最近私たちが力を入れている場所の1つは、AIの端にあるエリアです。 現在、特にGoogleのCoralチップなどのツールからの消費電力はごくわずか（通常は5ワット）で、エッジで大規模な推論を行うことができます。 私たちにできることは、あらゆるセンサー、カメラやマイクなどのあらゆる種類のダムセンサーをスマートデバイスに変換できることです。スマートデバイスでは、クラウドに記録するすべてのデータをシャッフルする代わりに、ローカルで解釈できます。代わりに、イベントをクラウドに送信できます。
現在取り組んでいるユースケースを紹介します。 風車の周りの鳥を認識しています。 このすべてのカメラデータをクラウドに送信してから、誰かに写真の鳥を探してもらう代わりに、十分にトレーニングされたTensorFlowモデルであるTensorFlowモデルを使用して、探しているものを認識することができます。為に。 データやすべてのビデオを送信する代わりに、「鳥が来ています」と送信できます。 対策を講じることができるように、アクチュエータを制御できるエッジユニットを構築していることを忘れないでください。 私たちが防ごうとしているのは、鳥が風車にぶつかって死ぬことだからです。 もちろん、それは風車のオペレーターにとっては非常に高価であり、鳥にとっては本当に悪いことです。
別の例として、電力業界では、マイクを使用して変圧器を聴いています。 そのすべてのノイズをクラウドに送信することはできますが、なぜですか？ 私たちは何を聞いているかを知っているからです。 私たちは火花を聞いています。 火花が散らばっているときは、メンテナンスが必要であることがわかります。 時間の経過とともにテラバイト相当のデータになるすべてのサウンドを送信する代わりに、「このトランスフォーマーには問題があるようです。 火花があると信じています。 これが録音のサンプルです。 サービス技術者、それを確認していただけますか？」
データを保存するだけでなく、自己監視トランスを使用することも実用的になりました。 電力会社にソリューションを導入する前に、電力会社はサービス技術者をこの変圧器ステーションに派遣する必要があります。 これはノルウェーで、何か問題があるかどうかを確認するためだけにこれらの変圧器ステーションにハイキングするのに数時間かかる可能性がありました。 代わりに、「ねえ、何か問題があります」というメッセージが表示されます。
想像できるように、これで、あらゆるカメラをスマートセンサー、マイク、または高データセンサーに変換できます。これは、物事を読み取るEKGであるかどうかに関係ありません。 許可されている場合は、EKGを見て、「問題があります」または「これは明らかでした」と言うことができます。
しかし、最大の課題の1つであることがわかったのは、エッジでAIを取り巻く作業プロセス全体をどのようにサポートするかということです。 Pratexoで行ったことの1つは、実際にはさまざまなモードでエッジノードを実行していることです。 録音以外の何もしていないモードで実行できます。 私たちはセンサーデータを記録しており、そのセンサーデータを実際にはクラウドにプッシュしています。 なんで？ なぜなら、現在、最高の学習環境はクラウドにあるからです。
ご存知かもしれませんが、モデルをトレーニングするには、より多くの計算能力が必要です。 これで、エッジでトレーニングすることができますが、一般的に、より実用的なのは、データをエッジからクラウドにプッシュすることです。 また、データがクラウドにある場合は、ベンダーのトレーニングモデル、たとえばGoogleのモデルを使用します。 次に、まだ記録している間にモデルをトレーニングします。エッジデバイスが記録しています。 ある時点で、モデルに満足し、モデルがどの程度うまく機能するかをテストしたいとします。
モデルを端まで押し戻します。 そのモデルをコンピューティングユニットまたはサードパーティのコンピューティングユニットにプッシュすることができます。 たとえば、モデルをプッシュできるように、AxisとCoralチップを搭載したAxisカメラを使用しています。 その間、私たちはまだ記録することができます。 情報を推測したり、データからイベントを推測したりするハイブリッドモードにすることもできますが、記録は続けており、最適化を続けています。 データを再度プッシュするか、モデルを再トレーニングするか、モデルのより最適なバージョンにします。 もう一度押し出すことができます。
モデルの記録、学習、展開からのこのワークフロープロセス全体は、最初に考えたよりもはるかに難しいことがわかりましたが、それは私たちが解決しようとしたことの1つです。
次に何が起こるかを議論するとき、群知能コンピューティングの概念について言及する価値があると思います。 これは、IoTの分野で非常に重要になります。 現場にあるマシンは、地理的に近接しているためか、何かを介してコラボレーションを開始しているためか、アドホックな群れを作成することがよくあります。私たちの調査によると、これはネットワーク層でも解決できることがわかっています。最下層では、マシンを相互に接続して、非常に動的なものでコラボレーションを開始できます。 一連のマシンを連携させることには大きな利点があるユースケースが非常に多いので、私はそれについて本当に興奮していますが、コンテキストに基づいて異なるマシンになります。
