با هوش مصنوعی (AI)، به اجرا در تکنولوژی لبه (محاسبه لبه) در سال های اخیر، توسعه سریع از انواع لوازم الکترونیکی مصرفی و لوازم خانگی مفهوم خانه های هوشمند گنجانده شده است تغییرات انقلابی خواهد شد به تدریج. در پایان، مختلف شبکه هوش مصنوعی متشکل از لوازم خانگی، احتمالا به شما خواهد شد و من نمی توانم به سایر اعضای خانواده را ببینید. مفهوم ابر محلی و تجهیزات مرتبط، خواهد بود شبکه های هوش مصنوعی برای خانه ضروری است.
سخنران هوشمند / نظارت تبدیل خواهد شد به دو اسپیندل اصلی AI مصرف کننده
شرکت پژوهش و تخمک مسئول ردیابی توسعه محقق تکنولوژی مصرف کننده رونان د Renesse (شکل 1) که کاربرد هوش مصنوعی در زمینه لوازم الکترونیکی مصرفی، نزدیک به دو سال اغلب مورد توجه رسانه ها تبدیل، اما لوازم الکترونیکی مصرفی و AI همراه با روند، در حال حاضر تنها فقط شروع به توسعه در سه تا پنج سال آینده، بسیاری از محصولات الکترونیکی مصرفی خواهد شد با توابع AI مجهز، خواهد شد و به یکدیگر مرتبط است، یک خانواده از هوش مصنوعی در شبکه است.
شکل 1 تخمک محقق تکنولوژی مصرف کننده رونان د Renesse معتقد است که در آینده از خانواده در انواع دستگاه های الکترونیکی، تبدیل به یک عضو جدید از خانواده نامرئی.
برای زنجیره سخت افزار، اگر چه این روند خواهد شد بسیاری از فرصت های کسب و کار جدید را، اما اگر از نقطه نظر سطح بالاتری از این دیدگاه، این بی سر و صدا در خانه وارد شبکه هوش مصنوعی، به شما خواهد شد من دیگر "خانواده نمی بینم کاربران. "
در سمت سخت افزار، سخنرانان هوشمند آشنا، اساسا یک محصول نسبتا بالغ است، اگر چه وجود خواهد داشت رشد قابل توجهی در فروش است، اما قدرت رو به رشد به تدریج متوقف خواهد شد در طول پنج سال آینده است. در هنگام برآورد 2022 سخنران هوشمند جهانی میزان فروش به حدود 9.5 میلیارد $. در واقع، Renesse معتقد است که آمازون (آمازون) با Google احتمالا نام تجاری خود را از سخنرانان هوشمند در آینده راه اندازی نیست، چرا که محصول خود را به گونه ای است حاشیه سود نیست، این دو برای غول شبکه خانگی، تا زمانی که فروشنده های سخت افزاری از سرویس های پلتفرم خود استفاده کنند، می توانند داده های کاربر را که نیاز دارند جمع آوری کنند.
در همان دوران، تغییرات در صفحه اصلی سیستم های نظارت هوشمند محصولات چنین خواهد بود واضح تر از سخنرانان هوشمند ارائه به اصطلاح محصولات نظارت بر خانه های هوشمند، در واقع، نه جزء هوش مصنوعی، اما دوربین، آلارم، قفل، سنسورها و سخت افزار های دیگر کالا متصل به یکدیگر به شکل یک سیستم پشتیبانی رویداد باعث امنیت (رویداد ماشه) تابع. بلکه مربوط به سخت افزار و نرم افزار و فناوری تبدیل شده است پیچیده تر، نسبت دوربین های مدار بسته خانه آینده مجهز به هوش مصنوعی به طور فزاینده بالا، بلکه برای دستیابی به بیشتر برنامه های کاربردی مانند استفاده از دستیارهای صوتی، کاربران چندگانه را با خدمات دقیق تر در محیط چند کاربره ارائه می دهند.
حفاظت از حریم شخصی مصرف کننده برای برنامه های AI
با این حال، صنعت سخت افزار، قابل توجه ترین ممکن است ابر محلی (ابر محلی) مفهوم و کاربرد محصولات مرتبط، همراه با دستگاه های خانگی عموما پشتیبانی AI و دوباره اجاره. Renesse اشاره کرد، مجهز به توابع AI از محصولات الکترونیکی خواهد بود تولید مقادیر زیادی از داده های کاربر، اما هستند بسیاری از حفظ حریم خصوصی داده در خطر است. بنابراین، اگر با هوش مصنوعی از خانه محصولات الکترونیکی مجهز طور کامل وابسته به ابر خارجی به منظور به کار، بدیهی است باعث می شود نگرانی های حریم خصوصی وجود دارد.
از سوی دیگر، بسیاری از دستگاه های IoT مصرف کننده با عملکرد نسبتا ساده توسط قدرت، قدرت محاسبات و هزینه های تولید محدود می شوند. آنها ممکن است قادر به پشتیبانی از الگوریتم های AI بسیار بالایی باشند. در حال حاضر دستگاه های ابر محلی می توانند نقش مغز را بازی کنند. به طور مرتب این دستگاه ها را سفارش دهید.
با این حال، Renesse همچنین پذیرفته است که هنوز مشخص نیست که کدام دستگاه یک مرکز ابر محلی را پخش خواهد کرد. ممکن است بلندگوهای هوشمند بالاتر باشد، ممکن است تلویزیون هوشمند یا سایر محصولات باشد.
یان اسمیت، مدیر بازاریابی ارمنی ارم (تصویر 2) همچنین معتقد است که بیشتر موتور محاسباتی و استنتاج در آینده به ترمینال منتقل خواهد شد. نیروی اصلی برای این انتقال، حفاظت از حریم خصوصی کاربران است. با پردازش و تجزیه و تحلیل داده ها در ترمینال، شما می توانید به راحتی داده ها را ناشناس و اطمینان حاصل کنید که داده های حساس از طریق شبکه نفوذ نمی کنند. مصرف کنندگان خانه به عنوان مثال، مصرف کنندگان نمی خواهند کسی بتواند از اینترنت اطلاع دهد که آنها در خانه نیستند. زمان مردم، و پس از آن به راحتی به سرقت در خانه.
شکل 2 یان اسمیت، مدیر ارشد بازاریابی در بازو، گفت که برای برنامه های کاربردی مصرف کننده AI، آیا مکانیسم حفاظت از حریم خصوصی قابل اعتماد خواهد بود کلیدی برای اینکه آیا برنامه می تواند محبوب شود.
اسمیت معتقد است که دوربین هایی که از تشخیص بصری پشتیبانی می کنند ذاتا مسائل مربوط به حریم خصوصی مهم را در نظر گرفته اند. بدیهی است، این دستگاه ها باید طراحی شوند تا بتوانند هنگام ذخیره در محلی یا انتقال به ابر محافظت شوند. حریم خصوصی و اطلاعات حساس: از آنجا که انتقال معمولا به صورت بی سیم برقرار می شود، باید توجه ویژه ای به امنیت عملکرد انتقال بی سیم داشته باشد. مهندسان طراحی شده باید اطمینان حاصل کنند که دستگاه های متصل به شبکه هک شده و ناخواسته نیستند.
عمر باتری چالش اصلی فنی باقی مانده است
با این حال، به آستانه گره AI، بزرگترین چالش فنی است که هنوز هم مصرف برق سیستم به مصرف کننده دوربین های مدار بسته، برای مثال، مصرف کنندگان ممکن است انتظار این محصولات کاملا بی سیم هستند، بهتر است به حتی خطوط برق نمی باشد این به این معنی است که این محصولات باید باتری و همچنین از شبکه های بی سیم پشتیبانی کنند. علاوه بر این، باید تمام موارد را شناسایی کرده و به فضای ذخیره سازی نامحدود نیاز داشته باشد.
بالای تقاضای زیادی از چالش برای طراحی سیستم، آن را می توانید چند ماه نیاز برای اجرای ظرفیت باتری شارژ شده به طور مداوم از یادگیری (ML) و ماشین آلات، و توانایی ادامه داد: برای آپلود فایل به ذخیره سازی ابر این موارد شدید از طراحی و سیستم اجزای تراشه الزامات کاملا مستحکم هستند و مهمتر از همه، زمانی که برای تثبیت این توابع برای افزایش طول عمر باتری تسلط پیدا کرد.
با دوربین نظارت خانه، یک دوربین فیلمبرداری 24 ساعت انتقال اتاق خالی لازم نیست، فقط آپلود تصویر از بخش تنها معقول و منطقی است که وجود دارد هویت تایید نشده از مردم وجود دارد. به طور مشابه، در مورد مانند در دسترس بودن از همین صحنه فعال الگوریتم ML معنی ندارد. ترتیبات مراقب باشید که، هنگامی که به فعال کردن این ویژگی، به منظور ایجاد دستگاه های مصرف کننده انتظار می رود در نحوه عمل، تنها دو باتری AA، می توانید استفاده از نرمال بلند مدت است.
بلکه به دلیل مصرف برق یکی از موانع اصلی AI مستقر در دستگاه ترمینال است، بسیاری از راه اندازی خانه فرصت برای راه اندازی کم قدرت شبکه های عصبی (NN) شتاب دهنده سیلیکون مالکیت معنوی (IP) در بازار، به منظور کمک به تراشه خال خال وجود دارد در حالی که مصرف انرژی کاهش می یابد، توسعه دهندگان می توانند عملکردی را که الگوریتم لازم را برآورده می کنند، برآورده کنند. Kneron رسما سری NPU خود را منتشر کرد، یک پردازنده اختصاصی هوش مصنوعی برای دستگاه های ترمینال طراحی شده است. IP. خانواده متشکل از سه محصول، یعنی نسخه فوق العاده کم قدرت حزب دمکرات کردستان 300، نسخه استاندارد دمکرات کردستان 500، و همچنین به عنوان نسخه با عملکرد بالا از حزب دموکرات کردستان 700، برای دیدار با تلفن های هوشمند، استفاده از خانه های هوشمند، امنیت هوشمند، و همچنین انواع دستگاه های چیز طیف وسیعی از محصولات با مصرف توان کم، ویژگی های اندازه کوچک، و یک قابلیت محاسبات قدرتمند فراهم می کند. بر خلاف AI قدرت پردازنده موجود در بازار برای ده ها وات کردن، مصرف برق Kneron NPU IP 100 میلی وات است (MW) کلاس، برای KDP 300 اختصاص یافته به تشخیص چهره برای گوشی های هوشمند، مصرف کمتر از 5 میلیوات.
نرم افزار می تواند مقاوم در برابر تقدیر مدیر بازاریابی محصول Shiya LUN (شکل 3 سمت چپ) اشاره می کند، بر روی دستگاه ترمینال عملیات هوش مصنوعی انجام شود، در حالی که نشست تقاضا برای قدرت و عملکرد در نظر گرفتن اصل است. بنابراین، مقدمه ای از راه حل بهینه سازی شده برای برنامه های کاربردی فردی، حیاتی است .. برنامه فعلی از هوش مصنوعی می توان بطور گسترده به دو دسته عمده از صدای با استفاده از فیلم، معماری شبکه های عصبی آنها با استفاده از برنامه های مختلف صدا تاکید در تجزیه و تحلیل زبان طبیعی تقسیم شده است، معماری شبکه جریان اصلی شبکه های عصبی راجعه (RNN) است. ساختار شبکه اصلی مورد استفاده برای تجزیه و تحلیل تصویر، شبکه عصبی کانولوشن (CNN) است. برای بهینه سازی برای ساختارهای مختلف شبکه، راه حل ارائه شده توسط قابلیت متفاوت است.
شن مینگ فنگ (شکل 3 سمت راست) خرس می توانید تکمیل بدهید طراحی نرم افزار، اگر چه کاهش تقاضا برای زبان طبیعی تراشه تجزیه و تحلیل عملکرد محاسبات، اما به دلیل لحن زبان، عادات گفتار اختلاف بزرگ، و در نتیجه لازم است که آموزش مدل مجموعه داده تشخیص تصویر بیش از بزرگ است. از سوی دیگر، به عنوان مصرف کنندگان در حال حاضر به استفاده از ابر مبتنی بر دستیار صوتی اپل (اپل) سیری، گوگل دستیار، و غیره بنابراین، خارج از خط استفاده از تجزیه و تحلیل معنایی به مصرف کنندگان عادت کرده اند، پیش نیاز است که مصرف کننده باید تجربه مشابه با منابع محاسباتی محدود. این منبع تراشه با توسعه دهندگان سیستم، چالش کوچک نیست.
3 خرس می توانید درخواست بازاریابی و مدیر تولید Shiya LUN (سمت چپ) معتقد است که صدای با تشخیص تصویر در طبیعت بسیار متفاوت هستند، نیاز به تکیه بر راه حل های مختلف برای دیدار با. شن مینگ فنگ است نرم افزار مناسب می تواند بدهید طراحی مقاوم در برابر.
در واقع، اکثریت قریب به اتفاق از سخنرانان هوشمند، به عنوان محصولات محاسبات لبه در نظر گرفته نشده است. Shiya از Lun اشاره کرد که، صرف نظر از آمازون (آمازون) از اکو، Homepod اپل و یا سخنران هوشمند پلت فرم بایدو، Alibaba است، یا می خواهید به داده به ابر برای پردازش با تجزیه معنایی، به منظور پاسخ به کاربر. عملیات صدا را می توان به طور مستقیم در محصول نهایی انجام، حالت اساسا بسیاری از قوانین به تصویب رسید (بر پایه قوانین)، و نه بر اساس درک معنایی طبیعی از یادگیری ماشین.
از آنجا که 2016 خرس می توانید اولین ترمینال دستگاه خاص پردازنده AI NPU IP این شرکت راه اندازی، به منظور بهبود طراحی و مشخصات آن همچنان ادامه دارد و بهینه سازی شده برای کاربردهای مختلف صنعتی در حال حاضر در دسترس مشتریان در آغاز IP، حزب دموکرات کردستان 500 مشتری گیاه با استفاده از سیستم بوده است و خواهد در تولید انبوه در تولید سه ماهه دوم باشد (ماسک نوار کردن). تشخیص گفتار با سگ جستجو همکاری به دست آمده از تجزیه آنلاین معنایی، بنابراین حتی اگر دستگاه پایانه به شبکه متصل نیست، بلکه درک دستورات صوتی کاربر.
Kneron NPU IP است پردازنده هوش مصنوعی برای دستگاه ترمینال اختصاصی طراحی شده است به طوری که دستگاه ترمینال در یک محیط آنلاین، شما می توانید RESNET اجرا، YOLO دیگر شبکه یادگیری عمیق. Kneron NPU کامل راه حل های سخت افزار پایان-AI است، از جمله سخت افزار IP، کامپایلر (کامپایلر)، و مدل های فشرده سازی (فشرده سازی مدل) سه بخش، می توانید انواع مدل های جریان اصلی شبکه عصبی، مانند RESNET-18، RESNET-34، Vgg16، GoogleNet و Lenet، و همچنین پشتیبانی جریان اصلی یادگیری عمیق پشتیبانی فریم ها، از جمله کافه، Keras و TensorFlow.
مصرف برق Kneron NPU IP 100 سطح میلی وات، مدل فوق العاده کم قدرت از حزب دموکرات کردستان 300 و یا حتی کمتر از 5 میلی وات، طیف کاملی از محصولات در عملکرد در هر وات 1.5 تاپس / W یا بیشتر، استفاده از تعدادی از تکنولوژی منحصر به فرد، آن می تواند باشد با نیازهای فروشندگان تراشه، فروشندگان سیستم برای مصرف کم برق، قدرت محاسباتی بالا، آشنا شوید.
عناصر اساسی قفل کردن شتاب دهنده های سخت افزاری ترس از تکرار فنی نیستند
پخت (متصل) مدار را به بهبود بهره وری از وظایف محاسباتی خاص، کاهش مصرف برق، طراحی تراشه برای سنین، اما در هزینه از انعطاف پذیری نرم افزار پایین تر، تغییر قابل توجهی را در صورت تقاضای بازار برای توابع تراشه یا الگوریتم های نرم افزار به طور قابل توجهی تجدید نظر شده، طراحان تراشه را مجبور به دوباره توسعه یک تراشه جدید.
در مورد تقاضا برای عملکرد تراشه شده است اساسا حل و فصل، و این طرح را یک مشکل نیست، اما در فن آوری های نوظهور از تکنیک های تکرار شونده سریع، این روش طراحی، وجود خواهد داشت یک خطر نسبتا بزرگ در کسب و کار هوش مصنوعی تکرار ماهر بسیار سریع، تقریبا در هر سال یک الگوریتم جدید با مدل های موجود شرکت تحقیقاتی گسترش AI. همچنین اشاره کرد که در طول شش سال گذشته، مدل آموزش هوش مصنوعی برای محاسبه قدرت تقاضا هر 3.43 یک ماه افزایش دهد بارها
در این راستا، شن مینگ فنگ اشاره کرد، لزوما یک شتاب دهنده سخت افزار هیچ الاستیک است. مقاوم در برابر محصولات انرژی، برای مثال، در طراحی معماری، این شرکت با استفاده از تقسیم هسته پیچیدگی (تجزیه فیلتر) فن آوری، کانولوشن بزرگ پیچیدگی هسته محاسبه کثرت از بلوک های کوچک را به یک بلوک محاسبه پیچیدگی تقسیم به طور جداگانه، سپس ترکیب سخت افزار پیکر بندی مجدد پیچیدگی شتاب (پیچیدگی پیکر بندی مجدد شتاب) روش، کانولوشن نتیجه بهره برداری از عملیات کثرت از بلوک های کوچک ذوب شده برای سرعت بخشیدن به کلی کارآیی عملیاتی
تمثیل آسان تر به درک، مانند آجر لگو را می توان به انواع الگوهای ترکیب برای ساخت یک شی، اما خود شیء است که هنوز هم یک کل پشته از یک جعبه چند پایه. برنامه انرژی مقاومت برای الگوریتم های هوش مصنوعی ضروری است عناصر اساسی برای بهبود عملکرد اجرای کل الگوریتم شتاب می گیرند. بنابراین، حتی اگر الگوریتم AI با سرعت بسیار بالا به روز شود، طرح استقامت می تواند یک اثر شتاب را اعمال کند.
علاوه بر شتاب دهنده به خودی خود برای عناصر اساسی طراحی شده، به جای یک الگوریتم خاص برای سرعت بخشیدن به مقاومت کلی خارجی، همچنین می توانید روش شتاب و برنامه های کاربردی هوش مصنوعی ارائه و یا مستقر شده، از جمله مدل فشرده سازی مدل آن (مدل فشرده سازی) فن آوری فشرده سازی قرار بهینه سازی نشده تعداد دفعاتی؛ سلسله مراتبی تکنولوژی ذخیره سازی حافظه (چند سطح ذخیره سازی) می توانید بار CPU را کاهش دهد و کاهش میزان انتقال داده ها، به بهبود بهره وری کلی عملیاتی علاوه بر این، Kneron NPU IP می تواند در ترکیب Kneron نرم افزار تشخیص تصویر، تجزیه و تحلیل شناسایی زمان واقعی، و سریع را فراهم می کند. پاسخ نه تنها پایدارتر است، بلکه مطابق با شرایط امنیتی و حفظ حریم خصوصی است. از آنجا که سخت افزار و نرم افزار را می توان یکپارچه یکپارچه، راه حل کلی کوچکتر است و مصرف انرژی برای کمک به توسعه سریع محصولات پایین تر است.
تشخیص تصویر AI فوری تر از لبه است
به طور کلی، تقاضا در بازار در حال حاضر برای تشخیص تصویر فوری تر، تجزیه و تحلیل معنایی آنلاین است، اگر چه سخنران هوشمند این بزرگ کاربردهای بالقوه بازار، اما این شرط اما منابع صنعت کمتر وجود دارد. دلیل اصلی برای این پدیده این است که تصویر انتقال مقدار زیادی پهنای باند را اشغال می کند، بنابراین هزینه های نگهداری سیستم را بالا می برد و صدای این مشکل را ندارد.
آند فناوری مدیر کل لین ژمینگ (شکل 4) شرح داده شده در هوش مصنوعی و فرآیند چیز الزام آور، خواهد فن آوری محاسبات تقاضا معرفی تکنولوژی لبه محاسبات لبه رانندگی خواهد شد به انواع برنامه های کاربردی در حال ظهور استفاده می شود، در در میان این روند، انعطاف پذیری و سرعت، بزرگترین مزیت برای تولید کنندگان تایوانی است. برای اکثر شرکت های تایوانی و شرکت های طراحی IC، آسانتر از بازار لبه ی هوش مصنوعی است.
شکل 4: ژیکسین لین، مدیر کل فناوری Jingxin برآورد می کند که IP Cam یکی از برنامه های اصلی برای انجام استدلال AI در دستگاه های لبه خواهد بود.
در همان زمان، با توجه به فن آوری محاسبات لبه واردات، بلکه به ارمغان خواهد آورد به منظور افزایش حافظه، انتقال و غیره سخت افزار مورد نیاز، به طور قابل توجهی باعث افزایش هزینه تولید با توجه به همبستگی تصویر سیستم بر روی چیپ (SoC) در اصل در مقایسه با دیگر برنامه های کاربردی پیچیده تر، برای تحمل هزینه نیز بزرگ است، بنابراین انتظار می رود که فناوری محاسبات لبه اولین مورد توسط برنامه های مربوط به تصویر مانند IP Cam باشد.
برنامه های کاربردی هوش مصنوعی را می توان به دو بخش بحث در مورد آموزش و شناخت تقسیم شده است. در این روند از یادگیری عمیق از عملیات گسترده، زمان کوتاه همچنان توسط محاسبات ابری کار گرفته می شود. اپراتور لبه مسئول کار است، در مکیده اطلاعات جمع آوری شده انجام اولین درمان اولیه و پس از آن فیلتر کردن اطلاعات بی اهمیت، و سپس ارسال داده ها به ابر به صرفه جویی در هزینه حمل و نقل. از سوی دیگر، یک نتایج یادگیری عمق ابر کامل، آن را ممکن است به شناسایی عملکرد ترمینال هوشمند تر است. به IP بادامک به عنوان مثال، مطالعه عمق تصویر کار را می توان برای اولین بار توسط محاسبات ابری تکمیل به دستگاه خود را تشخیص عابر پیاده، پس از وسیله نقلیه، تنها لبه از پایان IP بادامک می توانید کار شناسایی را انجام دهد.
از سوی دیگر، به دلیل اینکه IP Cam به طور گسترده ای در نگهداری امنیتی و امنیت جامعه مورد استفاده قرار می گیرد، دولت و شرکت ها نسبتا مایل به حمایت از سرمایه گذاری هستند، که همچنین به دلیل توسعه سریع IP Cam خواهد بود.
سهم لین ژمینگ، بسیاری از تولید کنندگان کورمال چگونه به واردات تراشه هوش مصنوعی را به سیستم خود را دارند. وضعیت فعلی شبیه به زمانی که همه چیز فقط شروع به رشد، ما هنوز در حال بررسی چگونگی به کار بردن بریدگی ها، برآورد در حدود 2020 تولید کنندگان است محصولات واقعی را راه اندازی خواهد کرد.
برنامه های کاربردی در زمان واقعی باید از معماری محاسبات لبه استفاده کنند
هوش مصنوعی به یک موضوع داغ در حال حاضر، که به تدریج از معماری محاسبات ابری به معماری محاسبات لبه منتقل شده است، هیچ اثر کوچک در تولید کنندگان زنجیره تامین کند. با وجود دوره کوتاه از زمان همچنان به توسعه مبتنی بر هوش مصنوعی محاسبات ابری، با این حال، بسیاری از توابع هوش مصنوعی در مورد برنامه های دید، واردات لبه ها را آغاز می کنند.
XILINX مدیر توسعه (XILINX) هوش بصری استراتژی بازار دیل K. هیت (شکل 5) اشاره کرد که در آینده قابل پیش بینی، AI اجزای آموزش توسعه ممکن است هنوز هم توسط محاسبات ابری بود. با این حال، استنتاج / استقرار اجزای آغاز کرده است از برنامه های لبه برای پشتیبانی از برنامه های کاربردی که به تأخیر کم و بهره وری شبکه نیاز دارند استفاده کنید.
5 تراشه Xilinx مدیر توسعه، تصویری استراتژی بازار هوش دیل K. هیت فکر می کنم، برای کاربردهایی که نیاز زمان تاخیر بسیار پایین، لبه عمل خواهد بود که بهترین راه حل.
برای لبه عنصر عملوند برای برنامه های بینایی ماشین مربوط به یادگیری، خواهد شد یکی از روند های مهم و وسیع است. و، در چشم انداز و ماشین آلات صنعتی، شهرستانها هوشمند، تجزیه و تحلیل بصری و بازار خود درایو دارای قوی پتانسیل رشد. از نظر چشم انداز و مصرف کننده صنعتی برنامه های کاربردی، با توجه به الگوریتم های یادگیری ماشین لبه حساب به اعدام می شود، بنابراین برای عملکرد مورد نیاز است نیز بالاتر از نسل های قبلی بسیاری از برنامه های. علاوه بر این، یادگیری ماشین لبه الگوریتم / تابع نیز به سرعت در حال است در حال تحول است، و بنابراین تمام جنبه های زندگی نیاز به سخت افزار خود سازگار برای بهینه سازی برای معماری های نتیجه گیری یادگیری ماشین آینده.
هیت خود رانندگی، برای مثال، هر ماشین دارای الگوریتم های پیچیده در پشت پشتیبانی از سنسور، مسئول تفسیر نتایج حاصل از خروجی از داده های حسگر ادراک است. آخرین روند است برای استفاده از الگوریتم یادگیری عمیق به خروجی این برداشت تفسیر نتایج، با این حال، الگوریتم یادگیری عمق باید از طریق تعداد زیادی از سناریو بالقوه آموزش دیده را به یاد بگیرند که چگونه به تفسیر همه اطلاعات حسگر است که ممکن است بوجود می آیند.
پس از آموزش، الگوریتم های یادگیری عمیق نیاز به عملکرد محاسبات بالا با فوق العاده کم پوشیدگی، به منظور کنترل وسیله نقلیه با خیال راحت. برای وسایل نقلیه الکتریکی، شما باید کم قدرت برای مقابله با محدودیت درجه حرارت و گسترش باتری کسب و کار نیمه هادی قدرت استفاده هدف این است که به ارائه عملکرد بالا، مصرف برق کم، با توانایی برای انطباق راه حل برای پاسخگویی به نیازهای خود رانندگی اجرا لبه AI.
در این روند به اجرا در لبه توسعه، بزرگترین چالش نیازهای در حال تغییر بازار بیش از حد سریع است، آن را می توانید برای انواع انطباق سریع تکنولوژی تغییر به منظور اجازه شرکت به رقابت باقی بماند بسیار مهم است.
هیت بیشتر نشان عمق الگوریتم های یادگیری در یک سرعت سریع پیشرفت پایدار، بسیاری از راه حل های پیشرو در 2017 تا کنون مواجه مرگ مشابه است. حتی اگر بسیاری از دیگران در حال حاضر ظرفیت بالاتر، همراه با افزایش محاسبات تقاضا، سخت افزار هنوز هم سخت افزار بهینه سازی باید با سرعت بیشتری به منظور جلوگیری از حذف، حتی در برخی از تولید سخت افزار در مواجهه با نیاز به به روز به روز می شود. بسیاری از گزینه های باید به خاطر به روز رسانی تراشه های اصلی.
مکمل هیت، FPGA مزایای منحصر به فرد است که شامل محاسبات، معماری حافظه، و لینک به دیگر جنبه های عمق سخت افزار می تواند بهینه سازی شده و CPU و GPU در مقایسه با بهینه سازی شده برای دستیابی به عملکرد بالاتر در مصرف انرژی کمتر، در حالی که دو سابق معماری سخت افزار سریع می تواند برای مطالبات جدید به دست آمده نمی شود بهینه شده است.
بزرگ محاسبات لبه قریب به اتفاق
برنامه های کاربردی AI در عملیات مرکز داده های ابر تکیه می کنند، اگر چه پشتیبانی قدرت محاسباتی بسیار بالا وجود دارد، آن است که به طور کلی بالاتر از لبه صحت دستگاه شناسایی مطابق با مدل ساده شده از استدلال، اما پس از در نظر گرفتن نگرانی های حریم خصوصی حساب، آنلاین پاسخ زمان واقعی و هزینه ها و عوامل دیگر هنوز هم یک گزینه جذاب برای ایجاد نتیجه گیری به طور مستقیم در دستگاه های لبه است. از سوی دیگر، اندازه بازار دستگاه های ترمینال بسیار بزرگتر از مرکز داده های ابر است، و انگیزه های اقتصادی قوی وجود دارد. این نیز شعار AIoT فریاد در سال گذشته است. قیمت زنگ زد، از دلایل عمده برای صنعت نیمه هادی به طور فعال طرح.
با نگاهی به آینده، برنامه های کاربردی AI است که توسط ابر پشتیبانی هنوز هم در بازار وجود دارد، اما نسبت موظف است به منظور کاهش سال به سال، از آن خواهد شد توسط یک ابر هیبرید معماری و لبه محاسباتی جدید جایگزین شده است. برنامه های کاربردی از توسعه دهندگان هوش مصنوعی، ابر را نمی توان جایگزین ارزش نهفته در قطار مدل، به جای انجام استنتاج است. همچنین به این دلیل، توسعه دهندگان نرم افزار، ارائه دهندگان راه حل می تواند ادغام بدون درز بین "ابر" را در رسیدن و "پایان" خواهد بود توسعه دهندگان نرم افزار در ارزیابی تامین کنندگان، مهمترین موضوع مورد توجه.