AI ທີ່ຝັງຢູ່ເຮັດໃຫ້ຄວາມສາມາດຂອງອຸປະກອນແຖວປັນຍາຈັດຕັ້ງໃໝ່ໄດ້ແນວໃດ?

AI ທີ່ຝັງຢູ່ໃນອຸປະກອນແມ່ນເປັນໜຶ່ງໃນການປ່ຽນແປງດ້ານເຕັກໂນໂລຊີທີ່ສຳຄັນທີ່ສຸດໃນການຄິດໄລ່ທີ່ທັນສະໄໝ, ເຊິ່ງປ່ຽນແປງວິທີທີ່ອຸປະກອນອັຈລິຍະປັນຍາປະມວນຜົນຂໍ້ມູນ ແລະ ຕັດສິນໃຈຢ່າງເລິກເຊິ່ງ. ແທນທີ່ຈະອີງໃສ່ເຊີບເວີທີ່ຢູ່ໃນເຄືອຂ່າຍຫຼືການປະມວນຜົນທີ່ເປັນສ່ວນກາງ, AI ທີ່ຝັງຢູ່ໃນອຸປະກອນເຮັດໃຫ້ອຸປະກອນສາມາດເຮັດວຽກຮູບແບບ AI ໄດ້ໂດຍກົງເທິງຮາດແວເອງ. ການປ່ຽນແປງນີ້ມີຜົນກະທົບຢ່າງເລິກເຊິ່ງຕໍ່ຄວາມໄວ, ຄວາມເປັນສ່ວນຕົວ, ຄວາມເຊື່ອຖືໄດ້, ແລະ ປະສິດທິພາບໃນການດຳເນີນງານທົ່ວທຸກອຸດສາຫະກຳ ເຊິ່ງລວມເຖິງການຜະລິດ, ການຂົນສົ່ງ, ສາທາລະນະສຸກ, ແລະ ນະຄອນອັຈລິຍະ.

ການເຂົ້າໃຈກ່ຽວກັບວິທີການ ai ທີ່ຖືກຝັງ ການປ່ຽນແປງຄວາມສາມາດຂອງເຂດຂອບ (edge) ຕ້ອງມີການວິເຄາະພື້ນຖານດ້ານເຕັກນິກ, ການນຳໃຊ້ໃນທາງປະຕິບັດ, ແລະ ຂໍ້ດີດ້ານທຸລະກິດທີ່ເຮັດໃຫ້ເຕັກໂນໂລຊີນີ້ເປັນສິ່ງຈຳເປັນສຳລັບອຸປະກອນອັຈລິຍະທີ່ທັນສະໄໝໃນອະນາຄົດ. ການຍ້າຍຈາກການປະມວນຜົນທີ່ເປັນສ່ວນກາງໄປສູ່ປັນຍາຂອງເຂດຂອບ (edge intelligence) ທີ່ຖືກຈັດສົ່ງຢ່າງເປັນລະບົບ ໄດ້ປ່ຽນແປງສະຖາປັດຕະຍາລະບົບ, ຮູບແບບການຕິດຕັ້ງ, ແລະ ລັກສະນະດ້ານປະສິດທິພາບຢ່າງເລິກເຊິ່ງ, ເຊິ່ງເປັນປະໂຫຍດຕໍ່ທັງນັກພັດທະນາ, ຜູ້ຜະລິດ, ແລະ ຜູ້ໃຊ້ສຸດທ້າຍ.

ກົລະໄດ້ຫຼັກຂອງ AI ທີ່ຝັງຢູ່ໃນອຸປະກອນທີ່ຢູ່ເທິງແຖວ

ການປະມວນຜົນການສົນທະນາແບບທັນທີ

ການສົນທະນາທີ່ເທິງແຖວເປັນຄວາມສາມາດທີ່ສຳຄັນທີ່ສຸດທີ່ AI ທີ່ຝັງຢູ່ໃຫ້ກັບອຸປະກອນອັດຈະລິຍະ. ຕ່າງຈາກການປະມວນຜົນແບບດັ້ງເດີມທີ່ເຮັດຢູ່ໃນເຄື່ອງແວທີ່ຢູ່ໃນເຄືອຂ່າຍ, ການສົນທະນາທີ່ເທິງແຖວເຮັດໃຫ້ອຸປະກອນສາມາດປະຕິບັດຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກຢູ່ໃນທ້ອງຖິ່ນ, ເຊິ່ງໃຫ້ຜົນໄດ້ຮັບພາຍໃນບໍ່ເຖິງໜຶ່ງມີລິວິນາທີ, ບໍ່ແມ່ນເປັນວິນາທີ. ຄວາມໄວທີ່ດີຂຶ້ນຢ່າງຫຼວງຫຼາຍນີ້ເກີດຂື້ນເນື່ອງຈາກຂໍ້ມູນບໍ່ຈຳເປັນຕ້ອງເດີນທາງຜ່ານເຄືອຂ່າຍໄປຍັງເຄື່ອງແວທີ່ຢູ່ຫ່າງໄກ, ເຊິ່ງເຮັດໃຫ້ການຫຼຸດລົງຂອງເວລາທີ່ໃຊ້ໃນການສົ່ງຂໍ້ມູນ (latency) ແລະ ຄວາມເປັນເອກະລາດຈາກເຄືອຂ່າຍ. ການສົນທະນາແບບທັນທີທີ່ເທິງແຖວເຮັດໃຫ້ເກີດການμຕັດສິນໃຈດ້ວຍຕົວເອງໃນການນຳໃຊ້ຕ່າງໆ ໂດຍທີ່ຄວາມຊ້າອາດຈະເຮັດໃຫ້ຄວາມປອດໄພ, ປະສິດທິພາບ ຫຼື ຄວາມພ້ອມຂອງຜູ້ໃຊ້ເສື່ອມເສຍ.

ຄູ່ມືການຈັດຕັ້ງປະຕິບັດການສົ່ງເສີນທາງເສັ້ນຂອບເລີ່ມຕົ້ນດ້ວຍການເຂົ້າໃຈເທັກນິກການປັບປຸງແບບຈຳລອງເພື່ອຫຼຸດຜ່ອນຄວາມຕ້ອງການດ້ານການຄຳນວນ. ການປັບຄ່າເປັນຕົວເລກ, ການຕັດສ່ວນທີ່ບໍ່ຈຳເປັນອອກ, ແລະ ການຖ່າຍໂອນຄວາມຮູ້ ໃຫ້ເປັນໄປໄດ້ທີ່ຈະປະຕິບັດເຄືອຂ່າຍປະສາດທີ່ສັບສົນຢູ່ເທິງຊິບທີ່ມີຊັບພະຍາກອນຈຳກັດ. ວິທີການປັບປຸງເຫຼົ່ານີ້ຮັກສາລະດັບຄວາມຖືກຕ້ອງທີ່ຍອມຮັບໄດ້ ໃນເວລາທີ່ຫຼຸດຜ່ອນພື້ນທີ່ໆໃນໜ່ວຍຄວາມຈຳ ແລະ ການບໍລິໂພກພະລັງງານຢ່າງມີນັກ. ໂດຍການປະຕິບັດການສົ່ງເສີນຢູ່ເທິງເສັ້ນຂອບ, ອຸປະກອນສາມາດຕອບສະຫນອງທັນທີຕໍ່ການປ່ຽນແປງຂອງສິ່ງແວດລ້ອມ, ການປ້ອນຂໍ້ມູນຈາກຜູ້ໃຊ້, ຫຼື ເຫດການຂອງລະບົບ ໂດຍບໍ່ຕ້ອງລໍຖ້າການສື່ສານກັບເຄືອຂ່າຍເຄື່ອງແມ່ຂ່າຍ ຫຼື ການປະມວນຜົນຈາກເຄື່ອງແມ່ຂ່າຍ.

ສະຖາປັດຕະຍາການປັນຍາທີ່ແບ່ງຢູ່ຕາມເຂດ

ປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ໃນອຸປະກອນເຮັດໃຫ້ມີສະຖາປັດຕະຍະກຳແບບຈັດສົ່ງ ໂດຍທີ່ຄວາມຮູ້ຄວາມເຂົ້າໃຈມີຢູ່ທົ່ວທັງເຄືອຂ່າຍຂອງອຸປະກອນທີ່ເຊື່ອມຕໍ່ກັນ ແທນທີ່ຈະເປັນສ່ວນກາງໃນສູນຂໍ້ມູນ. ອຸປະກອນແຕ່ລະຊິ້ນທີ່ຢູ່ທີ່ຈຸດປາຍ (edge device) ສາມາດປະມວນຜົນຂໍ້ມູນໄດ້ດ້ວຍຕົວເອງ, ຕັດສິນໃຈໃນທ້ອງຖິ່ນ, ແລະຮ່ວມມືກັບອຸປະກອນອື່ນໆຜ່ານໂປໂຕຄອນການສື່ສານທີ່ເບົາ. ສະຖາປັດຕະຍະກຳນີ້ປັບປຸງຄວາມເຂັ້ມແຂງຂອງລະບົບຢ່າງເລິກເຊິ່ງ ເນື່ອງຈາກການລົ້ມເຫຼວຂອງອຸປະກອນໜຶ່ງຊິ້ນຈະບໍ່ສົ່ງຜົນຕໍ່ການລົ້ມເຫຼວທັງໝົດຂອງເຄືອຂ່າຍ. ຄູ່ມືສຳລັບລະບົບຈັດສົ່ງເນັ້ນໃສ່ຄວາມຊ້ຳຊ້ອນ, ຄວາມເປັນອິດສະຫຼະໃນທ້ອງຖິ່ນ, ແລະການຫຼຸດລົງຢ່າງເປັນລະບົບເມື່ອການເຊື່ອມຕໍ່ຖືກຕັດ.

ຮູບແບບການຈັດຕັ້ງທີ່ແບ່ງຢູ່ທົ່ວໄປນີ້ເປັນປະໂຫຍດຢ່າງໃຫຍ່ຫຼວງຕໍ່ສະພາບແວດລ້ອມດ້ານອຸດສາຫະກຳ ໂດຍທີ່ການເຮັດວຽກຢ່າງຕໍ່ເນື່ອງ ແລະ ຄວາມເຊື່ອຖືໄດ້ຂອງການປະຕິບັດເປັນຄວາມຕ້ອງການທີ່ບໍ່ສາມາດເຈລະຈາໄດ້. ສະຖານທີ່ຜະລິດ, ລະບົບການຂົນສົ່ງ ແລະ ສິ່ງອຳນວຍຄວາມສະດວກທີ່ສຳຄັນສາມາດຮັກສາການເຮັດວຽກໄດ້ເຖິງແມ່ນວ່າເຊີເວີຣ໌ສູນກາງຈະບໍ່ສາມາດໃຊ້ງານໄດ້ຊົ່ວຄາວ. ອຸປະກອນທີ່ຢູ່ທີ່ຈຸດປາຍ (edge devices) ທີ່ຕິດຕັ້ງ AI ເຂົ້າໄປໃນຕົວເຄື່ອງແລ້ວສາມາດສັງເກດເຫັນຄວາມຜິດປົກກະຕິ, ສົ່ງສັນຍານເຕືອນ ແລະ ເລີ່ມຕົ້ນການດຳເນີນການເພື່ອປັບປຸງເຫດການດັ່ງກ່າວໂດຍບໍ່ຕ້ອງລໍຄຳອະນຸຍາດຈາກລະບົບທີ່ຢູ່ໄກ. ວິທີການສອນທີ່ໃຊ້ໃນການອອກແບບລະບົບເຫຼົ່ານີ້ຈະປະກອບດ້ວຍການພິຈາລະນາຢ່າງລະອຽດວ່າການμຕັດສິນໃຈໃດຄວນເກີດຂຶ້ນໃນທ້ອງຖິ່ນ ແລະ ການຕັດສິນໃຈໃດທີ່ຕ້ອງການການປະສານງານຈາກສູນກາງ.

ຂໍ້ດີທີ່ສຳຄັນ ແລະ ການຍົກລະດັບຄວາມສາມາດ

ການຍົກລະດັບດ້ານຄວາມເປັນສ່ວນຕົວ ແລະ ຄວາມປອດໄພ

ໜຶ່ງໃນຂໍ້ດີທີ່ດຶງດູດທີ່ສຸດຂອງ AI ທີ່ຝັງຢູ່ໃນອຸປະກອນ ແມ່ນຄວາມສາມາດໃນການປະມວນຜົນຂໍ້ມູນທີ່ອ່ອນໄຫວຢູ່ທ້ອງຖິ່ນໂດຍບໍ່ຕ້ອງສົ່ງໄປຍັງເຊີບເວີຣ໌ພາຍນອກ. ຂໍ້ມູນສຸຂະພາບສ່ວນບຸກຄົນ, ຂໍ້ມູນຊີວະແທ້, ການເຮັດທຸລະກຳດ້ານການເງິນ ແລະ ຂໍ້ມູນລັບອື່ນໆ ສາມາດຢູ່ໃນອຸປະກອນໄດ້ຕະຫຼອດເວລາ, ເຊິ່ງຈະປ້ອງກັນການຖືກເປີດເຜີຍໃນເວລາທີ່ຂໍ້ມູນກຳລັງຖືກສົ່ງຜ່ານເຄືອຂ່າຍ. ວິທີການອອກແບບເພື່ອຄວາມເປັນສ່ວນຕົວນີ້ ໄດ້ຕອບສະຫນອງຄວາມຕ້ອງການດ້ານກົດໝາຍໃນດ້ານສຸຂະພາບ, ການເງິນ ແລະ ການນຳໃຊ້ຂອງຜູ້ບໍລິໂພກ ໂດຍທີ່ການປ້ອງກັນຂໍ້ມູນເປັນສິ່ງທີ່ສຳຄັນທີ່ສຸດ. ຮູບແບບການສົ່ງຜ່ານຂໍ້ມູນທີ່ເກີດຂື້ນທີ່ເຂດແດນຂອງອຸປະກອນ (edge inference model) ຮັບປະກັນວ່າການປະມວນຜົນຂໍ້ມູນທີ່ອ່ອນໄຫວຈະເກີດຂື້ນພາຍໃນເຂດທີ່ຄວບຄຸມໄດ້ຢ່າງເຂັ້ມງວດ ແລະ ຢູ່ພາຍໃຕ້ອຳນາດຂອງເຈົ້າຂອງອຸປະກອນໂດຍກົງ.

ຄວາມໝາຍດ້ານຄວາມປອດໄພຂະຫຍາຍອອກໄປເຖິງເທິງການຄຸ້ມຄອງຂໍ້ມູນສ່ວນບຸກຄົນ ເຖິງການປ້ອງກັນການເຂົ້າເຖິງທີ່ບໍ່ໄດ້ຮັບອະນຸຍາດ ການໂຈມຕີທີ່ອີງໃສ່ເຄືອຂ່າຍ ແລະ ຄວາມສ່ຽງຈາກການແຕກແຍກການສື່ສານ (man-in-the-middle). ເມື່ອການμຕັດສິນໃຈທີ່ສຳຄັນເກີດຂຶ້ນໃນອຸປະກອນທີ່ຢູ່ທີ່ຈຸດປາຍ (edge devices) ການລົ້ມສະລາຍອຸປະກອນໜຶ່ງຊິ້ນຈະເປັນເລື່ອງທີ່ຍາກຂຶ້ນຫຼາຍເທົ່າທີ່ເທີຍບ່ຽງກັບການໂຈມຕີເຄື່ອງເຊີບເວີ້ທີ່ເປັນສູນກາງ ເຊິ່ງຄວບຄຸມຈຸດປາຍຫຼາຍພັນຈຸດ. ອົງການທີ່ນຳເອົາ AI ທີ່ຝັງຢູ່ໃນລະບົບມາໃຊ້ຈະສາມາດຫຼຸດຜ່ອນເຂດທີ່ສາມາດຖືກໂຈມຕີ (attack surface) ໄດ້ຢ່າງມີນັກ ແລະ ປັບປຸງທ່າທີດ້ານຄວາມປອດໄພຂອງລະບົບໄອທີທັງໝົດ. ຄູ່ມືສຳລັບການຕິດຕັ້ງທີ່ໃຫ້ຄວາມສຳຄັນກັບຄວາມປອດໄພ ເນັ້ນໃສ່ການເຂົ້າລະຫັດຂໍ້ມູນໃນລະດັບອຸປະກອນ ກົນໄກການເລີ່ມຕົ້ນທີ່ປອດໄພ (secure boot) ແລະ ສະພາບແວດລ້ອມການປະມວນຜົນທີ່ຖືກແຍກອອກຈາກສ່ວນອື່ນ.

ປະສິດທິພາບ ແລະ ຄວາມໄວ

ປັນຍາຈຳລອງທີ່ຝັງຢູ່ໃນອຸປະກອນຊ່ວຍໃຫ້ມີຄວາມໄວໃນການຕອບສະຫນອງທີ່ບໍ່ເຄີຍມີມາກ່ອນ ໂດຍການຂຈັດຄວາມລ່າຊ້າຂອງເຄືອຂ່າຍອອກຈາກວຟົງການຕັດສິນໃຈ. ການນຳໃຊ້ທີ່ຕ້ອງການເວລາຕອບສະຫນອງຕ່ຳກວ່າ 100 ມີລີວິນາທີ (millisecond) ເຊັ່ນ: ລະບົບພາຫະນະອັດຕະໂນມັດ, ການຄວບຄຸມຫຸ່ນຍົນ, ແລະ ການຕິດຕາມແບບທັນທີ ຕ້ອງອີງໃສ່ຄວາມສາມາດຂອງການສົ່ງຜົນໄດ້ທີ່ເກີດຂື້ນຢູ່ທີ່ຈຸດຕິດຕໍ່ (edge inference) ໂດຍເປັນຫຼັກ. ຫຼັກການສອນນີ້ຖືກນຳໃຊ້ໄດ້ທັງໃນບໍລິບົດຂອງຜູ້ບໍລິໂພກ ແລະ ບໍລິບົດອຸດສາຫະກຳ: ການປະມວນຜົນທ້ອງຖິ່ນທີ່ໄວຂື້ນຈະເຮັດໃຫ້ປະສົບການຂອງຜູ້ໃຊ້ດີຂື້ນ ແລະ ການດຳເນີນງານອັດຕະໂນມັດທີ່ປອດໄພຂື້ນ. ຜົນປະໂຫຍດດ້ານປະສິດທິພາບບໍ່ໄດ້ຈຳກັດຢູ່ເທິງຄວາມໄວເທົ່ານັ້ນ ແຕ່ຍັງລວມເຖິງເວລາຕອບສະຫນອງທີ່ສອດຄ່ອງ ແລະ ສາມາດຄາດເດົາໄດ້ດີຂື້ນ ເຊິ່ງເຮັດໃຫ້ການດຳເນີນງານອັດຕະໂນມັດເປັນໄປຢ່າງເຊື່ອຖືໄດ້.

ປະສິດທິພາບດ້ານພະລັງງານເປັນຂໍ້ໄດ້ປຽດທີ່ສຳຄັນອີກອັນໜຶ່ງທີ່ AI ທີ່ຝັງຢູ່ໃນອຸປະກອນເຮັດໃຫ້ເກີດຂື້ນ. ໂດຍການເຮັດວຽກດ້ວຍແບບຈຳລອງທີ່ຖືກປັບປຸງໃຫ້ເໝາະສົມຢູ່ໃນທ້ອງຖິ່ນ ແທນທີ່ຈະຕ້ອງຮັກສາການເຊື່ອມຕໍ່ຢ່າງຕໍ່ເນື່ອງກັບເຊີບເວີທີ່ຢູ່ຫ່າງໄກ ອຸປະກອນຈະບໍ່ໃຊ້ພະລັງງານຫຼາຍເທົ່າໃດ ແລະ ສາມາດເຮັດວຽກໄດ້ດົນຂື້ນດ້ວຍພະລັງງານຈາກຖ່ານໄຟ. ການພິຈາລະນາດ້ານປະສິດທິພາບນີ້ກາຍເປັນສິ່ງທີ່ສຳຄັນຂື້ນເລື້ອຍໆສຳລັບອຸປະກອນທີ່ເຄື່ອນໄຫວ ເຊັນເຊີທີ່ຢູ່ຫ່າງໄກ ແລະ ການນຳໃຊ້ທີ່ມີຂໍ້ຈຳກັດດ້ານພະລັງງານ. ຜົນໄດ້ປຽດດ້ານປະສິດທິພາບເຮັດໃຫ້ການນຳໃຊ້ທີ່ເຄີຍເປັນໄປບໍ່ໄດ້ກາຍເປັນໄປໄດ້, ເປີດໂອກາດໃຫ້ມີຄວາມສາມາດດ້ານ AI ໃນສະພາບແວດລ້ອມທີ່ມີຊັບພະຍາກອນຈຳກັດ.

ການປະຕິບັດໃນທາງປະຕິບັດຈິງ ແລະ ຜົນກະທົບຕໍ່ທຸລະກິດ

ການນໍາໃຊ້ສະເພາະຂອງອຸດສາຫະກໍາ

ສະຖານທີ່ຜະລິດໃຊ້ປັນຍາຈຳລອງທີ່ຝັງຢູ່ໃນອຸປະກອນເຄີ່ງຂອງເຂດ (edge devices) ເພື່ອການບໍາຮັກສາແບບທຳນາຍ, ການຄວບຄຸມຄຸນນະພາບ, ແລະ ການປັບປຸງການຜະລິດ. ລະບົບທັດສະນະຄະຕິດິຈິຕອນ (computer vision systems) ທີ່ດຳເນີນການການສົ່ງຜົນ (inference) ໂດຍກົງເທິງອຸປະກອນທີ່ຢູ່ໃນໂຮງງານຜະລິດ ສາມາດຈັບເຫັນຂໍ້ບົກຜ່ອງໄດ້ໃນເວລາຈິງ, ແລະ ຢຸດການຜະລິດອັດຕະໂນມັດເມື່ອຈຳເປັນເພື່ອປ້ອງກັນການສູນເສຍ. ວິທີການສອນນີ້ປະກອບດ້ວຍການຕິດຕັ້ງແບບຈຳລອງທີ່ຈຸດທີ່ມີການຮັບຮູ້ (point of sensing), ເຊິ່ງເຮັດໃຫ້ບໍ່ມີຄວາມລ່າຊ້າທີ່ເກີດຈາກການດຳເນີນການຜ່ານເຄືອຂ່າຍເຄີ່ງ (cloud processing). ການສົ່ງຜົນໃນເວລາຈິງທີ່ເກີດຂຶ້ນໃນເຂດ (real-time edge inference) ໃຫ້ຜູ້ຜະລິດສາມາດຮັກສາການຜະລິດຢ່າງຕໍ່ເນື່ອງ ແລະ ສາມາດบรรลุມາດຕະຖານຄຸນນະພາບທີ່ສູງຂຶ້ນ ແລະ ລົດຕ່ຳອັດຕາການທີ່ຜະລິດບໍ່ໄດ້ຄຸນນະພາບ (scrap rates) ໄດ້ຢ່າງຫຼວງຫຼາຍ.

ອຸດສາຫະກຳການຂົນສົ່ງ ແລະ ການຈັດສົ່ງໄດ້ຮັບປະໂຫຍດຢ່າງໃຫຍ່ຫຼວງຈາກ AI ທີ່ຝັງຢູ່ໃນຟີເລີດຂອງພາຫະນະ ແລະ ສາງພື້ນຄວາມໝາຍທາງດ້ານການຈັດສົ່ງ. ລະບົບຝັງຢູ່ນີ້ສາມາດຕິດຕາມພຶດຕິກຳຂອງຜູ້ຂັບຂີ່, ຄວາມສາມາດຂອງພາຫະນະ, ແລະ ການເລືອກເສັ້ນທາງທີ່ດີທີ່ສຸດ ໃນເວລາທີ່ປະມວນຜົນຂໍ້ມູນຈາກເຊັນເຊີຕ່າງໆຢ່າງຕໍ່ເນື່ອງ ເຊັ່ນ: ເຄື່ອງຖ່າຍຮູບ, GPS, ແລະ ລະບົບວິເຄາະສະຖານະພາວະຂອງພາຫະນະ. ຄູ່ມືການຈັດການຟີເລີດເນັ້ນໃສ່ວ່າການສົ່ງຜົນໄດ້ທີ່ແຖວດ້ານຂອງ (edge inference) ສາມາດໃຫ້ການເຕືອນລ່ວງໆເຖິງຄວາມຕ້ອງການບໍາລຸງຮັກສາ, ພຶດຕິກຳການຂັບຂີ່ທີ່ບໍ່ປອດໄພ, ແລະ ການໃຊ້ເຊື້ອເພິງທີ່ບໍ່ມີປະສິດທິພາບ ກ່ອນທີ່ບັນຫາຈະທີ່ເລີ່ມຮ້າຍແຮງຂຶ້ນ. ຄວາມສາມາດນີ້ປ່ຽນການບໍາລຸງຮັກສາທີ່ເກີດຂື້ນຫຼັງຈາກບັນຫາເກີດຂື້ນ (reactive maintenance) ໃຫ້ເປັນການປັບປຸງທີ່ເກີດຂື້ນກ່ອນເວລາ (proactive optimization), ຊຶ່ງຊ່ວຍຫຼຸດຜ່ອນເວລາທີ່ພາຫະນະບໍ່ສາມາດໃຊ້ງານໄດ້ ແລະ ຄ່າໃຊ້ຈ່າຍໃນການດຳເນີນງານຢ່າງຫຼວງຫຼາຍ.

ເງື່ອນໄຂທີ່ຄວນພິຈາລະນາເມື່ອນຳໃຊ້

ການປະຕິບັດ AI ທີ່ຝັງຢູ່ຢ່າງສຳເລັດຕ້ອງການຄວາມເຂົ້າໃຈພື້ນຖານຂອງຄູ່ມືກ່ຽວກັບການເລືອກຮູບແບບ, ຄວາມເຂົ້າກັນໄດ້ຂອງຮາດແວ, ແລະ ລຳດັບຂະບວນການພັດທະນາ. ນັກພັດທະນາຕ້ອງເລືອກເອົາໂຟລະແວ ແລະ ເຄື່ອງມືທີ່ສະຫນັບສະຫນູນການປັບປຸງຮູບແບບໃຫ້ເໝາະສົມກັບເວທີຮາດແວເປົ້າໝາຍຂອງເຂົາ. ຄູ່ມືສຳລັບການວາງແຜນການຈັດຕັ້ງປະຕິບັດປະກອບດ້ວຍການທົດສອບຢ່າງລະອຽດໃນສະພາບແວດລ້ອມການເຮັດວຽກຈິງ, ການຢືນຢັນຄວາມຖືກຕ້ອງຂອງການສົ່ງຜົນ (inference) ໃນສະພາບການຈິງ, ແລະ ການຈັດຕັ້ງຂະບວນການບໍາຮັກສາສຳລັບການອັບເດດຮູບແບບ. ການຈັດຕັ້ງປະຕິບັດໃນອຸປະກອນ Edge ແມ່ນມັກຈະມີຈຳນວນຫຼາຍຂອງຫົວໜ່ວຍທີ່ຕັ້ງຢູ່ໃນບ່ອນຕ່າງໆ, ສະນັ້ນຂະບວນການຈັດຕັ້ງປະຕິບັດທີ່ເຂັ້ມແຂງຈຶ່ງເປັນສິ່ງຈຳເປັນ.

ອົງການທີ່ນຳໃຊ້ປັນຍາຈຳລອງທີ່ຝັງຢູ່ຕ້ອງຈັດຕັ້ງການຄຸມຄອງທີ່ຊັດເຈນເຖິງແຕ່ລະຮູບແບບຂອງແບບຈຳລອງທີ່ຈະເຮັດວຽກຢູ່ໃສ, ວິທີການແບ່ງປັນການອັບເດດ, ແລະ ການຕິດຕາມທີ່ເກີດຂຶ້ນທົ່ວທັງໂຄງສ້າງຂອງເຂົາເຈົ້າທີ່ຢູ່ເທິງເຂດ. ວິທີການສອນທີ່ເນັ້ນການດຳເນີນງານຈະເນັ້ນໃສ່ການບັນທຶກຂໍ້ມູນຢ່າງລະອອບ, ການຕິດຕາມປະສິດທິພາບ, ແລະ ລະບົບເຕືອນທີ່ສາມາດປະກາດບັນຫາກ່ອນທີ່ມັນຈະສົ່ງຜົນຕໍ່ຜົນໄດ້ຮັບຂອງທຸລະກິດ. ການສ້າງຄວາມສາມາດດ້ານການຕິດຕາມ ແລະ ການຈັດການເຂົ້າໄປໃນການຕິດຕັ້ງທີ່ເທິງເຂດຈະຮັບປະກັນວ່າລະບົບຈະຍັງຄົງເຮັດວຽກໄດ້ຢ່າງມີປະສິດທິພາບເຖິງແມ່ນວ່າແບບຈຳລອງຈະເກົ່າລົງ, ອຸປະກອນຈະມີການພັດທະນາ, ແລະ ສະພາບແວດລ້ອມຈະປ່ຽນແປງ.

ຖາມບ່ອຍໆ

ວຽກງານໃດແດ່ທີ່ປັນຍາຈຳລອງທີ່ຝັງຢູ່ສາມາດຈັດການໄດ້ຢ່າງມີປະສິດທິພາບໃນອຸປະກອນທີ່ຢູ່ເທິງເຂດ?

AI ທີ່ຝັງຢູ່ໃນອຸປະກອນເຮັດວຽກໄດ້ດີເລີດໃນການຈົດຈຳຮູບແບບ, ການສະຫຼຸບຄວາມຜິດປົກກະຕິ, ການຈັດປະເພດ, ແລະ ການຕັດສິນໃຈໃນເວລາຈິງ ໂດຍທີ່ຄວາມໜ້ອຍທີ່ສຸດຂອງເວລາທີ່ໃຊ້ໃນການປະມວນຜົນ (latency) ແມ່ນມີຄວາມສຳຄັນຢ່າງຍິ່ງ. ການຈົດຈຳຮູບພາບ, ການວິເຄາະຂໍ້ມູນຈາກເຊັນເຊີ, ການວິເຄາະທາງການທຳนาย, ແລະ ການອັດຕະໂນມັດທີ່ອີງໃສ່ກົດເກນ ແມ່ນຕົວຢ່າງທີ່ເໝາະສົມທີ່ສຸດສຳລັບການປະມວນຜົນທີ່ເກີດຂື້ນທີ່ຈຸດໃຊ້ງານ (edge inference). ຫຼັກການທີ່ເປັນພື້ນຖານກ່າວວ່າ ວຽກງານທີ່ຕ້ອງການການຕອບສະຫນອງທັນທີ ແລະ ດຳເນີນການເທິງຂໍ້ມູນທີ່ມີຮູບແບບ (structured data) ຈະໄດ້ຮັບປະໂຫຍດຫຼາຍທີ່ສຸດຈາກວິທີການ AI ທີ່ຝັງຢູ່. ສຳລັບການຄິດວິເຄາະທີ່ສັບສົນ, ການວິເຄາະຫຼາຍຮູບແບບ (multi-modal analysis) ທີ່ຕ້ອງການຊີວະພະລັງຄຳນວນທີ່ສູງ, ແລະ ວຽກງານທີ່ຄວາມຖືກຕ້ອງສູງສຸດເປັນສິ່ງທີ່ສຳຄັນກວ່າຄວາມໄວ, ອາດຈະຍັງຄົງໄດ້ຮັບປະໂຫຍດຈາກວິທີການຮ່ວມ (hybrid approaches) ທີ່ປະສົມປະສານການປະມວນຜົນທີ່ຈຸດໃຊ້ງານ ແລະ ການປະມວນຜົນທີ່ເຄື່ອງແວເຄື່ອງມືເຄື່ອງສູງ (cloud processing).

AI ທີ່ຝັງຢູ່ແຕກຕ່າງຈາກການປະມວນຜົນຮູບແບບເຄື່ອງຮຽນ (machine learning) ທີ່ອີງໃສ່ເຄື່ອງແວເຄື່ອງມືເຄື່ອງສູງ (cloud-based) ແນວໃດ?

ຄວາມແຕກຕ່າງທີ່ເປັນພື້ນຖານຢູ່ທີ່ສະຖານທີ່ຂອງການປະມວນຜົນ ແລະ ຜົນກະທົບຕໍ່ຄວາມຊ້າ. AI ທີ່ຝັງຢູ່ໃນອຸປະກອນຈະປະມວນຜົນຮູບແບບໂດຍກົງໃນອຸປະກອນທີ່ຢູ່ເທິງເຂດ (edge devices) ເຊິ່ງເຮັດໃຫ້ມີເວລາຕອບສະຫນອງທີ່ໄວກວ່າໜຶ່ງວິນາທີ ແລະ ສາມາດເຮັດວຽກໄດ້ໂດຍບໍ່ຕ້ອງເຊື່ອມຕໍ່ເຄືອຂ່າຍ. ການປະມວນຜົນທີ່ອີງໃສ່ເຄືອຂ່າຍ (cloud-based) ມີຊັບພະຍາກອນດ້ານການຄຳນວນທີ່ຫຼາກຫຼາຍກວ່າ ແຕ່ຈະເກີດຄວາມຊ້າຈາກເຄືອຂ່າຍ ຄວາມເປັນໄປໄດ້ທີ່ຈະເກີດບັນຫາການເຊື່ອມຕໍ່ ແລະ ບັນຫາດ້ານຄວາມເປັນສ່ວນຕົວທີ່ກ່ຽວຂ້ອງກັບການຖ່າຍໂອນຂໍ້ມູນ. ການປຽບທຽບໃນຄູ່ມືນີ້ສະແດງໃຫ້ເຫັນວ່າ AI ທີ່ຝັງຢູ່ຈະສູນເສຍອຳນາດການຄຳນວນທີ່ສູງເພື່ອແລກເອົາຄວາມໄວໃນການຕອບສະຫນອງ ຄວາມເປັນສ່ວນຕົວ ແລະ ຄວາມເປັນອິດສະຫຼະ. ອົງການຕ່າງໆມັກນຳໃຊ້ວິທີການປະສົມປະສານ (hybrid approaches) ໂດຍທີ່ອຸປະກອນເທິງເຂດຈະຈັດການການμຕັດສິນໃຈທີ່ຕ້ອງການທັນທີທີ່ເກີດຂຶ້ນໃນທ້ອງຖິ່ນ ໃນຂະນະທີ່ສົ່ງຂໍ້ມູນໄປຍັງລະບົບເຄືອຂ່າຍເພື່ອການວິເຄາະເລິກເຊິ່ງຂຶ້ນ ແລະ ການຝຶກຝົນຮູບແບບໃໝ່.

ບັນຫາຫຼັກທີ່ເກີດຂຶ້ນເມື່ອນຳໃຊ້ວິທີແກ້ໄຂ AI ທີ່ຝັງຢູ່ແມ່ນຫຍັງ?

ການປັບປຸງແບບ, ການເລືອກອຸປະກອນຮາດແວ, ແລະ ທີມງານທີ່ມີທັກສະດ້ານການພັດທະນາ ແມ່ນຄວາມທ້າທາຍຫຼັກໃນການນຳໃຊ້ປັນຍາຈຳລອງໃນອຸປະກອນ. ນັກພັດທະນາຈຳເປັນຕ້ອງມີຄວາມຊຳນິຊຳນານດ້ານເຕັກນິກການຫຸດຂະໜາດແບບ, ການຂຽນໂປຣແກຣມສຳລັບລະບົບຝັງຕົວ, ແລະ ພາດທະນາໃສ່ເວທີຮາດແວທີ່ເປັນເອກະລັກ. ຄູ່ມືທີ່ຊ່ວຍເກີນຄວາມທ້າທາຍເຫຼົ່ານີ້ ເນັ້ນໃສ່ການຮ່ວມມືກັບຜູ້ຜະລິດຮາດແວ, ການນຳໃຊ້ໂຟລະແວທີ່ຖືກປັບປຸງໃຫ້ມີປະສິດທິພາບ, ແລະ ການລົງທຶນໃນການຝຶກອົບຮົມນັກພັດທະນາ. ການຈັດການການຕິດຕັ້ງໃນອຸປະກອນທີ່ຢູ່ທີ່ຈຸດປາຍ (edge devices) ຈຳນວນຫຼາຍຮ້ອຍຫຼືພັນເຄື່ອງ, ການຮັກສາຄວາມເປັນເອກະພາບ, ແລະ ການອະນຸຍາດໃຫ້ອັດເດດແບບໄດ້ທ້ອງຖິ່ນ ຕ້ອງການຄວາມສາມາດດ້ານການດຳເນີນງານທີ່ສູງ, ເຊິ່ງອົງການຫຼາຍແຫ່ງຈຳເປັນຕ້ອງພັດທະນາຂຶ້ນຈາກສູນ.