Siemens એ 10,000 ફેક્ટરીઓમાં edge-AI મોનિટરિંગ તૈનાત કર્યું છે, જેનાથી સાધનોના ડાઉનટાઇમમાં 50% સુધીનો ઘટાડો થયો છે, અને John Deere ના નવા નીડ-સ્પૉટિંગ (નિંદિયા શોધતા) ટ્રેક્ટર્સ કનેક્ટિવિટી અસ્થિર હોય તેવા ખેતરોમાં જંતુનાશકના ઉપયોગમાં 80% સુધીનો ઘટાડો કરી રહ્યા છે. ક્લાઉડ-કેન્દ્રીત ઇન્ફરન્સથી ઓન-ડિવાઇસ પ્રોસેસિંગ તરફનું આ સ્થળાંતર લાંબા સમયથી વચન આપેલ "ઓફલાઇન ઇન્ટેલિજન્સ" વિઝનને ઝડપ, ગોપનીયતા અને વિશ્વસનીયતામાં વાસ્તવિક લાભોમાં બદલી રહ્યું છે.

એજ તરફનું આ સ્થળાંતર અત્યારે શા માટે મહત્વનું છે

છેલ્લા દાયકાના મોટાભાગના સમયમાં, આર્ટિફિશિયલ-ઇન્ટેલિજન્સ વર્કલોડ્સ રિમોટ ડેટા સેન્ટર્સમાં રહેતા હતા. એક સેન્સર અથવા સ્માર્ટફોન ક્લાઉડ પર કાચો ડેટા (raw data) મોકલતો, મોડેલ ચાલવાની રાહ જોતો અને પછી પ્રતિસાદ મેળવતો. આ રાઉન્ડ-ટ્રિપના કારણે સેકન્ડોનો વિલંબ (latency) ઉમેરાતો, બેન્ડવિડ્થનો વપરાશ વધતો અને કાચા ઇનપુટ્સ બાહ્ય નેટવર્ક્સ માટે ખુલ્લા પડતા હતા.

Edge AI આ મોડેલને સંપૂર્ણપણે બદલી નાખે છે: જે ઉપકરણ ડેટા એકત્રિત કરે છે તે જ ઉપકરણ પર સમાન મશીન-લર્નિંગ અલ્ગોરિધમ્સ ચાલે છે. Apple, Qualcomm અને Google ના આધુનિક ચિપ્સ સમર્પિત AI એક્સિલરેટર્સ ધરાવે છે જે ખૂબ ઓછી શક્તિ વાપરીને મિલિસેકન્ડોમાં મોટા ન્યુરલ નેટવર્ક્સને પ્રોસેસ કરી શકે છે. તેનું પરિણામ એવું આર્કિટેક્ચર છે જ્યાં ફેક્ટરી રોબોટ, ટ્રેક્ટર અથવા ફોન તરત જ કાર્ય કરી શકે છે, ડેટાને સ્થાનિક રાખી શકે છે અને ઇન્ટરનેટ બંધ હોવા છતાં પણ કામ ચાલુ રાખી શકે છે.

Industrial IoT ને ઉત્પાદકતામાં વધારો મળે છે

ફેક્ટરીઓ લાંબા સમયથી વાઇબ્રેશન, તાપમાન અને દબાણના રીડિંગ્સ એકત્રિત કરવા માટે Industrial Internet of Things (IIoT) નો ઉપયોગ કરતી આવી છે. અત્યાર સુધી, મોટાભાગનું એનાલિટિક્સ ક્લાઉડમાં થતું હતું, જેનો અર્થ છે કે કોઈ વિસંગતતા (anomaly) અને સુધારાત્મક પગલા વચ્ચે વિલંબ થતો હતો. Siemens નું edge-AI પ્લેટફોર્મ તે સ્ટ્રીમ્સને સાઇટ પર જ પ્રોસેસ કરે છે, જે રીઅલ ટાઇમમાં એવા બેરિંગને ઓળખી લે છે જે નિષ્ફળ જવાની તૈયારીમાં હોય.

  • ડાઉનટાઇમમાં ઘટાડો: શરૂઆતના વપરાશકર્તાઓ અનિચ્છનીય શટડાઉનમાં 50% સુધીના ઘટાડાનો અહેવાલ આપે છે.
  • બેન્ડવિડ્થમાં ઘટાડો: સ્થાનિક સ્તરે કાચા સેન્સર ડેટાને ફિલ્ટર કરીને, સિસ્ટમ અપસ્ટ્રીમ ટ્રાફિકમાં અંદાજે 95% નો ઘટાડો કરે છે.

તેનો તાત્કાલિક લાભ વધુ ઉત્પાદન અને ઓછો જાળવણી ખર્ચ (maintenance costs) છે. જે ફેક્ટરીઓ નેટવર્ક અવરોધ દરમિયાન પણ કાર્યરત રહે છે તેઓ સ્પર્ધાત્મક લાભ મેળવે છે, ખાસ કરીને એવા પ્રદેશોમાં જ્યાં બ્રોડબેન્ડની વિશ્વસનીયતા ઓછી છે.

કૃષિ ક્ષેત્રે ચોકસાઈનો નવો પ્રકાર જોવા મળે છે

સામાન્ય ખેતરમાં, સેલ્યુલર કવરેજ અસ્થિર હોઈ શકે છે, અને આખા ખેતરોમાં હર્બિસાઇડ્સ (નિંદિયાનાશક) છાંટવા એ બગાડ અને પર્યાવરણ માટે નુકસાનકારક બંને છે. John Deere ના ટ્રેક્ટર્સ હવે edge-AI વિઝન મોડ્યુલ્સ ધરાવે છે જે પાકની હારમાળાને સ્કેન કરે છે, પાંદડાના સ્તર પર નિંદિયાને ઓળખે છે અને જ્યાં જરૂર હોય ત્યાં જ લક્ષિત સ્પ્રે નોઝલને સક્રિય કરે છે.

  • રસાયણોમાં ઘટાડો: ફિલ્ડ ટ્રાયલ્સ જંતુનાશકના ઉપયોગમાં 80% સુધીનો ઘટાડો દર્શાવે છે.
  • ઓફલાઇન ઓપરેશન: સેન્સર્સ સતત ક્લાઉડ લિંકની જરૂરિયાત વિના જમીનની ભેજ અને પોષક તત્વોના સ્તરનું નિરીક્ષણ કરે છે, જે દૂરના ખેતરોમાં પણ નિર્ણયો લેવામાં મદદ કરે છે.

ખર્ચ બચત ઉપરાંત, ઘટાડેલો કેમિકલ ફૂટપ્રિન્ટ ટકાઉ ઉત્પાદનો માટે વધતી જતી ગ્રાહક માંગ સાથે સુસંગત છે અને ખેડૂતોને કડક પર્યાવરણીય નિયમોનું પાલન કરવામાં મદદ કરે છે.

કન્ઝ્યુમર ડિવાઇસ પણ આ જ પદ્ધતિ અપનાવી રહ્યા છે

સ્માર્ટફોન પહેલેથી જ એજ ટ્રેન્ડનો સંકેત આપી રહ્યા છે. Apple ના તાજેતરના ઉપકરણો હાઇબ્રિડ અભિગમનો ઉપયોગ કરે છે, જેમાં ઝડપી અને ખાનગી કાર્યો માટે લોકલ AI નો ઉપયોગ થાય છે અને ભારે રિઝનિંગ માટે ક્લાઉડનો ઉપયોગ થાય છે.

એજ ટેકનોલોજીને સર્વવ્યાપી બનતા રોકતા અવરોધો

  • મોડેલનું કદ: અત્યાધુનિક ન્યુરલ નેટ્સ સેંકડો મેગાબાઇટ્સ રોકી શકે છે, જે મર્યાદિત ફ્લેશ સ્ટોરેજ ધરાવતા ઉપકરણો માટે મુશ્કેલ છે. એન્જિનિયરો મોડેલ્સને પ્રૂન (prune) અથવા ક્વોન્ટાઇઝ (quantize) કરે છે, જેનાથી ક્યારેક ચોકસાઈમાં ઘટાડો થાય છે.
  • ભૌતિક સુરક્ષા: ફેક્ટરીમાં રહેલા ઉપકરણ અથવા ટ્રેક્ટરમાં ડેટા-સેન્ટર રેક કરતા વધુ સરળતાથી એક્સેસ મેળવી શકાય છે, જે છેડછાડ અથવા મોડેલની ચોરીનું જોખમ વધારે છે.
  • અપડેટ લોજિસ્ટિક્સ: લાખો ઓફલાઇન યુનિટ્સ પર નવા AI વર્ઝન મોકલવા માટે મજબૂત ઓવર-ધ-એર (over-the-air) મિકેનિઝમની જરૂર છે, છતાં ઘણા ઔદ્યોગિક સાઇટ્સમાં વિશ્વસનીય અપલિંક બેન્ડવિડ્થનો અભાવ છે.

આ મર્યાદાઓનો અર્થ એ છે કે ઘણા કિસ્સાઓમાં edge AI હજુ પણ ક્લાઉડ સેવાઓને બદલવાને બદલે તેને પૂરક તરીકે કામ કરે છે.

Federated learning: આગામી ક્ષિતિજ

એક ઉભરતી તકનીક ડેટાને સ્થાનિક રાખે છે જ્યારે તે વૈશ્વિક સ્તરે મોડેલ્સમાં સુધારો કરવાનું ચાલુ રાખે છે. Federated learning માં, દરેક ઉપકરણ તેના પોતાના ડેટા પર મોડેલની નકલને ટ્રેન કરે છે, અને પછી માત્ર એકત્રિત વેટ અપડેટ્સ (aggregated weight updates)—કાચો ડેટા નહીં—સેન્ટ્રલ સર્વર સાથે શેર કરે છે. સર્વર આ યોગદાનને એક નવા ગ્લોબલ મોડેલમાં ભેળવે છે જે ફરીથી ઉપકરણો પર વહેંચવામાં આવે છે.

જો વ્યાપકપણે અપનાવવામાં આવે, તો Federated learning ગોપનીયતાની ખાતરી વધારી શકે છે, કાચા ડેટાના ટ્રાન્સમિશનની જરૂરિયાત ઘટાડી શકે છે અને એવા વાતાવરણમાં એજ મોડેલ્સના રિફાઇનમેન્ટને વેગ આપી શકે છે જે 'વન-સાઇઝ-ફિટ્સ-ઓલ' ક્લાઉડ સોલ્યુશન માટે ખૂબ જ વિવિધતાપૂર્ણ (heterogeneous) છે.

આવતા વર્ષમાં શું જોવા મળશે

  • ચિપ રોલ-આઉટ્સ: મુખ્ય સિલિકોન વેન્ડર્સ તરફથી ચિપ રોલ-આઉટ્સની અપેક્ષા છે.

એજ AI પાછળનો વેગ એ કોઈ ક્ષણિક ઉત્તેજના ચક્ર નથી. તે ખર્ચ, લેટન્સી અને ગોપનીયતાના એવા દબાણો સામેનો એક વ્યવહારુ પ્રતિસાદ છે જે ક્લાઉડ-ઓન્લી ઇન્ફરન્સ હંમેશા સંતોષી શકતું નથી. Siemens અને John Deere તેના પ્રારંભિક અને ઉચ્ચ-દૃશ્યતા ધરાવતા ઉદાહરણો છે, પરંતુ આ મૂળભૂત પરિવર્તન એવા કોઈપણ ક્ષેત્રમાં જોવા મળશે જે રિયલ-ટાઇમ સેન્સર ડેટા પર આધાર રાખે છે.

મુખ્ય વાત: જ્યારે બુદ્ધિ (intelligence) ત્યાં જ કાર્ય કરે જ્યાં ડેટા રહે છે—પછી તે ફેક્ટરી ફ્લોર હોય, ખેતર હોય કે ખિસ્સું હોય—તેનું પરિણામ ઝડપી નિર્ણયો, ઓછો કાર્યકારી ખર્ચ અને ગોપનીયતા પર વધુ મજબૂત નિયંત્રણ તરીકે આવે છે. AI ની આગામી લહેર ક્લાઉડ કેટલું મોટું બને છે તેનાથી નહીં, પરંતુ ઉપકરણો કેટલી અસરકારક રીતે પોતાના માટે વિચારી શકે છે તેનાથી નક્કી કરવામાં આવશે.