Edge AI

Wat is Edge AI?

Edge AI is een vorm van edge computing waarbij toepassingen voor kunstmatige intelligentie (AI) rechtstreeks worden ingezet op apparaten die zich aan de rand van het netwerk bevinden. Bij deze aanpak verzamelt en verwerkt elk apparaat lokaal gegevens zonder deze terug te sturen naar een centrale locatie zoals de cloud of een privé datacenter.

Op een hoog niveau stelt edge AI externe apparaten in staat om in realtime en met minimale vertraging conclusies te trekken uit lokale gegevens.

Waarom hebben we edge AI nodig?

Nu het Internet of Things (IoT) en slimme apparaten naar schatting zullen groeien van 15,1 miljard in 2023 tot 34,6 miljard in 2023, is edge AI in opkomst als een populair raamwerk om gegevens efficiënt te verzamelen en te verwerken aan de rand van het netwerk.

Bij een edge AI-benadering kunnen AI-modellen direct worden ingezet op apparaten, die dan lokaal gegevens verzamelen en verwerken. Dit geeft ze de mogelijkheid om conclusies te trekken en inzichten te ontwikkelen zonder verbinding te hoeven maken met het internet of een gecentraliseerd AI-model.

Gedecentraliseerde verwerking betekent ook dat inzichten in real-time kunnen worden gegenereerd met minder vertraging dan wanneer het apparaat gegevens naar de cloud zou moeten sturen om te worden verwerkt en te luisteren naar een reactie.

De efficiëntie van edge AI maakt het een natuurlijke fit voor omgevingen waar organisaties zichzelf in een positie willen plaatsen om de gegevens te verwerken die worden verzameld door IoT en slimme apparaten.

Door AI-inferentie naar de rand van het netwerk te verplaatsen, kunnen organisaties er ook voor zorgen dat wettelijk beschermde gegevenscategorieën, zoals persoonlijk identificeerbare informatie (PII), niet worden blootgesteld aan de servers van cloudserviceproviders en andere derde partijen, wat helpt bij het naleven van lokale en internationale regelgeving voor gegevensbescherming.

De rol van cloud computing in Edge AI

Het gebruik van cloud computing is essentieel voor het ontsluiten van enkele van de belangrijkste voordelen van edge AI. Hoewel het twee verschillende concepten zijn, kunnen ze elkaar wederzijds voordeel opleveren bij het trainen van AI-modellen.

Een organisatie kan bijvoorbeeld een gecentraliseerd model in de cloud trainen en dat naar apparaten sturen. Dit model kan vervolgens periodiek worden bijgeschoold met behulp van gegevens die zijn verzameld via de edge van het netwerk, waarna het bijgewerkte model kan worden verzonden naar downstream apparaten.

Op dezelfde manier kan de cloud gegevens verwerken in die scenario’s waar verwerking aan de rand (de edge) geen zin heeft. Als een organisatie een grote hoeveelheid informatie moet verwerken of inferentietaken met hoge rekenvereisten moet uitvoeren, dan maakt de schaalbaarheid die de cloud biedt dit een ideale keuze.

Aan de andere kant, als een organisatie behoefte heeft aan real-time verwerking en inzichten die direct aan eindgebruikers worden verstrekt via hun apparaten, dan is edge AI de betere keuze om latency tot een minimum te beperken.

Wat zijn de voordelen van Edge AI?

Het verplaatsen van AI-verwerking naar de rand van een netwerk biedt bedrijven een aantal belangrijke voordelen. Deze voordelen zijn onder andere

• Inzichten ontwikkelen in realtime: Door gegevens lokaal te verzamelen en te verwerken, kunnen AI-modellen apparaten van gebruikers voorzien van realtime inzichten.
• Efficiëntere verwerking: Het lokaal verwerken, analyseren en opslaan van gegevens verhoogt de efficiëntie, zodat je meer gegevens in minder tijd kunt verwerken zonder ze naar een centrale cloudserver te sturen.
• Minder energieverbruik: Inferentietaken vereisen minder rekenkracht en verbruiken minder stroom.
• Lagere kosten: Meer efficiëntie bespaart niet alleen op stroom, maar vereist ook minder netwerkbandbreedte.
• Meer privacy: Door gegevens lokaal te verwerken, worden ze minder blootgesteld aan derden, zoals cloud service providers, en is de kans op gegevenslekken kleiner.
• Hoge beschikbaarheid en betrouwbaarheid: Decentralisatie betekent dat apparaten niet verbonden hoeven te zijn met het internet om door te gaan met het verwerken van gegevens en het verzamelen van inzichten, waardoor ze minder gevoelig zijn voor downtime.

Voorbeelden van Edge AI-gebruikscases

Edge AI kan in een breed scala aan scenario’s worden gebruikt. Enkele van de meest voorkomende use cases voor edge AI worden hieronder kort genoemd:

• Virtuele assistenten: Edge AI kan worden gebruikt om virtuele assistenten zoals Siri en Google Assistant aan te drijven om vragen van gebruikers te beantwoorden en opdrachten op aanvraag uit te voeren.
• Slimme apparaten en wearables in de gezondheidszorg: Organisaties in de gezondheidszorg kunnen patiënten voorzien van draagbare slimme apparaten, die biosensoren gebruiken om gegevens te verzamelen over hun hartslag, bloeddruk en slaappatronen om toekomstige behandelingen te helpen informeren.
• IoT-apparaten voor preventief onderhoud in de productie: Productiebedrijven kunnen sensoren installeren op machines en apparatuur in fabrieken en magazijnen om potentiële storingen te voorspellen en waarschuwingen te genereren zodat een technicus het probleem kan oplossen voordat er downtime optreedt.
• Zelfrijdende robots: Organisaties kunnen sensoren installeren in autonome voertuigen, drones en automatisch geleide voertuigen (AGV) om real-time inzicht te bieden in waar het voertuig rijdt en waar het zich bevindt en zelfs om datasignalen te leveren die zelfrijdende auto’s kunnen sturen.

De kern van de zaak

Edge AI maakt het voor organisaties mogelijk om inzichten samen te brengen van apparaten die zich buiten het traditionele bedrijfsnetwerk bevinden.

Bedrijven die gegevens van IoT- en slimme apparaten willen verzamelen en verwerken, zullen edge AI-benaderingen moeten omarmen als ze de maximale waarde willen halen uit de gegevens die door deze bronnen worden verzameld.