“엣지 AI”는 다음과 같은 주요 목적 중 하나입니다. 엣지 컴퓨팅. 이 엣지 AI는 IoT 실현에 매우 중요한 핵심 기술 중 하나이며 그 확산이 확대되고 있습니다. 여기에서, 우리는 무엇을 소개 할 것입니다. 엣지 AI는 클라우드 AI와 다른 점, 왜 그런가? 엣지 AI가 주목을 끌고 있으며, 몇 가지 구체적인 예가 있습니다. 엣지 AI.
무엇입니까? 엣지 인공 지능
엣지 AI는 인공 지능을 엣지 서버. 속도의 장점과 인공 지능의 장점을 균형 잡는 기술이라고 할 수 있습니다. 엣지 컴퓨팅.
인공 지능의 장점은 일단 학습되면 표준화 할 수없는 작업을 자동으로 수행 할 수 있다는 것입니다. 즉, 일반 컴퓨터 (Von Neumann 컴퓨터)로는 수행 할 수없는 처리를 가능하게합니다. 표준화 될 수없는 이런 종류의 작업은 인간이 지금까지 한 일의 특징이라고 할 수 있습니다. 옛날에는 전문가 시스템과 같은 여러 유형의 인공 지능이 있었지만 최근에는 대부분 신경망 (딥 러닝)을 사용하여 약 14 ~ 20 개의 계층을 딥 러닝했습니다.
전형적인 인공 지능을 만듦으로써 숙련 된 엔지니어의 부족을 보충 할 수 있다고 믿어집니다. 다른 관점에서 볼 때, 숙련 된 엔지니어의 판단과 경험은 인공 지능으로 옮겨진다고 말할 수 있습니다. 구체적인 예로는 장비 고장 및 부품 교체 시기를 사전에 예측하는 “예측 유지 보수”와 제품을 검사하는 “이미지 처리”가 있습니다.
숙련 된 기술자는 오랜 경험을 통해 “학습”을 수행했으며 경험을 통해 재배 된 직관을 기반으로 제품이 좋은지 나쁜지, 부품을 교체 할 때 등을 판단했습니다. 스마트 공장과 IoT의 궁극적 인 목표 중 하나는 이러한 경험과 판단을 인공 지능으로 이전함으로써 검사 및 유지 보수의 질을 떨어 뜨리지 않고 노동력을 절약하는 것이라고 말할 수 있습니다.
차이점 엣지 AI 및 클라우드 AI
반면에 클라우드 AI는 인공 지능을 클라우드 서버에 배치하는 것입니다. 클라우드 AI의 단점은 통신이 항상 수행되기 때문에 처리 속도가 느리다는 것입니다. 엣지 네트워크를 통해 서버 및 클라우드 서버.
반면에, AI를 엣지 서버, 처리는 엣지 서버, 당신은 단지 클라우드 서버에 분석 결과 및 예측 결과를 전송해야합니다. 이러한 이유로 클라우드 AI보다 처리 속도가 빠르다는 장점이 있으며, 이는 각 프로세스에 대한 통신이 필요합니다.
반면에 엄청난 양의 정보를 처리 할 수있는 클라우드 AI는 학습 작업이 더 쉽고 새로운 이벤트가 발생할 때 처리하기가 더 쉬울 것입니다. 즉, 클라우드 AI는 더 유연합니다. 또한, 자원의 엣지 서버는 제한되어 있으며, 인공 지능의 크기는 엣지 AI (신경망의 규모)도 제한적입니다.
위에서 볼 때, 가장 좋은 시스템 구성은 기본적으로 두 가지를 모두 준비하는 것이라고 말할 수 있습니다. 엣지 AI 및 클라우드 AI, 클라우드 AI로 학습 수행 및 학습 결과 전송 엣지 AI. 특히 클라우드 AI는 먼저 엄청난 양의 정보를 사용하여 학습하며, 학습이 어느 정도 진행되면 학습 결과가 엣지 AI. 그리고 엣지 학습 결과를 얻은 AI는 실제 처리를 수행합니다. 그리고, 분석결과는 엣지 결함이 있는 AI는 Cloud AI로 전송되며, 클라우드 AI는 Cloud AI로 재학습하는 데 사용되며 학습 결과는 엣지 AI. 이 일련의 과정을 반복함으로써 제품이 검사 될 때 결함이있는 제품의 검출률을 향상시킬 수 있습니다.
왜 엣지 AI가 주목을 끌고 있습니다.
의 도입과 함께 엣지 AI, “현장에서의 발견 및 현장 분석”이 고속으로 가능할 것입니다. 즉, 이상 발생/탐지/분석/통지는 클라우드 AI에 비해 지연 없이 고속으로 수행될 수 있다. 이것이 가장 큰 이유입니다. 엣지 AI가 주목을 받고 있다. 이는 자동차(자율주행) 및 생산 시스템과 같이 밀리초 단위로 처리해야 하는 분야에서 특히 효과적인 기술입니다.
자율 주행 분야에서는 숙련 된 운전자의 판단과 경험을 생산 시스템 분야의 숙련 된 엔지니어의 판단과 경험으로 옮기고 엣지 AI. 또한 엣지 AI는 생산 장비에 문제가 발생하고 비상 정지가 수행 될 때 처리 속도 측면에서 유리합니다. 두 분야 모두에서 전문가가 부족하고 엣지 AI는 문제를 해결하는 효과적인 수단으로 간주됩니다.
구체적인 예 엣지 인공 지능
그런 다음 사용의 구체적인 예는 무엇입니까? 엣지 AI?
품질 검사를 예로 들자면, 과거에 인간에 의한 검사에서는 “제품의 육안 검사”> “시각적으로 시각화 된 이미지의 판단”- “좋은 / 나쁜 판단”> 흐름을 취하는 것이 일반적이었습니다. 이 “판단”→ “통과 / 실패 판단”부분에서 숙련 된 기술자는 “두뇌”를 사용하여 판단을합니다. 한편, 최근 자동 검사 기술을 이용한 품질 검사에서는 “카메라로 제품 촬영”, “촬영 이미지 판단”> “좋음/나쁨 판단”> 흐름이 취해지고 있다. 그런 다음 숙련 된 기술자의 “두뇌”대신 “캡처 된 이미지의 판단”→ “좋은 / 나쁜 판단”부분에서 인공 지능을 사용하는 것이 생각할 수 있습니다.
인공 지능을 클라우드 서버 또는 클라우드 서버에 배치하기로 한 결정 엣지 서버는 검사에 처리 속도가 필요한지 여부에 따라 이루어져야합니다. 예를 들어, 대량 생산이 각 제품의 품질 검사 시간을 허용하지 않는 경우, 엣지 AI가 적합 할 수 있습니다. 반면에 품질 검사에 시간이 걸리고 노동력을 절약하려는 경우 클라우드 AI로 충분합니다. 엣지 AI.
다음으로, 고장 예측(예측 유지 관리)에 대해 살펴보겠습니다. 여기서, 숙련된 기술자는 예를 들어, “장치의 소리 또는 진동을 느낀다”, “그러한 변화를 알아차리는” →는 “이전 실패 이후의 시간을 고려함” →는 “판단”의 흐름으로부터 실패의 징후→ 추론한다. 당신이 그것을하고 있다고 생각됩니다. 따라서 기기에 설치된 센서가 소리와 진동의 변화를 포착하고, 타이머 등으로부터 시간을 고려하고, 인공지능을 이용하여 종합적인 판단을 내리면, 이론적으로 인공지능으로 대체할 수 있다. (실제로 “학습”의 문제와 다양한 작은 문제가 있습니다. 이러한 문제를 해결하는 것은 생산 엔지니어링 부서의 기술을 보여주는 쇼케이스라고 할 수 있습니다.)
이러한 경우 실패를 예측하는 시간부터 경보 발령까지의 시간이 가능한 한 짧은 경우 후속 대응 계획(이를 “유지 관리 계획”이라고 함)을 작성하는 것이 더 쉽습니다. 따라서, 도입이 가능할 수도 있다. 엣지 속도 측면에서 유리한 AI는 유지 보수 계획을 세우는 데 시간을 할애 할 수 있습니다.
또한 인공 지능을 도입하려면 “학습”이 필요하지만이 “학습”에는 종종 숙련 된 엔지니어의 경험이 필요합니다. 따라서 은퇴 연령에 현장에서 숙련 된 기술자의 최종 직업은 인공 지능에 자신의 경험을 맡기는 것이 점점 더 많아질 것입니다.
엣지 AI는 엔지니어 부족을 해결하는 효과적인 수단 중 하나입니다.
지금까지 우리는 윤곽을 그렸습니다. 엣지 AI. 엣지 AI는 인공 지능의 이점을 가능한 한 빨리 실현하도록 설계된 기술입니다. 구식 생산 라인에서 생산 엔지니어는 항상 생산 라인에 있었고 경험과 직관에 따라 라인을 유지했습니다. 이제 이러한 생산 엔지니어가 공급이 부족하므로, 엣지 AI는 판단과 경험이 인공 지능으로 성공적으로 전달 될 수 있다면 노동력 부족 문제에 대한 효과적인 해결책 중 하나가 될 수 있습니다.
