データ分析技術：エッジ人工知能の応用

私たちが SF の世界に引き込まれると、人工知能と機械学習 (AI/ML) の概念は、映画「マトリックス」でネオ、トリニティ、モーフィアスが機械と戦うシーンを思い起こさせます。

しかし、現実には、AI/ML は開発者がより優れた低コストの IoT エンドノードを作成するのに役立ち、それが自社製品が存在するエコシステムに利益をもたらします。 AI/ML の利点は、エンドノードでの意思決定の改善だけにとどまりません。一部の最適化は、消費者、開発者、オペレーターなど、関係者全員に貴重なメリットをもたらします。

[[402008]]

AIとML

AI/ML は新しい概念ではありませんが、従来は多くのユーザーが同時に共有する、エネルギーを大量に消費する高価なプラットフォームを通じて使用されてきました。集中型データ センターが構築され、データのストレージ機能とコンピューティング機能への依存度が増すにつれて、集中型データ センターでは、限られた CapEx と OpEx のコスト増加に耐えられるようになりました。これは、技術部門がサーバー、ユーティリティ、冷却、不動産、セキュリティを共有できるデータ センター現象によるものです。さらに、必要なコンピューティングやストレージの量など、必要に応じてリソースをスケールアップおよびスケールダウンする機能も提供します。コストの共通化により、AI/ML などの新しいテクノロジーをより迅速に実装できます。

• 重要でないデータの不要な移動を避けるために、AI はコンピューティング能力をエッジ デバイスに戻し、開発者が人工知能とデータ分析テクノロジーを活用するよう促しています。

世界中に分散したデータセンターを相互接続することで、テクノロジー業界は地域の施設を利用できるようになります。米国を拠点とする IoT 企業は、大西洋を越える遅延を生じることなく、ヨーロッパの消費者にサービスを提供できます。データは大陸間で転送およびルーティングされるか、地域のプライバシーおよびデータ保護法の微妙な違いに違反します。照明が点灯するまでに 2 秒の遅延がある照明スイッチは消費者の期待に応えられず、したがって商業的に成功する可能性は低いことを考慮すると、このような要件は重要です。

データセンターとクラウドにより、国内外で新たなビジネスチャンスが生まれます。開発者は、消費者と企業のコストを節約するための新しいメカニズムを作成しました。

ホテルの製氷機の修理が必要な場合、運営者は修理トラックを営業所まで運転して回る必要がなくなり、修理が必要であると認識した上で修理トラックを派遣するだけで済むため、会社は数万ドルの運営費を節約できます。

重要でないデータの不要な移動

デバイスが故障する前に AI/ML を使用してこれらの小さなシグネチャを確認することは、対象となるシグネチャが非常に小さく、したがって微妙な場合があるため、複雑になる可能性があります。これらの変化は、ポンプ モーターの振動や、熱交換器や凝縮器のわずかな温度変化など、個人が識別できない、あるいは見ることができないものである可能性があります。接続された製氷機の例は、多くの開発者が問題として認識するほどの規模にはなっていないようですが、これらの問題や倉庫やホテルの照明への応用に関するビジネス モデルを検討してください。倉庫には何千もの電球が保管されており、電球を交換するには棚や機械を移動させる必要があります。これは最も重要な瞬間に生産ラインを停止させることを意味します。

予測メンテナンスとクラウド分析は大きなビジネスになりつつあり、AI/ML は、それらが生成するデータを自動的に評価する簡単な方法を提供します。それにもかかわらず、これらの新しいビジネス モデルは膨大な量のデータの生成につながります。これにより、開発者とオペレーターが対処する必要のある、新たな興味深い技術的課題が生まれます。

これらの問題は、サーバーの追加、ストレージの追加、その他のデータセンターベースの消耗品の追加といった表面的なスケーリングの問題のように見えるかもしれませんが、それらを解決しても、データ パイプラインのもう一方の端で発生する問題の増加は解決されません。

ほとんどのアプリケーションでは、データは何らかのセンサーによって生成され、電力と帯域幅が必要になります。帯域幅は、施設のインターネット アップリンクと RF スペクトルに基づいても消費されます。 「変更されていない」可能性のある大量のデータを送信するのはコストがかかります。無線は大量の電力を消費し、混雑した RF スペクトルでは送信の再試行によってさらに多くのエネルギーを消費します。センサーの数が増えると、RF 環境が混雑し、バッテリーのメンテナンスも必要になります。バッテリー寿命やローカル帯域幅に関する問題に加えて、一部のアプリケーションは、結果として生じるセキュリティ問題の影響を受けやすくなる可能性があります。大量のデータはパターンを形成する可能性があり、傍受されると悪意のある者によって悪用される可能性があります。

エッジコンピューティング

これらの問題を回避する傾向としては、意思決定の多くをエンド ノードに戻し、より重要であると判断されたデータのみに放射能を減らすことが挙げられます。これにより、電力消費、帯域幅、デジタル署名が削減されます。決定をエンドノードに戻すという注意点は、エンドノードの処理、ストレージ、および電力消費が増加する可能性があることを意味します。モノのインターネットは、そのアクセス性と市場の成長を制限する悪循環に陥っているようです。

AI 分野におけるイノベーションにより、ARM Cortex-M などの小型マイクロコントローラの使用が可能になり、フラッシュと RAM の両方のメモリ リソースが小さくなりました。複雑なアルゴリズムを実行して現実のあらゆるコーナーケースに対処する場合、システム内で AI を実行するためのコード サイズも従来のコーディングよりもはるかに小さくなります。これにより、ファームウェアのアップデートのサイズが小さくなり、開発が高速化され、大規模なセンサー群間での配布も容易になります。

多くの開発者は、エンドノード センサー製品に AI を活用して設計を強化し、消費者とオペレーターのエクスペリエンスを向上させています。 AI テクノロジーの例は、開発キットを通じて迅速にプロトタイプ化できます。

キットはポンプ監視システムのデモンストレーションに使用できます。ワイヤレス センサーのサイズを縮小し、寿命を延ばし、セキュリティを強化しながら、ノイズの多いローカル RF スペクトルを妨害することなく、より有用なセンサーを導入して生産性と快適性を向上させることができます。壁スイッチ、環境センサー、さらには道路脇のゴミセンサーなどの日常的な製品を、魅力的なコストとパフォーマンスで自動化および監視エコシステムに組み込むことができます。