행하면 데이터를 클라우드에 업로드하여 전송 비용을 절약 할 수 있습니다. 반면에 클라우드에 의해 완료된 심층적 인 학습은 터미널의 식별 기능을 더욱 지능화 할 수 있습니다. 예를 들어 이미지 심화 학습은 클라우드 컴퓨팅으로 먼저 완료 할 수 있습니다. 대기 학습자가 보행자를 인식 한 후 에지의 IP 캠은 식별 작업 만 수행 할 수 있습니다.
반면에 IP Cam은 보안 유지 및 커뮤니티 보안에 널리 사용되기 때문에 정부와 기업은 상대적으로 투자를 기꺼이 지원하고 있으며 이는 IP Cam의 급속한 발전의 이유이기도합니다.
린 밍 점유율은 많은 제조 업체는 자신의 시스템에 인공 지능 칩을 가져 오는 방법을 모색하고 있습니다. 현재의 상황이 일이 바로 우리가 아직 약 2,020 업체로 추정 삭감을 적용하는 방법을 모색하고, 번창하기 시작했을 때와 유사하다 더 많은 실제 제품을 출시 할 예정입니다.
실시간 응용 프로그램은 에지 컴퓨팅 아키텍처를 사용해야합니다.
인공 지능이 점차 에지 컴퓨팅 아키텍처에 클라우드 컴퓨팅 아키텍처에서 전송 요즘 화제이다, 인공 지능 기반의 클라우드 컴퓨팅을 개발하기 위해 계속 시간의 짧은 기간에도 불구하고. 공급 체인 제조 업체에 적지 않은 영향을 가져올 것, 그러나 시각 응용 프로그램과 관련된 많은 인공 지능 기능이 가장자리를 가져 오기 시작합니다.
자일링스 개발 이사 (자일링스) 시각 정보 전략 시장 데일 K. HITT (그림 5)는 가까운 미래에, AI 개발 교육 구성 요소가 여전히 클라우드 컴퓨팅에 의해 지배 수 있음을 지적했다. 그러나, 추론 / 구성 요소를 배포하는 것은 시작했다 에지 작업을 사용하여 대기 시간과 네트워크 효율성이 낮은 응용 프로그램을 지원하십시오.
그림 5 Xilinx Visual Intelligence 전략의 시장 개발 이사 인 Dale K. Hitt는 매우 낮은 대기 시간을 필요로하는 애플리케이션의 경우 에지 작업이 최상의 솔루션이라고 믿습니다.
학습에 관련된 머신 비전 애플리케이션을위한 에지 피연산자 요소에 대해, 산업용 머신 비전에서, 스마트 도시, 시각적 분석 및자가 운전 시장은 강한있다, 중요하고 광범위한 트렌드 중 하나. 그리고 것 성능에 대한 요구 사항은 이전 세대의 많은 프로그램보다도 더 높다, 그래서 성장 잠재력. 때문에 산술 가장자리 기계 학습 알고리즘 산업의 비전 및 소비자 애플리케이션의 관점에서 실행된다.뿐만 아니라, 첨단 기계 알고리즘 / 기능도 진화하고 신속하게되었습니다 학습과 삶의 그러므로 모든 계층 미래의 기계 학습 추론 아키텍처를 위해 최적화하기 위해 자체 적응 형 하드웨어가 필요합니다.
HITT자가 운전, 예를 들어, 각 자동차 센서 지원 뒤에 정교한 알고리즘을 가지고 인식 센서 데이터의 출력의 결과의 해석에 대한 책임이 있습니다. 최근의 추세는하지만, 출력 결과의 이러한 인식의 해석을 깊이 학습 알고리즘을 사용하는 것입니다, 모든 가능한 센서 데이터를 읽는 방법을 배우려면 많은 학습 과정을 통해 심층 학습 알고리즘을 교육해야합니다.
훈련 후, 깊은 학습 알고리즘 안전하게 차량을 제어하기 위해, 매우 낮은 대기 시간과 높은 컴퓨팅 성능을 필요로한다. 전기 자동차를 들어, 작동 온도 한계 극복 및 배터리 전력 반도체 사업을 확장하기 위해 저전력을 사용합니다 목표는 고효율, 저전력, 적응 형 솔루션을 제공하여자가 운전 최첨단 AI의 다양한 요구를 충족시키는 것입니다.
에지 컴퓨팅의 개발에서 가장 큰 과제는 시장 수요가 너무 빠르게 변하는 것인데, 따라서 기업이 경쟁력을 유지하려면 다양한 변화에 빠르게 적응할 수있는 기술이 매우 중요합니다.
HITT 더 2017에서 최고의 솔루션의 대부분은 지금까지 직면하고 지속적인 발전의 빠른 속도로 비슷한 죽음을 학습 알고리즘의 깊이를 보여줍니다. 다른 사람의 대부분은 지금도 수요 컴퓨팅 하드웨어와 함께, 더 높은 용량을 가지고 있지만 최적화를 위해서는 하드웨어를 더 빠른 속도로 업데이트해야하며, 일부 하드웨어는 생산 중에 업데이트해야 할 수도 있습니다. 칩을 업데이트하기 위해 여러 가지 대체 기술을 불러올 필요가 있습니다.
HITT 보충, 컴퓨팅, 메모리 아키텍처 및 하드웨어의 깊이의 다른 양상에 대한 링크를 포함하는 FPGA 고유 한 장점을 최적화 할 수 있고, 낮은 소비 전력으로 높은 성능을 달성하도록 최적화하는 CPU와 GPU는 비교 이전 두 반면 하드웨어 아키텍처는 새로운 파생 된 요구 사항에 대해 신속하게 최적화 될 수 없습니다.
에지 작업이 압도적입니다
클라우드 데이터 센터에서 실행되는 AI 애플리케이션에 의존하는 컴퓨팅 성능은 극도로 높지만 식별 정확도는 단순화 된 모델 추론을 기반으로하는 에지 장치보다 일반적으로 높지만 개인 정보 보호 문제, 실시간 응답 및 온라인 비용 및 기타 요인을 고려한 후 최첨단 기기에서 직접 추론하는 것은 여전히 매력적인 옵션이지만, 단말 장치의 시장 규모는 클라우드 데이터 센터보다 훨씬 크기 때문에 경제적 인센티브가 강하기 때문에 지난 한 해 동안 AIoT가 외친다는 슬로건이기도합니다. 가격은 하늘 높이이며 주요 반도체 회사는 적극적으로 배치하고 있습니다.
미래를 생각하면 클라우드에서 완벽하게 지원되는 AI 응용 프로그램은 여전히 시장에 존재하지만 매년 비율이 줄어들지 만 클라우드와 에지 컴퓨팅을 결합한 새로운 아키텍처가 대체 될 것입니다 .AI 응용 프로그램 개발자의 경우 클라우드를 바꿀 수 없습니다. 그 가치는 추론이 아니라 모델 교육에 달려 있으며, 솔루션 제공 업체가 애플리케이션 개발자를 위해 "클라우드"와 "엔드"간의 완벽한 통합을 달성 할 수 있는지 여부는 애플리케이션 개발자가됩니다. 공급자를 평가할 때 가장 중요한 고려 사항.