ບ່ອນໃດທີ່ເປັນຕົວຢ່າງທີ່ດີທີ່ສຸດທີ່ສະແດງໃຫ້ເຫັນການນຳໃຊ້ AI ທີ່ຝັງຢູ່ໃນອຸປະກອນໃນການນຳໃຊ້ຈິງ?

ປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ໄດ້ເກີດຂຶ້ນເປັນພະລັງທີ່ປ່ຽນແປງທັງໝົດໃນທຸກໆອຸດສາຫະກຳ ໂດຍເຮັດໃຫ້ການຕັດສິນໃຈທີ່ມີປັນຍາເກີດຂື້ນໂດຍກົງເທິງອຸປະກອນໂດຍບໍ່ຕ້ອງເຊື່ອມຕໍ່ກັບເຄືອຂ່າຍຄລາວດ໌ຢ່າງຕໍ່ເນື່ອງ. ຕ່າງຈາກລະບົບປັນຍາປະດິດສ້າງທີ່ອີງໃສ່ຄລາວດ໌ແບບດັ້ງເດີມ ປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ຈະປະມວນຜົນຂໍ້ມູນຢູ່ໃນທ້ອງຖິ່ນ ເຊິ່ງຊ່ວຍຫຼຸດຜ່ອນຄວາມຊ້າ ປັບປຸງຄວາມເປັນສ່ວນຕົວ ແລະເຮັດໃຫ້ການດຳເນີນງານອັດຕະໂນມັດເກີດຂື້ນໄດ້ໃນສະພາບແວດລ້ອມທີ່ມີຊັບພະຍາກອນຈຳກັດ.

ການນຳໃຊ້ ai ທີ່ຖືກຝັງ ໃນດ້ານການຜະລິດ ສາທາລະນະສຸກ ການຄ້າ ແລະ ລະບົບອັດຕະໂນມັດ ແຕ່ລະການນຳໃຊ້ຈະມີຄວາມຕ້ອງການດ້ານເຕັກນິກທີ່ແຕກຕ່າງກັນ ຄວາມຕ້ອງການດ້ານການຄິດໄລ່ທີ່ເກີດຂື້ນທີ່ຈຸດປາຍ (edge computing) ແລະ ມູນຄ່າທາງທຸລະກິດທີ່ແຕກຕ່າງກັນ ເຊິ່ງຕ້ອງໄດ້ຮັບການວິເຄາະຢ່າງລະອຽດຜ່ານຕົວຢ່າງທີ່ເກີດຂື້ນຈິງ ແລະ ຄຳແນະນຳທີ່ຄົບຖ້ວນເຖິງຍຸດທະສາດການນຳໃຊ້.

ການຜະລິດ ແລະ ການອັດຕະໂນມັດດ້ານອຸດສາຫະກຳ

ການບໍາຮັກສາທີ່ຄາດການໄດ້ຜ່ານການສົ່ງຜົນທີ່ຈຸດປາຍ

ສະຖານທີ່ຜະລິດຕະການເພີ່ມຂື້ນເປັນຢ່າງຫຼວງໃນການອີງໃສ່ລະບົບ AI ທີ່ຝັງຢູ່ເພື່ອຕິດຕາມສຸຂະພາບຂອງອຸປະກອນໃນເວລາຈິງ. ຄວາມສາມາດໃນການສົ່ງຜົນຂອງຂໍ້ມູນທີ່ເກີດຂື້ນທີ່ເຂດ (edge inference) ໃຫ້ເຄື່ອງຈັກວິເຄາະຂໍ້ມູນການສັ່ນ, ອຸນຫະພູມ, ແລະ ສຽງໂດຍກົງໃນສະຖານທີ່, ເພື່ອຊອກຫາບັນຫາທີ່ອາດເກີດຂື້ນກ່ອນທີ່ຈະເຮັດໃຫ້ການຜະລິດຕະການຕ້ອງຢຸດຊົ່ວຄາວ. ວິທີການທີ່ເປັນການແບ່ງສ່ວນນີ້ໃນການສົ່ງຜົນຂອງຂໍ້ມູນ (decentralized inference) ຂັບໄລ່ຄວາມລ້າຊ້າ (latency) ແລະ ຂໍ້ຈຳກັດດ້ານຄວາມໄວໃນການເຊື່ອມຕໍ່ (bandwidth constraints) ທີ່ເກີດຈາກການສົ່ງຂໍ້ມູນດິບຈາກເซັນເຊີໄປຍັງໂຄງສ້າງເຄື່ອງແມ່ (cloud infrastructure).

ຄູ່ມືການນຳໃຊ້ການບໍາຮັກທີ່ຄາດການໄດ້ (predictive maintenance) ມັກຈະປະກອບດ້ວຍການຕິດຕັ້ງຮູບແບບເຄືອຂ່າຍປະສາດທີ່ເບົາ (lightweight neural network models) ໃສ່ອຸປະກອນທີ່ຢູ່ໃນເຂດ (edge devices) ເຊິ່ງຕັ້ງຢູ່ໃກ້ກັບເຄື່ອງຈັກທີ່ສຳຄັນ. ຮູບແບບເຫຼົ່ານີ້ຮຽນຮູ້ຮູບແບບການເຮັດວຽກປົກກະຕິ ແລະ ສົ່ງສັນຍານເຕືອນເມື່ອມີຄວາມຜິດປົກກະຕິເກີດຂື້ນ, ເພື່ອໃຫ້ທີມບໍາຮັກສາສາມາດດຳເນີນການເປັນການປ້ອງກັນລ່ວງໆ. ການສົ່ງຜົນຂອງຂໍ້ມູນ (inference processing) ເກີດຂື້ນທັນທີທັນໃດທີ່ເຂດ (at the edge), ເຮັດໃຫ້ຜູ້ປະຕິບັດງານໄດ້ຮັບຂໍ້ມູນທີ່ສາມາດນຳໄປປະຕິບັດໄດ້ໂດຍບໍ່ຕ້ອງອີງໃສ່ເຄື່ອງແມ່ (cloud dependency), ເຊິ່ງເປັນສິ່ງທີ່ມີຄຸນຄ່າຢ່າງຍິ່ງໃນສະຖານທີ່ທີ່ການເຊື່ອມຕໍ່ເຄືອຂ່າຍບໍ່ຄ່ອຍເสถຍນ.

ການຄວບຄຸມຄຸນນະພາບ ແລະ ການກວດພົບຂໍ້ບົກເບື່ອນ

ການກວດສອບຄຸນນະພາບທີ່ອີງໃສ່ການເຫັນ ແມ່ນກໍລະນີການນຳໃຊ້ AI ທີ່ຝັງຢູ່ໃນອຸປະກອນອີກອັນໜຶ່ງທີ່ມີຄວາມຫຼາກຫຼາຍໃນຂະແໜງການຜະລິດ. ການຝັງຮູບແບບ AI ໄປໃນລະບົບກ້ອງໂດຍກົງ ສາມາດເຮັດໃຫ້ເກີດການກວດຫາຂໍ້ບົກພ່ອງໄດ້ໃນເວລາຈິງ ໃນແຖວການຜະລິດ, ແລະປະຕິເສດຜະລິດຕະພັນທີ່ບໍ່ເຂົ້າເກນໂດຍອັດຕະໂນມັດກ່ອນທີ່ຈະເຄື່ອນໄປໄປກ່ວານີ້. ການນຳໃຊ້ edge computing ແລະ inference ນີ້ ລົດເວລາການກວດສອບຈາກນາທີເປັນມີລີວິນາທີ, ເຮັດໃຫ້ປະສິດທິພາບການຜະລິດ ແລະຄວາມເປັນເອກະພາບດີຂຶ້ນຢ່າງຫຼວງຫຼາຍ.

ຄູ່ມືປະຕິບັດຈິງສຳລັບການຕິດຕັ້ງລະບົບການຄວບຄຸມຄຸນນະພາບ ແສດງໃຫ້ເຫັນວິທີການຝຶກຝົນເຄືອຂ່າຍ neural ທີ່ມີນ້ຳໜັກເບົາ (lightweight convolutional neural networks) ໂດຍໃຊ້ຮູບພາບຕົວຢ່າງຂອງຜະລິດຕະພັນ, ແລ້ວຈຶ່ງປັບປຸງຮູບແບບເຫຼົ່ານີ້ໃຫ້ເໝາະສົມກັບການປະມວນຜົນໃນອຸປະກອນ. ລະບົບທີ່ໄດ້ຈະເຮັດວຽກຢ່າງເອກະລາດ ໂດຍບໍ່ຕ້ອງການຊັບພະຍາກອນການປະມວນຜົນພາຍນອກ ຫຼື ການເຊື່ອມຕໍ່ເຄືອຂ່າຍ, ແຕ່ຍັງຮັກສາຄວາມຖືກຕ້ອງໃນການກວດຫາໄດ້ໃກ້ຄຽງກັບວິທີການທີ່ໃຊ້ເຄືອຂ່າຍສູນກາງ. ການນຳໃຊ້ AI ທີ່ຝັງຢູ່ນີ້ ສ້າງຜົນຕອບແທນທັນທີ (ROI) ຜ່ານການຫຼຸດຄ່າໃຊ້ຈ່າຍດ້ານແຮງງານ ແລະ ປັບປຸງຕົວຊີ້ວັດຄຸນນະພາບ.

ສຸຂະພາບແລະອຸປกรณ໌ການເຂົ້າ

ການຕິດຕາມຜູ້ປ່ວຍຈາກທີ່ຫ່າງໄກ ແລະ ການສະໜັບສະໜູນການວິເຄາະແລະວິນິດໄສ

ຜູ້ໃຫ້ບໍລິການດ້ານສຸຂະພາບ ກຳລັງນຳເອົາອັລກົຣິທີມ AI ມາໃຊ້ໃນອຸປະກອນທີ່ສາມາດສວມໃສ່ໄດ້ ແລະ ອຸປະກອນວິເຄາະທາງການແພດທີ່ສາມາດພາກັບໄປໃຊ້ໄດ້. ລະບົບເຫຼົ່ານີ້ທີ່ຖືກຕິດຕັ້ງຢູ່ທີ່ຈຸດໃຊ້ງານ (edge-deployed) ຈະຕິດຕາມສັນຍານຊີບົວພາບຢ່າງຕໍ່ເນື່ອງ, ສາມາດຈັບຈຸດທີ່ມີການເຮັດວຽກຜິດປົກກະຕິຂອງຫົວໃຈ (arrhythmias), ແລະ ສ້າງການເຕືອນເມື່ອເກີດຮູບແບບທີ່ອາດເປັນອັນຕະລາຍ, ໂດຍທັງໝົດນີ້ເກີດຂຶ້ນໃນຂະນະທີ່ປະມວນຜົນຂໍ້ມູນຢູ່ໃນທ້ອງຖິ່ນເພື່ອປ້ອງກັນຄວາມເປັນສ່ວນຕົວຂອງຜູ້ປ່ວຍ.

ຄູ່ມືທີ່ຄົບຖ້ວນກ່ຽວກັບ AI ທີ່ຝັງຢູ່ໃນດ້ານສຸຂະພາບ ເນັ້ນໃສ່ບັນຫາດ້ານການຄຸມຄຸມຕາມກົດໝາຍ ແລະ ຄວາມເປັນເອກະລາດທາງຈິດຕະວິທະຍາ ພ້ອມທັງການນຳໃຊ້ດ້ານເຕັກນິກ. ຮູບແບບ AI ທີ່ຝັງຢູ່ຕ້ອງບັນລຸມາດຕະຖານຄວາມຖືກຕ້ອງທີ່ເຂັ້ມງວດ ໃນຂະນະທີ່ເຮັດວຽກຢູ່ພາຍໃຕ້ຂອບເຂດດ້ານການຄຳນວນຂອງອຸປະກອນທີ່ສາມາດພາກັບໄປໃຊ້ໄດ້. ວິທີການສອນນີ້ປະກອບດ້ວຍການທົດສອບຮູບແບບຕໍ່ກັບຊຸດຂໍ້ມູນທາງການແພດ, ການບັນທຶກຕົວຊີ້ວັດດ້ານປະສິດທິຜົນ, ແລະ ການຈັດຕັ້ງກົງເປົ້າໆ (fallback mechanisms) ເພື່ອຮັບປະກັນຄວາມປອດໄພຂອງອຸປະກອນ ເຖິງແມ່ນວ່າຈະມີຊັບພະຍາກອນດ້ານການຄຳນວນຈຳກັດ.

ການວິເຄາະທາງການແພດທີ່ຈຸດໃຊ້ງານ

ອຸປະກອນວິເຄາະທາງການແພດທີ່ສາມາດນຳໃຊ້ໄດ້ຢູ່ທຸກບ່ອນ ມີການບັງລວມເຕັກໂນໂລຢີປັນຍາຈຳລອງ (AI) ເຂົ້າໄປໃນຕົວເຄື່ອງຢ່າງເປັນລຳດັບເພື່ອການວິເຄາະທີ່ທັນທີຕໍ່ຮູບພາບການແພດ, ຜົນການທົດສອບຫ້ອງທົດສອບ, ແລະ ການປະເມີນອາການ. ອຸປະກອນເຫຼົ່ານີ້ໃຫ້ການຊ່ວຍເຫຼືອດ້ານການວິເຄາະຢູ່ບ່ອນໃຫ້ບໍລິການທັນທີ, ໂດຍບໍ່ຕ້ອງລໍຖ້າເວລາທີ່ຈະສົ່ງຕົວຢ່າງໄປຍັງຫ້ອງທົດສອບສູນກາງ. ການປະມວນຜົນຂໍ້ມູນທີ່ເກີດຂຶ້ນຢູ່ເທິງອຸປະກອນ (edge inference processing) ໃຫ້ບຸກຄະລາກອນດ້ານສຸຂະພາບທີ່ເຮັດວຽກຢູ່ເຂດຫ່າງໄກ ຫຼື ເຂດທີ່ມີຊັບພະຍາກອນຈຳກັດ ສາມາດເຂົ້າເຖິງຄວາມສາມາດດ້ານການວິເຄາະທີ່ຂັບເຄື່ອນດ້ວຍ AI ເທົ່າທຽບກັບສູນການແພດທີ່ມີອຸປະກອນຄົບຄົວ.

ການນຳໃຊ້ AI ເຂົ້າໄປໃນອຸປະກອນວິເຄາະຕ້ອງເຮັດຕາມບົດແນະນຳ ແລະ ການຢືນຢັນທີ່ເຂັ້ມງວດ. ນັກພັດທະນາຈຳເປັນຕ້ອງປັບປຸງຮູບແບບ AI ໃຫ້ໃຫ້ຜົນໄດ້ຮັບທີ່ຖືກຕ້ອງ ແລະ ບໍ່ໃຊ້ພະລັງງານ ແລະ ຄວາມຈຳຫຼາຍເກີນໄປ, ເຊິ່ງເປັນເງື່ອນໄຂທີ່ສຳຄັນສຳລັບອຸປະກອນການແພດທີ່ສາມາດນຳໃຊ້ໄດ້ຢູ່ທຸກບ່ອນ. ບົດແນະນຳນີ້ກວມເຖິງເຕັກນິກການຫຼຸດຂະໜາດຮູບແບບ, ວິທີການຢືນຢັນ, ແລະ ການເຊື່ອມຕໍ່ກັບຮາດແວຂອງອຸປະກອນເພື່ອຮັບປະກັນການເຮັດວຽກທີ່ເຊື່ອຖືໄດ້ໃນສະພາບແວດລ້ອມທາງການແພດທີ່ແຕກຕ່າງກັນ.

ການຄ້າຂາຍ ແລະ ການຄ້າຂາຍອັດຈະລິຍະ

ການຕິດຕາມຊັ້ນວາງສິນຄ້າແລະການຈັດການສິນຄ້າເຂົ້າສູນກາງ

ສະພາບແວດລ້ອມຂອງການຈຳໜ່າຍປະໂຫຍດຈາກລະບົບ AI ທີ່ຝັງຢູ່ ເຊິ່ງຕິດຕາມສະຖານະການຂອງຊັ້ນວາງສິນຄ້າ ແລະ ຈັດການສາງສິນຄ້າດ້ວຍຕົວເອງ. ຮູບແບບການເບິ່ງເຫັນດ້ວຍຄອມພິວເຕີທີ່ຖືກນຳໃຊ້ໃນອຸປະກອນທີ່ຢູ່ເທິງເຂດ (edge devices) ວິເຄາະຮູບພາບຂອງຊັ້ນວາງສິນຄ້າ ສະແດງໃຫ້ເຫັນບ່ອນທີ່ຫວ່າງ, ຮູ້ຈັກສິນຄ້າທີ່ວາງຜິດທີ່ຕັ້ງ ແລະ ສົ່ງການເຕືອນໃຫ້ເຕີມສິນຄ້າຄືນໃໝ່ໃນເວລາຈິງ. ການນຳໃຊ້ການສົ່ງຜົນໄດ້ຮັບ (inference) ໃນເຂດ (edge) ນີ້ ຫຼຸດຜ່ອນພາລະບົທຸກດ້ານການດຳເນີນງານ ໃນເວລາດຽວກັນກໍເຮັດໃຫ້ຄວາມຖືກຕ້ອງຂອງສາງສິນຄ້າ ແລະ ຄວາມພ້ອມໃຊ້ງານຂອງສິນຄ້າດີຂຶ້ນ.

ຄູ່ມືການຈັດຕັ້ງປະຕິບັດວິທີແກ້ໄຂຊັ້ນວາງສິນຄ້າອັດຈະລິຍະ (smart shelf solutions) ເນັ້ນໃສ່ການເລືອກອຸປະກອນຮ່າງກາຍ (hardware) ແລະ ການປັບປຸງຮູບແບບ (model optimization) ເພື່ອໃຫ້ປະຕິບັດງານຢູ່ເທິງເຂດ (edge) ໄດ້ຢ່າງເຊື່ອຖືໄດ້. ຜູ້ຈຳໜ່າຍຕ້ອງຄຳນຶງເຖິງພະລັງການຄຳນວນ, ການບໍລິໂພກພະລັງງານ ແລະ ຕົ້ນທຶນ ເພື່ອຕິດຕັ້ງກ້ອງທົ່ວທັງຮ້ານ. ການສອນແບບປະຕິບັດຈິງ (practical tutorial) ແສດງໃຫ້ເຫັນວິທີຝຶກຮູບແບບການເບິ່ງເຫັນດ້ວຍຄອມພິວເຕີທີ່ມີນ້ຳໜັກເບົາ (lightweight vision models) ເຊິ່ງສາມາດຮູ້ຈັກສະຖານະການສາງສິນຄ້າໄດ້ຢ່າງຖືກຕ້ອງ ໃນເວລາທີ່ເຮັດວຽກຢ່າງຕໍ່ເນື່ອງໃນອຸປະກອນທີ່ຂັບເຄື່ອນດ້ວຍຖ່ານໄຟ ຫຼື ອຸປະກອນທີ່ໃຊ້ພະລັງງານຕ່ຳ (low-power edge devices).

ການມີສ່ວນຮ່ວມຂອງລູກຄ້າແບບສ່ວນບຸກຄົນ

ປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ໃນລະບົບຮ້ານຄ້າຊ່ວຍໃຫ້ສາມາດຈັດຕັ້ງປະສົບການທີ່ເປັນສ່ວນຕົວໃຫ້ແກ່ລູກຄ້າ ໂດຍການປະມວນຜົນຂໍ້ມູນການເຮັດຕົວຂອງລູກຄ້າຢູ່ໃນທ້ອງຖິ່ນ. ການຕິດຕັ້ງເຄື່ອງມືໃນຮ້ານ ແລະ ຈໍສະແດງຜົນທີ່ມີປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ ສາມາດວິເຄາະການມີສ່ວນຮ່ວມ ຄວາມເປັນທີ່ຊົມໃຊ້ ແລະ ລັກສະນະການທ່ອງເວັບຂອງລູກຄ້າ ເພື່ອສະເໜີຄຳແນະນຳສິນຄ້າ ແລະ ເນື້ອຫາການສົ່ງເສີມທີ່ເປັນສ່ວນຕົວ. ວິທີການນີ້ທີ່ເຮັດຢູ່ເທິງເຂດ (edge-based) ຊ່ວຍປ້ອງກັນຄວາມເປັນສ່ວນຕົວຂອງລູກຄ້າ ໃນເວລາດຽວກັນກໍເຮັດໃຫ້ຕົວຊີ້ວັດການມີສ່ວນຮ່ວມ ແລະ ອັດຕາການປ່ຽນແປງຈາກການເຂົ້າເບິ່ງເປັນການຊື້ຂາຍດີຂຶ້ນ.

ການພັດທະນາປະສົບການຮ້ານຄ້າທີ່ເປັນສ່ວນຕົວ ຕ້ອງເລີ່ມຈາກການສ້າງແບບຈຳລອງການສົ່ງຜົນ (inference models) ທີ່ມີນ້ຳໜັກເບົາ ເຊິ່ງປະມວນຜົນຂໍ້ມູນລູກຄ້າຢູ່ໃນທ້ອງຖິ່ນໂດຍບໍ່ຈຳເປັນຕ້ອງເກັບຮັກສາຂໍ້ມູນໄວ້ໃນສ່ວນກາງ. ຄູ່ມືນີ້ໄດ້ກ່າວເຖິງບັນຫາທີ່ກ່ຽວຂ້ອງກັບຄວາມເປັນສ່ວນຕົວ ວິທີການຝຶກແບບຈຳລອງ ແລະ ການເຊື່ອມຕໍ່ກັບລະບົບຮ້ານຄ້າທີ່ມີຢູ່ແລ້ວ. ຮ້ານຄ້າທີ່ປະຕິບັດຕາມແນວທາງໃນຄູ່ມືນີ້ຈະສາມາດຕິດຕັ້ງລະບົບປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ ເຊິ່ງຈະເຮັດໃຫ້ລູກຄ້າພໍໃຈຫຼາຍຂຶ້ນ ແລະ ສາມາດຮັກສາມາດຕະຖານການປ້ອງກັນຂໍ້ມູນຢ່າງເຂັ້ມງວດໄດ້ ເຊິ່ງຈະເຮັດໃຫ້ເກີດຄວາມໄດ້ປຽບໃນການແຂ່ງຂັນຜ່ານການນຳໃຊ້ປັນຍາປະດິດສ້າງທີ່ເຮັດຢູ່ໃນທ້ອງຖິ່ນ ແລະ ປ້ອງກັນຄວາມເປັນສ່ວນຕົວ.

ລະບົບອັດຕະໂນມັດ ແລະ ໂຣບົດ

ການນຳທາງແລະການຕັດສິນໃຈໃນເວລາຈິງ

ຍານພາຫະນະອັດຕະໂນມັດ ແດຣັກເຄີ່ນ ແລະ ໂຣບົດ ຕ້ອງອີງໃສ່ລະບົບ AI ທີ່ຝັງຢູ່ຢ່າງເຂັ້ມງວດ ເພື່ອການວິເຄາະສິ່ງແວດລ້ອມ ແລະ ການຕັດສິນໃຈໃນເວລາຈິງ. ລະບົບເຫຼົ່ານີ້ປະຕິບັດການສົ່ງຜົນ (inference) ຕໍ່ຂໍ້ມູນທີ່ຮັບມາຈາກເຊັນເຊີ ເຊັ່ນ: ແຄມເລີ, lidar ແລະ radar ເພື່ອຈຳແນກອຸປະສັງຄ໌, ວາງແຜນເສັ້ນທາງ ແລະ ດຳເນີນການເຄື່ອນໄຫວໂດຍບໍ່ຕ້ອງເຊື່ອມຕໍ່ກັບເຄືອຂ່າຍຄລາວດ໌. ຄວາມອ່ອນໄຫວຕໍ່ຄວາມເລັກນ້ອຍຂອງເວລາທີ່ໃຊ້ໃນການປະມວນຜົນ (latency sensitivity) ຂອງການນຳໃຊ້ອັດຕະໂນມັດເຮັດໃຫ້ການປະມວນຜົນທີ່ເກີດຂື້ນທີ່ຈຸດໃຊ້ງານ (edge inference) ເປັນສິ່ງຈຳເປັນ, ເນື່ອງຈາກຄວາມເຊື່ອມຕໍ່ທີ່ຊ້າຈະສາມາດເຮັດໃຫ້ຄວາມປອດໄພຫຼືຄວາມສຳເລັດຂອງພາລະກິດຖືກຄຸກຄາມ.

ຄູ່ມືທີ່ຄົບຖ້ວນເພື່ອການຝັງ AI ໃນລະບົບອັດຕະໂນມັດ ສະເໜີການເລືອກເອກະສານຮາດແວ, ການເຊື່ອມຕໍ່ເຊັນເຊີ ແລະ ການປັບປຸງແຕ່ງຮູບແບບ (model optimization). ວິທີການສອນນີ້ປະກອບດ້ວຍການຝຶກຝົນຮູບແບບການຮັບຮູ້ (perception models) ເພື່ອຈຳແນກວັດຖຸ ແລະ ລັກສະນະຂອງສິ່ງແວດລ້ອມທີ່ກ່ຽວຂ້ອງໄດ້ຢ່າງຖືກຕ້ອງ ໃນເວລາທີ່ຮັນເວົ້າໄດ້ຢ່າງມີປະສິດທິພາບໃນເອກະສານຮາດແວຂອງລະບົບອັດຕະໂນມັດ. ນັກພັດທະນາຈຳເປັນຕ້ອງທົດສອບການປະມວນຜົນໃຫ້ຄົບຖ້ວນໃນສະພາບແວດລ້ອມທີ່ແຕກຕ່າງກັນ ເພື່ອຮັບປະກັນການດຳເນີນງານທີ່ເຊື່ອຖືໄດ້ໃນສະຖານະການການນຳໃຊ້ຈິງ.

ຫຸ່ນຍົນທີ່ຮ່ວມມືກັນ ແລະ ລະບົບຄວາມປອດໄພ

ຫຸ່ນຍົນທີ່ຮ່ວມມືກັນ ມີການນຳໃຊ້ປັນຍາຈຳລອງທີ່ຝັງຢູ່ເພື່ອການຕິດຕາມຄວາມປອດໄພແບບທັນທີ ແລະ ການປະສານງານລະຫວ່າງມະນຸດກັບຫຸ່ນຍົນ. ລະບົບທີ່ຖືກຕິດຕັ້ງຢູ່ເທິງອຸປະກອນ (edge-deployed) ວິເຄາະໄລຍະຫ່າງຂອງຜູ້ປະກອບການ ແລະ ສັງເກດການເຄື່ອນໄຫວທີ່ບໍ່ຄາດຄິດຢ່າງຕໍ່ເນື່ອງ ແລະ ເປີດໃຊ້ກົລະບວນການຄວາມປອດໄພທັນທີ. ວິທີການນີ້ທີ່ໃຊ້ປັນຍາຈຳລອງທີ່ຝັງຢູ່ຈະປ້ອງກັນບໍ່ໃຫ້ເກີດຄວາມຊ້າໃນການຕອບສະຫນອງທີ່ອາດເກີດຈາກການປະມວນຜົນຜ່ານເຄື່ອງແບບເຄື່ອງມືທີ່ເຊື່ອມຕໍ່ອິນເຕີເນັດ (cloud-based), ເຮັດໃຫ້ເໝາະສົມກັບການນຳໃຊ້ທີ່ຕ້ອງການຄວາມປອດໄພສູງໃນຂະແໜງການຜະລິດແລະສະຖານທີ່ອຸດສາຫະກຳ.

ການນຳໃຊ້ປັນຍາຈຳລອງທີ່ຝັງຢູ່ ແລະ ມີຄວາມສຳຄັນຕໍ່ຄວາມປອດໄພ ຕ້ອງໄດ້ຮັບການຢືນຢັນ ແລະ ສອບສອບຢ່າງເຂັ້ມງວດຕາມມາດຕະຖານຂອງອຸດສາຫະກຳ. ເອກະສານຄູ່ມືນີ້ເນັ້ນໃສ່ວິທີການຢືນຢັນທາງດ້ານຮູບແບບ (formal verification), ກົລະຍຸດທ໌ການຊ້ຳຊ້ອນ (redundancy mechanisms), ແລະ ລະບົບສຳ dự (fallback systems) ເພື່ອຮັບປະກັນຄວາມປອດໄພຂອງອຸປະກອນເຖິງແມ່ນວ່າຈະເກີດຄວາມລົ້ມເຫຼວ. ການສອນແບບປະຕິບັດຈິງ (practical tutorial) ໄດ້ສະແດງໃຫ້ເຫັນວິທີການພັດທະນາ, ສອບສອບ ແລະ ນຳເຂົ້າໃຊ້ງານ ຮູບແບບປັນຍາຈຳລອງທີ່ມີນ້ຳໜັກເບົາ ເຊິ່ງສາມາດຕິດຕາມຄວາມປອດໄພຢ່າງຕໍ່ເນື່ອງ ແລະ ຍັງຮັກສາປະສິດທິພາບໃນການປະມວນຜົນໃຫ້ເໝາະສົມກັບລະບົບຫຸ່ນຍົນທີ່ມີຊີດີເຄື່ອງຈັກຈຳກັດ.

ຖາມບ່ອຍໆ

ຂໍ້ດີຫຼັກໆ ຂອງການໃຊ້ AI ທີ່ຝັງຢູ່ເທືອບື່ອງເທືຽບກັບລະບົບ AI ຢູ່ໃນເຄືອຂ່າຍຄືຫຍັງ?

ລະບົບ AI ທີ່ຝັງຢູ່ເທືອບື່ອງມີຄວາມໜ້ອຍລ່າຊ້າຢ່າງມີນັກສຳຄັນ ເນື່ອງຈາກການປະມວນຜົນການສົນທະນາເກີດຂຶ້ນຢູ່ໃນທ້ອງຖິ່ນໂດຍບໍ່ມີຄວາມໜ້ອຍລ່າຊ້າຈາກການຖ່າຍໂອນຂໍ້ມູນຜ່ານເຄືອຂ່າຍ. ມັນເຮັດໃຫ້ຄວາມເປັນສ່ວນຕົວດີຂຶ້ນໂດຍການປະມວນຜົນຂໍ້ມູນທີ່ອ່ອນໄຫວຢູ່ໃນອຸປະກອນເທົ່ານັ້ນ ແທນທີ່ຈະສົ່ງຂໍ້ມູນໄປຫາເຄືອຂ່າຍເຊີເວີ. AI ທີ່ຝັງຢູ່ເທືອບື່ອງເຮັດໃຫ້ການດຳເນີນງານເປັນອິດສະຫຼະໄດ້ໃນສະພາບແວດລ້ອມທີ່ມີເຄືອຂ່າຍທີ່ບໍ່ເຊື່ອຖືໄດ້ ຫຼື ບໍ່ມີເຄືອຂ່າຍເລີຍ, ລຸດຜ່ອນຄວາມຕ້ອງການຂອງຄວາມໄວໃນການເຊື່ອມຕໍ່ເຄືອຂ່າຍ (bandwidth), ແລະ ສະເໜີການປະຢັດຄ່າໃຊ້ຈ່າຍດ້ວຍການຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນການປະມວນຜົນທີ່ເຄືອຂ່າຍ. ຂໍ້ດີເຫຼົ່ານີ້ເຮັດໃຫ້ AI ທີ່ຝັງຢູ່ເທືອບື່ອງມີຄຸນຄ່າຢ່າງຍິ່ງສຳລັບການນຳໃຊ້ໃນເວລາຈິງ, ລະບົບທີ່ຕ້ອງການຄວາມປອດໄພສູງ, ແລະ ອຸດສາຫະກຳທີ່ຕ້ອງການຄວາມເປັນສ່ວນຕົວສູງເຊັ່ນ: ການດູແລສຸຂະພາບ.

ໂຄງສ້າງການສອນນີ້ຊ່ວຍໃຫ້ນັກພັດທະນານຳໃຊ້ AI ທີ່ຝັງຢູ່ເທືອບື່ອງໄດ້ຢ່າງປະສົບຜົນສຳເລັດແນວໃດ?

ຄູ່ມືສອນທີ່ຈັດລະບຽບໄວ້ຢ່າງເປັນລະບຽບຊ່ວຍໃຫ້ນັກພັດທະນາເຂົ້າໃຈການເລືອກຮູບແບບ, ເຕັກນິກການປັບປຸງ, ການເຊື່ອມຕໍ່ອຸປະກອນ, ແລະ ຂະບວນການກວດສອບທີ່ເໝາະສົມສຳລັບເວທີຟີເຄື່ອນໄຫວ. ວິທີການສອນແບບຂັ້ນຕອນນີ້ສອນທັກສະທີ່ເປັນປະໂຫຍດຈິງໃນການຫຸດຂະໜາດຮູບແບບ, ການປັບຄ່າເປັນເລກຈຳນວນເຕັມ, ແລະ ການປັບປຸງທີ່ເໝາະສົມກັບເວທີເພື່ອໃຫ້ສາມາດປະມວນຜົນໄດ້ໃນອຸປະກອນທີ່ມີຊັບພະຍາກອນຈຳກັດ. ຄຳແນະນຳທີ່ເປັນຂັ້ນຕອນຈະຊ່ວຍໃຫ້ນັກພັດທະນາຫຼີກເວັ້ນບັນຫາທົ່ວໄປ, ຫຼຸດເວລາໃນການພັດທະນາ, ແລະ ຮັບປະກັນວ່າລະບົບທີ່ຖືກຕິດຕັ້ງຈະບັນລຸເງື່ອນໄຂດ້ານປະສິດທິພາບ ແລະ ຄວາມເຊື່ອຖືໄດ້. ການຕິດຕາມຄູ່ມືທີ່ຄົບຖ້ວນຈະເຮັດໃຫ້ອັດຕາຄວາມສຳເລັດເພີ່ມຂຶ້ນ ແລະ ເຮັດໃຫ້ການນຳເອົາບໍລິການປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່ເຂົ້າສູ່ຕະຫຼາດໄດ້ໄວຂຶ້ນ.

ປັດໄຈໃດທີ່ຄວນນຳມາພິຈາລະນາເວລາເລືອກອຸປະກອນດ້ານເວີຈຸ່າ (edge hardware) ສຳລັບການນຳໃຊ້ປັນຍາປະດິດສ້າງທີ່ຝັງຢູ່?

ການເລືອກຮັບຮູ້ອຸປະກອນທີ່ຢູ່ເທິງຂອບເຂດ (edge hardware) ຕ້ອງມີການປະເມີນຄວາມສາມາດໃນການຄຳນວນ, ການບໍລິໂພກພະລັງງານ, ລາຄາ, ຮູບຮ່າງຂອງອຸປະກອນ, ແລະ ຄວາມສາມາດໃນການປະມວນຜົນ (inference performance) ຂອງແຕ່ລະຮູບແບບ AI ທີ່ຈະນຳໃຊ້. ຄູ່ມືນີ້ແນະນຳໃຫ້ທຳການທົດສອບອຸປະກອນທີ່ກຳລັງພິຈາລະນາດ້ວຍການນຳໃຊ້ຮູບແບບ AI ທີ່ຈະນຳໄປໃຊ້ຈິງ ເພື່ອໃຫ້ແນ່ໃຈວ່າມີຄວາມສາມາດໃນການປະມວນຜົນທີ່ເໝາະສົມ. ນັກພັດທະນາຈຳເປັນຕ້ອງຄຳນຶງເຖິງຄວາມຕ້ອງການດ້ານຄວາມສາມາດ ແລະ ຂໍ້ຈຳກັດໃນການຕິດຕັ້ງເຊັ່ນ: ຄວາມສາມາດໃນການຈັດຫາພະລັງງານ, ການຄວບຄຸມອຸນຫະພູມ, ແລະ ພື້ນທີ່ທາງດ້ານຮ່າງກາຍ. ການພິຈາລະນາຄ່າໃຊ້ຈ່າຍທັງໝົດໃນໄລຍະຍາວ (total cost of ownership), ຄວາມສາມາດໃນການຂະຫຍາຍຂອບເຂດ (scalability), ແລະ ການສະໜັບສະໜູນຈາກຜູ້ຜະລິດໃນໄລຍະຍາວ ຈະຊ່ວຍໃຫ້ການເລືອກອຸປະກອນທີ່ຢູ່ເທິງຂອບເຂດສອດຄ່ອງກັບເປົ້າໝາຍຂອງໂຄງການ ແລະ ຍຸດທະສາດດ້ານ IT ຂອງອົງການ.