تحقق من جميع الجلسات عند الطلب من قمة الأمن الذكي هنا.
مع نمو وتطور عدد حالات استخدام التعلم الآلي (ML) ، يستخدم عدد متزايد من مؤسسات MLops المزيد من ML على الحافة – أي أنهم يستثمرون في تشغيل نماذج ML على الأجهزة الموجودة على أطراف الشبكة ، بما في ذلك الذكية الكاميرات أو أجهزة حوسبة إنترنت الأشياء أو الأجهزة المحمولة أو الأنظمة المدمجة.
توقعت ABI Research ، وهي شركة استخبارات تكنولوجية عالمية ، مؤخرًا أن يتجاوز سوق تمكين ML المتقدم 5 مليارات دولار بحلول عام 2027. في حين أن السوق لا يزال في “مرحلة ناشئة” ، وفقًا ليان جي سو ، مدير الأبحاث في ABI Research ، فإن الشركات التي تبحث لتخفيف التحديات التي تواجه تطبيقات Edge ML ، تتحول إلى مجموعة متنوعة من المنصات والأدوات والحلول لتعزيز سير عمل MLops من طرف إلى طرف.
قال Lou Flynn ، كبير مديري المنتجات للذكاء الاصطناعي والتحليلات في SAS: “نحن نرى بالتأكيد منظمات MLops تزيد من استخدام Edge ML”. “تعمل الشركات الكبيرة والصغيرة على السحابة لأسباب مختلفة ، ولكن السحابة لا تصلح لكل حالة استخدام. لذا ، فإن المؤسسات من كل صناعة تقريبًا ، بما في ذلك الطيران والتصنيع والطاقة والسيارات ، تستفيد من الذكاء الاصطناعي المتميز لاكتساب ميزة تنافسية “.
فيما يلي خمسة أسباب تجعل فرق MLops تمنح امتحان التعلم الأفضل:
حدث
قمة الأمن الذكي عند الطلب
تعرف على الدور الحاسم للذكاء الاصطناعي وتعلم الآلة في الأمن السيبراني ودراسات الحالة الخاصة بالصناعة. شاهد الجلسات عند الطلب اليوم.
مشاهدة هنا
1. أصبحت أجهزة Edge أسرع وأكثر قوة
قال فريدريك هفيلشوج ، كبير مهندسي ML في شركة رؤية الكمبيوتر Encord: “لقد رأينا العديد من الشركات تركز على العمليات الشاملة حول حافة ML”. وأوضح أن السببين الرئيسيين هما: أصبحت أجهزة Edge أكثر قوة بينما أصبح ضغط النموذج أكثر فاعلية ، مما يسمح بتشغيل نماذج أكثر قوة بسرعة أعلى ؛ عادةً ما تعيش الأجهزة الطرفية والأجهزة الطرفية بالقرب من مصدر البيانات ، مما يزيل الحاجة إلى نقل كميات كبيرة من البيانات.
وقال: “إن الجمع بين الاثنين يعني أنه يمكن تشغيل النماذج عالية الأداء على الأجهزة المتطورة بسرعة قريبة من الوقت الحقيقي”. “في السابق ، كانت وحدات معالجة الرسومات التي تعيش على الخوادم المركزية ضرورية للحصول على معدل نقل مرتفع للنموذج – ولكن على حساب الاضطرار إلى نقل البيانات ذهابًا وإيابًا ، مما جعل حالة الاستخدام أقل عملية.”
2. يوفر Edge ML كفاءة أكبر
قال فلين إن مشهد البيانات الموزعة اليوم مليء بفرصة تحليل المحتوى لاكتساب الكفاءة.
“تنشأ العديد من مصادر البيانات من مواقع بعيدة ، مثل المستودعات أو جهاز استشعار مستقل في موقع زراعي كبير أو حتى من CubeSat [a square-shaped miniature satellite] كجزء من كوكبة من مجسات التصوير الكهروضوئي “. “كل من هذه السيناريوهات تصور حالات الاستخدام التي يمكن أن تكتسب كفاءات من خلال تشغيل ML Edge مقابل انتظار تسوية البيانات في التخزين السحابي.”
3. عرض النطاق الترددي وتوفير التكاليف هما المفتاح
قال Kjell Carlsson ، رئيس إستراتيجية علوم البيانات في Domino Data Lab: “تحتاج إلى تشغيل نماذج ML على الحافة بسبب الفيزياء (قيود النطاق الترددي ، والكمون) والتكلفة”. أوضح كارلسون أن إنترنت الأشياء ليس مجديًا إذا كانت البيانات من كل جهاز استشعار بحاجة إلى التدفق إلى السحابة لتحليلها.
وقال: “لن تدعم الشبكة في السوبر ماركت البث عالي الدقة من بضع عشرات من الكاميرات ، ناهيك عن مئات الكاميرات وأجهزة الاستشعار الأخرى التي تريدها في متجر ذكي”. وأضاف أنه من خلال تشغيل ML على الحافة ، فإنك تتجنب أيضًا تكلفة نقل البيانات.
وقال: “على سبيل المثال ، تستخدم إحدى الشركات المصنّعة في Fortune 500 ميزة Edge ML لمراقبة المعدات باستمرار للتنبؤ بفشل المعدات وتنبيه الموظفين إلى المشكلات المحتملة”. “باستخدام النظام الأساسي MLops من Domino ، يراقبون أكثر من 5000 إشارة مع أكثر من 150 نموذجًا للتعلم العميق.”
4. يساعد EdgeML في قياس البيانات الصحيحة
قال Hvilshøj إن القيمة الحقيقية لـ edge ML هي أنه باستخدام الأجهزة الموزعة ، يمكنك توسيع نطاق الاستدلال على نموذجك دون الحاجة إلى شراء خوادم أكبر.
قال “مع توسيع نطاق الاستدلال بعيدًا عن الطريق ، فإن المشكلة التالية هي جمع البيانات الصحيحة لتكرار التدريب التالي”. في كثير من الحالات ، لا يكون جمع البيانات الأولية أمرًا صعبًا ، ولكن اختيار البيانات لتسميتها بعد ذلك يصبح صعبًا بالنسبة لكميات كبيرة من البيانات. يمكن أن تساعد موارد الحساب الموجودة على الأجهزة الطرفية في تحديد ما قد يكون أكثر صلة بالتسمية.
وقال: “على سبيل المثال ، إذا كان جهاز الحافة عبارة عن هاتف ورفض مستخدم الهاتف توقعًا ، فقد يكون هذا مؤشرًا جيدًا على أن النموذج كان خاطئًا”. “في المقابل ، سيكون جزء معين من البيانات مفيدًا لإعادة تدريب النموذج بالتسميات المناسبة.”
5. المنظمات MLops تريد المزيد من المرونة
وفقًا لـ Flynn ، يجب على مؤسسات MLops استخدام نماذجها ليس فقط لاتخاذ قرارات أفضل ، ولكن لتحسين هذه النماذج لملفات تعريف الأجهزة المختلفة – على سبيل المثال ، استخدام تقنية مثل Apache TVM (Tensor Virtual Machine) لتجميع النماذج للعمل بشكل أكثر كفاءة على مختلف موفرو الخدمات السحابية وعبر الأجهزة ذات الأجهزة المختلفة (وحدة المعالجة المركزية و / أو GPU و / أو FPGA). يستخدم أحد عملاء SAS – Georgia-Pacific ، وهي شركة أمريكية لصناعة اللب والورق – الحوسبة المتطورة في العديد من مرافق التصنيع البعيدة حيث غالبًا ما لا يكون الاتصال عالي السرعة موثوقًا به أو غير فعال من حيث التكلفة.
قال فلين: “تمنح هذه المرونة فرق MLops المرونة لدعم مجموعة واسعة من حالات الاستخدام ، مما يمكنهم من تقديم معالجة لبياناتهم على مجموعة متزايدة من الأجهزة”. “على الرغم من أن نطاق الأجهزة واسع ، إلا أنها غالبًا ما تأتي مع قيود على الموارد يمكن أن تقيد نشر النموذج. هذا هو المكان الذي يلعب فيه ضغط النموذج. يقلل ضغط النموذج من أثر النموذج ويمكّنه من العمل على أجهزة أكثر إحكاما (مثل جهاز الحافة) مع تحسين الأداء الحسابي للنموذج “.
مهمة VentureBeat هو أن تكون ساحة المدينة الرقمية لصناع القرار التقنيين لاكتساب المعرفة حول تكنولوجيا المؤسسات التحويلية والمعاملات. اكتشف إحاطاتنا.
اكتشاف المزيد من نص كم
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.
