AI ທີ່ຝັງຢູ່ໃນອຸປະກອນມີຂໍ້ດີຫຍັງເທືອບກັບການປະມວນຜົນ AI ທີ່ອີງໃສ່ເຄື່ອງແວດ (cloud-based)?

ການປ່ຽນໄປສູ່ AI ທີ່ຝັງຢູ່ເປັນການປ່ຽນແປງທີ່ເລິກເຊິ່ງຕໍ່ວິທີທີ່ອົງການຈັດການຂໍ້ມູນ ແລະ ດຳເນີນການຕາມຂໍ້ມູນດັ່ງກ່າວ. ຕ່າງຈາກການປະມວນຜົນ AI ຜ່ານເຄື່ອງແບບເຄື່ອງມືທີ່ຢູ່ໃນເຄື່ອງແບບເຄື່ອງມືທີ່ຢູ່ຫ່າງໄກ ເຊິ່ງຕ້ອງສົ່ງຂໍ້ມູນໄປຍັງເຄື່ອງແບບເຄື່ອງມືທີ່ຢູ່ຫ່າງໄກ, ai ທີ່ຖືກຝັງ ເຮັດວຽກໂດຍກົງເທິງອຸປະກອນທີ່ຢູ່ທີ່ຈຸດປາຍ (edge devices), ໃຫ້ຂໍ້ມູນເຊິ່ງເກີດຂຶ້ນໃນເວລາຈິງໂດຍບໍ່ມີຄວາມລ້າຊ້າ ແລະ ບໍ່ຕ້ອງພິງພາເຄື່ອງແບບເຄື່ອງມືທີ່ຢູ່ໃນເຄື່ອງແບບເຄື່ອງມືທີ່ຢູ່ຫ່າງໄກ. ຄວາມແຕກຕ່າງດ້ານສະຖາປັດຕະຍາການນີ້ສ້າງຄວາມໄດ້ປຽດທີ່ສຳຄັນໃນດ້ານປະສິດທິພາບ, ຄວາມເຊື່ອຖືໄດ້, ຕົ້ນທຶນ ແລະ ຄວາມປອດໄພ ເຊິ່ງເປັນສິ່ງທີ່ມີຄວາມສຳຄັນຫຼາຍຕໍ່ຜູ້ຕັດສິນໃຈໃນອຸດສາຫະກຳ ແລະ ລະດັບອົງການ.

ອົງການຕ່າງໆໃນມື້ນີ້ເປັນເປົ້າໝາຍຂອງຄວາມກົດດັນທີ່ເພີ່ມຂຶ້ນເພື່ອຕັດສິນໃຈໄດ້ໄວຂຶ້ນ ໃນເວລາທີ່ຈັດການກັບຂອບເຂດຄວາມໄວຂອງເຄືອຂ່າຍ ຄວາມສ່ຽງຂອງການຂັດຂວາງເຄືອຂ່າຍ ແລະ ຂໍ້ບັງຄັບດ້ານຄວາມເປັນສ່ວນຕົວ. AI ທີ່ຝັງຢູ່ (Embedded AI) ແກ້ໄຂບັນຫາເຫຼົ່ານີ້ດ້ວຍການເຮັດໃຫ້ການສົ່ງຜົນ (inference) ເກີດຂຶ້ນໃນອຸປະກອນເອງ ໃນສ່ວນປາກົດ (at the edge) ໂດຍທີ່ຂໍ້ມູນເກີດຂຶ້ນ. ຄູ່ມືນີ້ສຳຫຼັບການສຶກສາຂໍ້ດີທີ່ຈັບຕ້ອງໄດ້ ທີ່ເຮັດໃຫ້ໂຄງສ້າງ AI ທີ່ຝັງຢູ່ເປັນທີ່ດຶງດູດສຳລັບການຜະລິດ ສິ່ງທີ່ເຮັດດ້ວຍຫຸ່ນຍົນ ລະບົບອັດຕະໂນມັດ ອຸປະກອນດ້ານສຸຂະພາບ ແລະ ການນຳໃຊ້ໃນຮ້ານຄ້າ ໂດຍທີ່ຄວາມໄວ ແລະ ຄວາມເຊື່ອຖືໄດ້ມີຜົນກະທົບໂດຍກົງຕໍ່ຜົນໄດ້ຮັບດ້ານການດຳເນີນງານ.

ປະສິດທິພາບໃນເວລາຈິງ ແລະ ການຫຼຸດຜ່ອນຄວາມລ່າຊ້າ

ການສົ່ງຜົນທັນທີທີ່ສ່ວນປາກົດ

ຂໍ້ດີທີ່ຈັບຕ້ອງໄດ້ຢ່າງຊັດເຈນທີ່ສຸດຂອງ AI ທີ່ຝັງຢູ່ໃນອຸປະກອນແມ່ນການຂັບໄລ່ຄວາມລ່າຊ້າຂອງເຄືອຂ່າຍທີ່ເກີດຈາກການສົ່ງຂໍ້ມູນໄປ-ມາ. ການວິເຄາະຂໍ້ມູນທີ່ອີງໃສ່ເຄືອຂ່າຍເຄື່ອງແມ່ (cloud-based inference) ຕ້ອງສົ່ງຂໍ້ມູນດິບ ຫຼື ສາຍສົ່ງວີດີໂອໄປຍັງສູນຂໍ້ມູນທີ່ຢູ່ຫ່າງໄກ, ລໍຖ້າການປະມວນຜົນ, ແລ້ວຈຶ່ງຮັບຜົນໄດ້ກັບຄືນມາ—ວຟົງຈັກນີ້ເຮັດໃຫ້ເກີດຄວາມລ່າຊ້າທີ່ວັດແທກໄດ້ເປັນຮ້ອຍມີລີວິນາທີ ຫຼື ເຖິງແຕ່ວິນາທີ. ໃນການວິເຄາະຂໍ້ມູນທີ່ເກີດຂຶ້ນທີ່ຈຸດໃຊ້ງານ (edge inference), ການປະມວນຜົນເກີດຂຶ້ນທັນທີທັນໃດເທິງອຸປະກອນທ້ອງຖິ່ນ, ເຮັດໃຫ້ສາມາດຕອບສະຫນອງໄດ້ພາຍໃນບໍ່ເຖິງສິບມີລີວິນາທີ. ຄວາມແຕກຕ່າງດ້ານຄວາມໄວນີ້ເປັນສິ່ງທີ່ສຳຄັນຢ່າງຍິ່ງຕໍ່ລະບົບລົດອັດຕະໂນມັດທີ່ຕ້ອງຕັດສິນໃຈການຫັນຫົວລົດໃນເວລາສັ້ນໆ, ຫຸ່ນຍົນອຸດສາຫະກຳທີ່ຕ້ອງການການຈັບຂໍ້ບົກບ່ອນໃນເວລາຈິງເທິງແຖວການຜະລິດ, ຫຼື ອຸປະກອນທາງການແພດທີ່ຕ້ອງການການວິເຄາະທີ່ທັນທີ.

ລະບົບປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ໃນຕົວ ແລະ ດຳເນີນການວິເຄາະຂໍ້ມູນຢູ່ທ້ອງຖິ່ນ ຈະກຳຈັດການແລກປ່ຽນຂໍ້ມູນຜ່ານເຄືອຂ່າຍໄດ້ທັງໝົດ. ກ້ອງສັງເກດການທີ່ວິເຄາະສາຍພາບສາມາດຮູ້ຈັກຄວາມຜິດປົກກະຕິໃນແຕ່ລະເຟຣມໂດຍບໍ່ຕ້ອງອີງໃສ່ບໍລິການເຄືອຂ່າຍເທິງເມຶອງ. ເຊັນເຊີໃນໂຮງງານຜະລິດສາມາດເປີດໃຊ້ງານການປິດເຄື່ອງຈັກພາຍໃນເວລາບໍ່ເຖິງໜຶ່ງມິລີວິນາທີ ເມື່ອເກີດບັນຫາຄຸນນະພາບ. ຄວາມໄວນີ້ປ່ຽນແປງວິທີທີ່ອົງການສາມາດເຮັດວຽກໄດ້—ເຮັດໃຫ້ລະບົບມີຄວາມປອດໄພ, ມີປະສິດທິພາບ, ແລະ ມີຄວາມເປັນອິດສະຫຼະຫຼາຍຂຶ້ນ.

ປະສິດທິພາບທີ່ຄົງທຳມາຢ່າງຕໍ່ເນື່ອງໃນສະພາບການທີ່ເຄືອຂ່າຍມີຂໍ້ຈຳກັດ

ພື້ນຖານໂຄງສ້າງເມືອງເກີດຂຶ້ນຈາກຄວາມເຊື່ອໝັ້ນໃນການເຊື່ອມຕໍ່ທີ່ເປັນປົກກະຕິ ແລະ ມີຄວາມໄວສູງ. ໃນສະພາບແວດລ້ອມທີ່ຢູ່ຫ່າງໄກ, ສະຖານທີ່ທີ່ຢູ່ຫ່າງໄກ, ຫຼື ເຂດທີ່ມີການເຊື່ອມຕໍ່ເຄືອຂ່າຍບໍ່ເປັນປົກກະຕິ, ຄວາມເຊື່ອໝັ້ນນີ້ຈະບໍ່ເກີດຂຶ້ນ. ປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ໃນອຸປະກອນຈະປະມວນຜົນຂໍ້ມູນໃນທ້ອງຖິ່ນ, ແລະ ຍັງຄົງສາມາດໃຫ້ຜົນໄດ້ຮັບການວິເຄາະຢ່າງຕໍ່ເນື່ອງ ໂດຍບໍ່ຂຶ້ນກັບການເຊື່ອມຕໍ່ເຄືອຂ່າຍ. ອຸປະກອນທີ່ໃຊ້ໃນເຂດອຸດສາຫະກຳທີ່ຕັ້ງຢູ່ໃນສາງ, ແຖວຜະລິດ, ຫຼື ຕິດຕັ້ງຢູ່ນອກບ້ານ ສາມາດຮັກສາຄວາມສາມາດໃນການວິເຄາະຢ່າງເຕັມທີ່ ເຖິງແມ່ນວ່າການເຊື່ອມຕໍ່ອິນເຕີເນັດຈະເສື່ອມຄຸນນະພາບ ຫຼື ບໍ່ສາມາດເຂົ້າເຖິງໄດ້ເລີຍ. ຄວາມເປັນອິດສະຫຼະຈາກການເຮັດວຽກຂອງເມືອງນີ້ ຮັບປະກັນຄວາມເຂັ້ມແຂງໃນການດຳເນີນງານ ທີ່ວິທີການທີ່ອີງໃສ່ເມືອງເທົ່ານັ້ນບໍ່ສາມາດທັດສະນະໄດ້.

ຄວາມປອດໄພ, ຄວາມເປັນສ່ວນຕົວ, ແລະ ການປະຕິບັດຕາມຂໍ້ກຳນົດ

ຂໍ້ມູນຢູ່ໃນອຸປະກອນ

ປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ໃນອຸປະກອນ ເຮັດໃຫ້ວິທີການຈັດການຂໍ້ມູນປ່ຽນແປງຢ່າງເລິກເຊິ່ງ ໂດຍການເກັບຮັກສາຂໍ້ມູນທີ່ອ່ອນໄຫວໄວ້ໃນອຸປະກອນທ້ອງຖິ່ນ ແທນທີ່ຈະສົ່ງໄປຍັງເຊີບເວີຄລາວດ໌ພາຍນອກ. ອົງການດ້ານສຸຂະພາບທີ່ປຸງແຕ່ງບັນທຶກຜູ້ປ່ວຍ, ສະຖາບັນດ້ານການເງິນທີ່ວິເຄາະຂໍ້ມູນການເຮັດທຸລະກຳ, ຫຼື ຜູ້ຜະລິດທີ່ປ້ອງກັນຕົວຊີ້ວັດການຜະລິດທີ່ເປັນເອກະສິດ ລ້ວນແຕ່ເປີດເผີຍຕົວຕໍ່ຄວາມກົດເກນ ແລະ ຄວາມກົດດັນຈາກການແຂ່ງຂັນ ເພື່ອຫຼຸດຜ່ອນການເປີດເຜີຍຂໍ້ມູນໃຫ້ໜ້ອຍທີ່ສຸດ. ການສົ່ງຜົນໄດ້ຮັບທີ່ຝັງຢູ່ (embedded inference) ປິດກັ້ນເຂດທີ່ອາດຖືກໂຈມຕີ ທີ່ເກີດຈາກການສົ່ງຂໍ້ມູນ ແລະ ການເກັບຮັກສາໃນຄລາວດ໌. ຮູບພາບວີດີໂອຈາກກ້ອງລະບົບປອດໄພ, ຂໍ້ມູນຊີວະມີຕິຈາກລະບົບເຂົ້າເຖິງ, ຫຼື ຂໍ້ມູນຈາກເຊີນເຊີອຸດສາຫະກຳ ຈະບໍ່ເຄີຍອອກໄປຈາກອຸປະກອນທີ່ມັນຖືກຈັບເອົາ ແລະ ປຸງແຕ່ງ.

ວິທີການນີ້ຈັດການຄວາມຕ້ອງການດ້ານການປະຕິບັດຕາມຂໍ້ບັງຄັບໂດຍກົງ ລວມທັງ GDPR, HIPAA ແລະ ຂໍ້ບັງຄັບທີ່ກ່ຽວຂ້ອງກັບການເກັບຮັກສາຂໍ້ມູນໃນເຂດເປັນພິເສດຕາມແຕ່ລະອຸດສາຫະກຳ. ອົງການຕ່າງໆສາມາດສະແດງໃຫ້ເຫັນວ່າ ຂໍ້ມູນສ່ວນບຸກຄົນ ຫຼື ຂໍ້ມູນທີ່ອ່ອນໄຫວຍັງຄົງຢູ່ໃນການຄວບຄຸມທາງດ້ານຮ່າງກາຍຂອງພວກເຂົາ ເຊິ່ງເຮັດໃຫ້ທ່າທີຂອງພວກເຂົາໃນການປະຕິບັດຕາມຂໍ້ບັງຄັບເຂັ້ມແຂງຂຶ້ນ ແລະ ລຸດຜ່ອນຄວາມສ່ຽງທາງດ້ານກົດໝາຍ. ຂໍ້ດີດ້ານຄວາມເປັນສ່ວນຕົວຍັງຂະຫຍາຍອອກໄປນອກເຫນືອຈາກການປະຕິບັດຕາມຂໍ້ບັງຄັບ—ມັນສ້າງຄວາມເຊື່ອໝັ້ນຈາກລູກຄ້າ ແລະ ປ້ອງກັນຄວາມຮູ້ທີ່ເປັນເອກະສິດ ທີ່ຄູ່ແຂ່ງອາດຈະດຶງອອກໄດ້ ຖ້າຂໍ້ມູນເດີນທາງຜ່ານບໍລິການເຄືອຂ່າຍຄລາວດ໌.

ຫຼຸດຜ່ອນຄວາມສ່ຽງດ້ານຄວາມປອດໄພຂອງເຄືອຂ່າຍ

ທຸກໆການຖ່າຍໂອນຂໍ້ມູນເປັນຕົວແທນໃຫ້ຈຸດທີ່ອາດຈະຖືກລະເມີດໄດ້. ລະບົບປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ໃນອຸປະກອນ ແລະ ດຳເນີນການການສົ່ງຜົນ (inference) ໃນທ້ອງຖິ່ນ ສາມາດຫຼຸດຈຳນວນການເຊື່ອມຕໍ່ເຄືອຂ່າຍທີ່ຕ້ອງການ ແລະ ຫຼຸດພື້ນທີ່ທີ່ອາດຖືກໂຈມຕີ. ເຖິງແມ່ນວ່າ ລະບົບຄລາວດ໌ທີ່ຢູ່ເບື້ອງຫຼັງ (cloud backends) ࡖັດສະຫຼຸບເປັນເປົ້າໝາຍທີ່ມີຄຸນຄ່າສູງເນື່ອງຈາກປະລິມານຂໍ້ມູນທີ່ເກັບຮັກສາໄວ້, ອຸປະກອນທີ່ຢູ່ທີ່ຈຸດປາຍ (edge devices) ທີ່ດຳເນີນການດ້ວຍແບບຈຳລອງທີ່ຝັງຢູ່ (embedded models) ຈະເປັນເປົ້າໝາຍທີ່ນ້ອຍກວ່າເປັນລາຍການ. ການລະເມີດອຸປະກອນຈຸດປາຍໜຶ່ງຈະສົ່ງຜົນຕໍ່ການຕິດຕັ້ງດັ່ງກ່າວເທົ່ານັ້ນ ແລະ ບໍ່ໄດ້ສົ່ງຜົນຕໍ່ຖານຂໍ້ມູນລູກຄ້າທັງໝົດ. ວິທີການນີ້ເປັນໄປຕາມຫຼັກການການປ້ອງກັນເປັນຊັ້ນ (defense-in-depth) ໂດຍການແບ່ງການຈັດສົ່ງສະຕິປັນຍາ ແລະ ການປະມວນຜົນໄປຫາບ່ອນທ້ອງຖິ່ນຈຳນວນຫຼາຍ ແທນທີ່ຈະລວມສິ່ງທີ່ສຳຄັນທັງໝົດໄວ້ໃນໂຄງສ້າງຄລາວດ໌ທີ່ເປັນສູນກາງ.

ປະສິດທິພາບດ້ານຕົ້ນທຶນ ແລະ ການເພີ່ມປະສິດທິພາບຂອງໂຄງສ້າງພື້ນຖານ

ຫຼຸດຄ່າໃຊ້ຈ່າຍດ້ານຄວາມໄວຂອງເຄືອຂ່າຍ ແລະ ຄ່າໃຊ້ຈ່າຍໃນການຖ່າຍໂອນຂໍ້ມູນ

ການປະມວນຜົນ AI ທີ່ອີງໃສ່ເຄືອຂ່າຍເມືອງຕ້ອງການການສົ່ງຂໍ້ມູນຢ່າງຕໍ່ເນື່ອງໄປຍັງສູນຂໍ້ມູນທີ່ຢູ່ຫ່າງໄກ. ສຳລັບການນຳໃຊ້ທີ່ກ່ຽວຂ້ອງກັບການວິເຄາະວີດີໂອ, ຂ່າວສານຈາກເຊັນເຊີ, ຫຼື ການເກັບຂໍ້ມູນທີ່ເກີດຂຶ້ນເຖິງຄວາມຖີ່ສູງ, ສິ່ງນີ້ຈະເຮັດໃຫ້ເກີດການໃຊ້ແບນດວິດທ໌ທີ່ຫຼາຍ ແລະ ຄ່າໃຊ້ຈ່າຍທີ່ກ່ຽວຂ້ອງ. AI ທີ່ຝັງຢູ່ໃນອຸປະກອນຈະປະມວນຜົນຂໍ້ມູນໃນທ້ອງຖິ່ນ, ແລ້ວຈຶ່ງສົ່ງຜົນໄດ້ຈາກການວິເຄາະ ຫຼື ສັນຍານເຕືອນໄປຍັງລະດັບເທິງ ແທນທີ່ຈະສົ່ງຂໍ້ມູນດິບທັງໝົດ. ຄູ່ມືກ່ຽວກັບຍຸດທະສາດການຕິດຕັ້ງໃນເຂດທີ່ຢູ່ໃກ້ກັບຈຸດໃຊ້ງານ (edge) ແສດງໃຫ້ເຫັນວ່າ ອົງການຕ່າງໆສາມາດຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນການຖ່າຍໂອນຂໍ້ມູນໄປຍັງເຄືອຂ່າຍເມືອງໄດ້ 80 ຫາ 95 ເປີເຊັນ ໂດຍການຍ້າຍການວິເຄາະໄປປະຕິບັດໃນອຸປະກອນທີ່ຢູ່ໃກ້ກັບຈຸດໃຊ້ງານ. ປະໂຫຍດດ້ານເສດຖະກິດນີ້ຈະເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນການຕິດຕັ້ງທີ່ມີອຸປະກອນຈຳນວນຮ້ອຍ ຫຼື ພັນເຄື່ອງ, ເຮັດໃຫ້ສະຖາປັດຕະຍາການທີ່ຝັງຢູ່ໃນອຸປະກອນມີຄ່າໃຊ້ຈ່າຍຕໍ່າກວ່າຫຼາຍໃນການດຳເນີນງານໃນຂະໜາດໃຫຍ່.

ປະໂຫຍດດ້ານຕົ້ນທຶນຂະຫຍາຍອອກໄປເຖິງເຖິງຄວາມກວ້າງຂອງແບນດ໌ວິດທ໌. ເນື່ອງຈາກລະບົບຝັງຕົວປະມວນຜົນຂໍ້ມູນໃນທ້ອງຖິ່ນ, ມັນຈຶ່ງຕ້ອງການຊີ້ນສ່ວນຄອມພິວເຕີເຄື່ອງໃຊ້ງານໃນເຄື່ອງເຊີບເວີຄລາວດ໌ໆ ໃນປະລິມານທີ່ໜ້ອຍຫຼາຍ. ອົງການຕ່າງໆສາມາດຫຼຸດຂະໜາດຂອງໂຄງສ້າງຄລາວດ໌ຂອງພວກເຂົາ ຫຼື ຫັນເປົ້າໝາຍຊີ້ນສ່ວນເຫຼົ່ານີ້ໄປສູ່ການວິເຄາະ ແລະ ການຈັດເກັບຂໍ້ມູນທີ່ມີຄຸນຄ່າສູງຂຶ້ນ. ການເຮັດໃຫ້ມີປະສິດທິພາບນີ້ເຮັດໃຫ້ໂຄງສ້າງລະບົບທັງໝົດມີປະສິດທິພາບດ້ານຕົ້ນທຶນດີຂຶ້ນ ແລະ ປັບປຸງຄວາມໄວໃນການຕອບສະໜອງ.

ຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍດ້ານການດຳເນີນງານ

ລະບົບ AI ຝັງຕົວຫຼຸດຜ່ອນຄວາມອາໄສຕໍ່ໂຄງສ້າງຄລາວດ໌, ເຮັດໃຫ້ຄວາມສັບສົນດ້ານການດຳເນີນງານ ແລະ ຄ່າໃຊ້ຈ່າຍດ້ານການສະໜັບສະໜູນຕ່ຳລົງ. ອົງການຕ່າງໆສາມາດຈັດການອຸປະກອນເອີດຈ໌ໂດຍກົງ ໂດຍບໍ່ຈຳເປັນຕ້ອງຂະຫຍາຍຊີ້ນສ່ວນຄລາວດ໌ຢ່າງຍືດຫຍຸ່ນເພື່ອຈັດການກັບບັນຫາການສົ່ງຄຳຮ້ອງທີ່ປ່ຽນແປງໄປຕາມເວລາ. ຄວາມຄາດເດົາໄດ້ນີ້ເຮັດໃຫ້ການວາງແຜນດ້ານຄວາມຈຸ ແລະ ການຈັດງົບປະມານງ່າຍຂຶ້ນ. ນອກຈາກນີ້, ການສົ່ງຄຳຮ້ອງທີ່ເກີດຂຶ້ນທີ່ເອີດຈ໌ຍັງເຮັດໃຫ້ບໍ່ຈຳເປັນຕ້ອງເຮັດຄຳຮ້ອງ API ຕໍ່ຄລາວດ໌ຢ່າງຕໍ່ເນື່ອງ, ລົດບັນຫາຄວາມອັດຕານີ້ ແລະ ບໍ່ຈຳເປັນຕ້ອງຈັດຕັ້ງບໍລິການດ້ານຫຼັງທີ່ສາມາດຮັບມືກັບການຮ້ອງຂໍຈຳນວນຫຼາຍໄດ້.

ຖາມບ່ອຍໆ

ການສົ່ງຄຳຮ້ອງທີ່ເອີດຈ໌ແມ່ນຫຍັງ ແລະ ມັນແຕກຕ່າງຈາກການປະມວນຜົນ AI ຢູ່ໃນຄລາວດ໌ແນວໃດ?

ການອົງເຂົ້າທີ່ແຖວດ້ານຂອງ AI ໝາຍເຖິງການປະຕິບັດຮູບແບບ AI ໂດຍກົງໃນອຸປະກອນທ້ອງຖິ່ນ ຫຼື ອຸປະກອນທີ່ຢູ່ທີ່ແຖວດ້ານ ແທນທີ່ຈະສົ່ງຂໍ້ມູນໄປຫາເຊີບເວີຄລາວເພື່ອປະມວນຜົນ. ການປະມວນຜົນ AI ທີ່ອີງໃສ່ຄລາວຈະສົ່ງຂໍ້ມູນຜ່ານເຄືອຂ່າຍໄປຫາສູນຂໍ້ມູນທີ່ເປັນສູນກາງ ເຊິ່ງການອົງເຂົ້າທີ່ເກີດຂຶ້ນຢູ່ນັ້ນ ຈຶ່ງເກີດມີຄວາມລ່າຊ້າ ຄ່າໃຊ້ຈ່າຍດ້ານຄວາມກວ້າງຂອງເຄືອຂ່າຍ ແລະ ຄວາມເປັນພຶ່ງພາຂອງການເຊື່ອມຕໍ່ເຄືອຂ່າຍ. ການອົງເຂົ້າທີ່ແຖວດ້ານຈະຕັດອອກຈາກສິ່ງກາງເຫຼົ່ານີ້ທັງໝົດ ເພື່ອເຮັດໃຫ້ການປະມວນຜົນເກີດຂຶ້ນໃນເວລາຈິງ ດ້ວຍຄວາມລ່າຊ້າທີ່ຕ່ຳກວ່າ ແລະ ຄວາມເຊື່ອຖືໄດ້ທີ່ດີຂຶ້ນ.

ແຫຼ່ງຂໍ້ມູນສຳລັບການສອນ AI ທີ່ຝັງຢູ່ ສາມາດຊ່ວຍຈັດຕັ້ງຕ່າງໆໃນການປ່ຽນຈາກລະບົບທີ່ອີງໃສ່ຄລາວໄດ້ຫຼືບໍ?

ແມ່ນ, ວັດສະດຸການສອນ AI ທີ່ຝັງຢູ່ຢ່າງຄົບຖ້ວນ ແລະ ຄູ່ມືການປະຕິບັດ ມີໃຫ້ບໍລິການເພີ່ມຂື້ນຈາກຜູ້ຜະລິດອຸປະກອນ, ໂປຣແກຣມທີ່ໃຊ້ສຳລັບການພັດທະນາຊອບແວ, ແລະ ອົງການອຸດສາຫະກຳ. ວັດສະດຸເຫຼົ່ານີ້ຄຸມເຖິງການປັບປຸງຮູບແບບເພື່ອໃຫ້ເໝາະສົມກັບອຸປະກອນທີ່ຢູ່ທີ່ຈຸດປາຍ (edge hardware), ວິທີການຕິດຕັ້ງ, ແລະ ຮູບແບບການເຊື່ອມຕໍ່. ອົງການຕ່າງໆສາມາດນຳໃຊ້ວັດສະດຸການສອນເຫຼົ່ານີ້ເພື່ອປະເມີນຄວາມເປັນໄປໄດ້ຂອງ AI ທີ່ຝັງຢູ່, ເຂົ້າໃຈຄວາມຕ້ອງການດ້ານເຕັກນິກ, ແລະ ພັດທະນາຄວາມຊຳນິຊຳນານພາຍໃນເພື່ອເຮັດການຍ້າຍການປະມວນຜົນການສົ່ງຜົນ (inference workloads) ຈາກເຄື່ອງແວທີ່ຢູ່ໃນເຄືອຂ່າຍ (cloud) ໄປສູ່ສະຖານທີ່ຈຸດປາຍ (edge environments).

ແອັບຯິເຄຊັນປະເພດໃດທີ່ໄດ້ຮັບປະໂຫຍດຫຼາຍທີ່ສຸດຈາກ AI ທີ່ຝັງຢູ່ ເມື່ອທຽບກັບການປະມວນຜົນທີ່ເຄືອຂ່າຍ?

ແອັບພລິເຄຊັນທີ່ຕ້ອງການການຕອບສະໜອງແບບເວລາຈິງ, ການເຮັດວຽກໃນສະພາບແວດລ້ອມທີ່ມີການເຊື່ອມຕໍ່ແບບບໍ່ຕໍ່ເນື່ອງ, ການປະມວນຜົນຂໍ້ມູນທີ່ລະອຽດອ່ອນ, ຫຼື ການແລ່ນຢູ່ໃນສະຖານທີ່ທີ່ກະຈາຍຢູ່ມັກຈະໄດ້ຮັບຜົນປະໂຫຍດສູງສຸດຈາກ AI ທີ່ຝັງຢູ່. ຕົວຢ່າງລວມມີຍານພາຫະນະອັດຕະໂນມັດ, ລະບົບຄວບຄຸມຄຸນນະພາບອຸດສາຫະກໍາ, ອຸປະກອນວິນິດໄສທາງການແພດ, ຫຸ່ນຍົນ, ລະບົບເຝົ້າລະວັງ, ແລະ ເຄືອຂ່າຍເຊັນເຊີ IoT. ແອັບພລິເຄຊັນທີ່ທົນທານຕໍ່ຄວາມໜ່ວງເວລາສູງກວ່າ, ຕ້ອງການການຝຶກອົບຮົມແບບຈໍາລອງແບບສູນກາງ, ຫຼື ໄດ້ຮັບຜົນປະໂຫຍດຈາກການປະມວນຜົນໃນຫຼາຍແຫຼ່ງຂໍ້ມູນອາດຈະສືບຕໍ່ນໍາໃຊ້ສະຖາປັດຕະຍະກໍາ AI ທີ່ອີງໃສ່ຄລາວຄຽງຄູ່ກັບລະບົບຂອບ.