Siemens 10,000 ಕಾರ್ಖಾನೆಗಳಲ್ಲಿ edge-AI ಮಾನಿಟರಿಂಗ್ ಅನ್ನು ಅಳವಡಿಸಿದೆ, ಇದು ಉಪಕರಣಗಳ ಡೌನ್‌ಟೈಮ್ ಅನ್ನು ಶೇಕಡಾ 50 ರಷ್ಟು ಕಡಿಮೆ ಮಾಡಿದೆ. ಹಾಗೆಯೇ, John Deere ನ ಹೊಸ ಕಳೆ-ಗುರುತಿಸುವ (weed-spotting) ಟ್ರ್ಯಾಕ್ಟರ್‌ಗಳು, ಸಂಪರ್ಕ (connectivity) ಅಸ್ಥಿರವಾಗಿರುವ ಹೊಲಗಳಲ್ಲಿ ಕೀಟನಾಶಕಗಳ ಬಳಕೆಯನ್ನು ಶೇಕಡಾ 80 ರಷ್ಟು ಕಡಿಮೆ ಮಾಡುತ್ತಿವೆ. ಕ್ಲೌಡ್-ಕೇಂದ್ರಿತ ಇನ್ಫರೆನ್ಸ್‌ನಿಂದ (cloud-centric inference) ಸಾಧನದ ಮೇಲಿನ ಪ್ರೊಸೆಸಿಂಗ್ (on-device processing) ಕಡೆಗೆ ಆಗುತ್ತಿರುವ ಈ ಬದಲಾವಣೆಯು, ದೀರ್ಘಕಾಲದಿಂದ ಭರವಸೆ ನೀಡಲಾಗಿದ್ದ "ಆಫ್‌ಲೈನ್ ಇಂಟೆಲಿಜೆನ್ಸ್" ದೃಷ್ಟಿಕೋನವನ್ನು ವೇಗ, ಗೌಪ್ಯತೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ದೃಷ್ಟಿಯಿಂದ ನೈಜ ಪ್ರಗತಿಯನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತಿದೆ.

ಈಗ ಎಡ್ಜ್ (edge) ಕಡೆಗೆ ಬದಲಾಗುವುದು ಏಕೆ ಮುಖ್ಯ

ಕಳೆದ ದಶಕದ ಬಹುಪಾಲು ಸಮಯದಲ್ಲಿ, ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಕೆಲಸಗಳು ದೂರದ ಡೇಟಾ ಸೆಂಟರ್‌ಗಳಲ್ಲಿ ಇರುತ್ತಿದ್ದವು. ಒಂದು ಸೆನ್ಸರ್ ಅಥವಾ ಸ್ಮಾರ್ಟ್‌ಫೋನ್ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಕ್ಲೌಡ್‌ಗೆ ಕಳುಹಿಸುತ್ತಿತ್ತು, ಮಾಡೆಲ್ ರನ್ ಆಗುವವರೆಗೆ ಕಾಯುತ್ತಿತ್ತು ಮತ್ತು ನಂತರ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪಡೆಯುತ್ತಿತ್ತು. ಈ ಪ್ರಕ್ರಿಯೆಯು ಸೆಕೆಂಡುಗಳ ವಿಳಂಬವನ್ನು (latency) ಉಂಟುಮಾಡುತ್ತಿತ್ತು, ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಅನ್ನು ಬಳಸುತ್ತಿತ್ತು ಮತ್ತು ಕಚ್ಚಾ ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಬಾಹ್ಯ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಗೆ ಒಡ್ಡುತ್ತಿತ್ತು.

Edge AI ಈ ಮಾದರಿಯನ್ನೇ ಬದಲಾಯಿಸುತ್ತದೆ: ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವ ಸಾಧನದಲ್ಲೇ ಅದೇ ಮಷೀನ್-ಲರ್ನಿಂಗ್ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. Apple, Qualcomm ಮತ್ತು Google ನ ಆಧುನಿಕ ಚಿಪ್‌ಗಳು ಪ್ರತ್ಯೇಕ AI ಅಕ್ಸಿಲರೇಟರ್‌ಗಳನ್ನು ಹೊಂದಿದ್ದು, ಅತ್ಯಲ್ಪ ವಿದ್ಯುತ್ ಬಳಕೆಯೊಂದಿಗೆ ಮಿಲಿಸೆಕೆಂಡುಗಳಲ್ಲಿ ದೊಡ್ಡ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಪ್ರೊಸೆಸ್ ಮಾಡಬಲ್ಲವು. ಇದರ ಫಲಿತಾಂಶವೆಂದರೆ, ಕಾರ್ಖಾನೆಯ ರೋಬೋಟ್, ಟ್ರ್ಯಾಕ್ಟರ್ ಅಥವಾ ಫೋನ್ ತಕ್ಷಣವೇ ಕಾರ್ಯನಿರ್ವಹಿಸಬಲ್ಲದು, ಡೇಟಾವನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಇರಿಸಿಕೊಳ್ಳಬಲ್ಲದು ಮತ್ತು ಇಂಟರ್ನೆಟ್ ಇಲ್ಲದಿದ್ದರೂ ಕೆಲಸ ಮಾಡಬಲ್ಲದು ಎಂಬ ವಾಸ್ತುಶಿಲ್ಪ (architecture).

ಇಂಡಸ್ಟ್ರಿಯಲ್ IoT ಉತ್ಪಾದಕತೆಗೆ ಉತ್ತೇಜನ ನೀಡುತ್ತದೆ

ಕಾರ್ಖಾನೆಗಳು ವೈಬ್ರೇಶನ್, ತಾಪಮಾನ ಮತ್ತು ಒತ್ತಡದ ರೀಡಿಂಗ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ದೀರ್ಘಕಾಲದಿಂದ ಇಂಡಸ್ಟ್ರಿಯಲ್ ಇಂಟರ್ನೆಟ್ ಆಫ್ ಥಿಂಗ್ಸ್ (IIoT) ಅನ್ನು ಬಳಸುತ್ತಿವೆ. ಇಲ್ಲಿಯವರೆಗೆ, ಹೆಚ್ಚಿನ ವಿಶ್ಲೇಷಣೆಗಳು (analytics) ಕ್ಲೌಡ್‌ನಲ್ಲಿ ನಡೆಯುತ್ತಿದ್ದವು, ಅಂದರೆ ಯಾವುದಾದರೂ ಅಸಹಜತೆ (anomaly) ಕಂಡುಬಂದಾಗ ಮತ್ತು ಅದಕ್ಕೆ ತಿದ್ದುಪಡಿ ಕ್ರಮ ಕೈಗೊಳ್ಳುವ ನಡುವೆ ವಿಳಂಬವಿರುತ್ತಿತ್ತು. Siemens ನ edge-AI ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಆ ಸ್ಟ್ರೀಮ್‌ಗಳನ್ನು ಸ್ಥಳೀಯವಾಗಿಯೇ ಪ್ರೊಸೆಸ್ ಮಾಡುತ್ತದೆ, ಇದರಿಂದಾಗಿ ಯಾವುದಾದರೂ ಬೇರಿಂಗ್ (bearing) ವೈಫಲ್ಯಕ್ಕೀಡಾಗುವ ಮುನ್ನವೇ ಅದನ್ನು ನೈಜ ಸಮಯದಲ್ಲಿ (real time) ಗುರುತಿಸುತ್ತದೆ.

  • ಡೌನ್‌ಟೈಮ್ ಕಡಿತ: ಆರಂಭಿಕ ಬಳಕೆದಾರರು ಅನಿರೀಕ್ಷಿತ ಸ್ಥಗಿತಗಳಲ್ಲಿ ಶೇಕಡಾ 50 ರಷ್ಟು ಕಡಿತವನ್ನು ವರದಿ ಮಾಡಿದ್ದಾರೆ.
  • ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಕಡಿತ: ಕಚ್ಚಾ ಸೆನ್ಸರ್ ಡೇಟಾವನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಫಿಲ್ಟರ್ ಮಾಡುವ ಮೂಲಕ, ಈ ವ್ಯವಸ್ಥೆಯು ಅಪ್‌ಸ್ಟ್ರೀಮ್ ಟ್ರಾಫಿಕ್ ಅನ್ನು ಸುಮಾರು ಶೇಕಡಾ 95 ರಷ್ಟು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಇದರ ತಕ್ಷಣದ ಪ್ರಯೋಜನವೆಂದರೆ ಹೆಚ್ಚಿನ ಉತ್ಪಾದನೆ ಮತ್ತು ಕಡಿಮೆ ನಿರ್ವಹಣಾ ವೆಚ್ಚ. ನೆಟ್‌ವರ್ಕ್ ವ್ಯತ್ಯಯದ ಸಮಯದಲ್ಲಿಯೂ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಕಾರ್ಖಾನೆಗಳು ಸ್ಪರ್ಧಾತ್ಮಕ advantage ಪಡೆಯುತ್ತವೆ, ವಿಶೇಷವಾಗಿ ಬ್ರಾಡ್‌ಬ್ಯಾಂಡ್ ವಿಶ್ವಾಸಾರ್ಹತೆ ಕಡಿಮೆ ಇರುವ ಪ್ರದೇಶಗಳಲ್ಲಿ ಇದು ಹೆಚ್ಚು ಸಹಕಾರಿ.

ಕೃಷಿಯಲ್ಲಿ ಹೊಸ ರೀತಿಯ ನಿಖರತೆ

ಸಾಮಾನ್ಯ ಕೃಷಿ ಭೂಮಿಯಲ್ಲಿ, ಸೆಲ್ಯುಲಾರ್ ಕವರೇಜ್ ಅಸ್ಥಿರವಾಗಿರಬಹುದು ಮತ್ತು ಇಡೀ ಹೊಲಕ್ಕೆ ಕಳೆನಾಶಕಗಳನ್ನು ಸಿಂಪಡಿಸುವುದು ವ್ಯರ್ಥ ಮತ್ತು ಪರಿಸರಕ್ಕೆ ಹಾನಿಕಾರಕವಾಗಿದೆ. John Deere ನ ಟ್ರ್ಯಾಕ್ಟರ್‌ಗಳು ಈಗ edge-AI ವಿಷನ್ ಮಾಡ್ಯೂಲ್‌ಗಳನ್ನು ಹೊಂದಿವೆ, ಇವು ಬೆಳೆಗಳ ಸಾಲುಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತವೆ, ಎಲೆ ಮಟ್ಟದಲ್ಲಿ ಕಳೆಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ ಮತ್ತು ಅಗತ್ಯವಿರುವ ಕೇವಲ ಸ್ಥಳಗಳಲ್ಲಿ ಮಾತ್ರ ಟಾರ್ಗೆಟೆಡ್ ಸ್ಪ್ರೇ ನೊಜಲ್ ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತವೆ.

  • ರಾಸಾಯನಿಕಗಳ ಕಡಿತ: ಕ್ಷೇತ್ರ ಪ್ರಯೋಗಗಳು ಕೀಟನಾಶಕಗಳ ಬಳಕೆಯಲ್ಲಿ ಶೇಕಡಾ 80 ರಷ್ಟು ಇಳಿಕೆಯನ್ನು ತೋರಿಸಿವೆ.
  • ಆಫ್‌ಲೈನ್ ಕಾರ್ಯಾಚರಣೆ: ಸೆನ್ಸರ್‌ಗಳು ನಿರಂತರ ಕ್ಲೌಡ್ ಸಂಪರ್ಕದ ಅಗತ್ಯವಿಲ್ಲದೆ ಮಣ್ಣಿನ ತೇವಾಂಶ ಮತ್ತು ಪೋಷಕಾಂಶಗಳ ಮಟ್ಟವನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತವೆ, ಇದು ದೂರದ ಹೊಲಗಳಲ್ಲಿಯೂ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ವೆಚ್ಚ ಉಳಿತಾಯದ ಜೊತೆಗೆ, ಕಡಿಮೆ ರಾಸಾಯನಿಕ ಬಳಕೆಯು ಸುಸ್ಥಿರ ಉತ್ಪನ್ನಗಳಿಗಾಗಿ ಬೆಳೆಯುತ್ತಿರುವ ಗ್ರಾಹಕರ ಬೇಡಿಕೆಗೆ ಅನುಗುಣವಾಗಿದೆ ಮತ್ತು ಬೆಳೆಗಾರರು ಕಟ್ಟುನಿಟ್ಟಿನ ಪರಿಸರ ನಿಯಮಗಳನ್ನು ಪಾಲಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಗ್ರಾಹಕ ಸಾಧನಗಳು ಕೂಡ ಇದೇ ಹಾದಿಯಲ್ಲಿ ಸಾಗುತ್ತಿವೆ

ಸ್ಮಾರ್ಟ್‌ಫೋನ್‌ಗಳು ಈಗಾಗಲೇ ಈ ಎಡ್ಜ್ ಟ್ರೆಂಡ್ ಅನ್ನು ಸೂಚಿಸುತ್ತಿವೆ. Apple ನ ಇತ್ತೀಚಿನ ಸಾಧನಗಳು ಹೈಬ್ರಿಡ್ ವಿಧಾನವನ್ನು ಬಳಸುತ್ತವೆ; ವೇಗವಾದ ಮತ್ತು ಗೌಪ್ಯವಾದ ಕಾರ್ಯಗಳಿಗಾಗಿ ಸ್ಥಳೀಯ AI ಅನ್ನು ಮತ್ತು ಕೇವಲ ಹೆಚ್ಚಿನ ಸಂಕೀರ್ಣತೆಯ ಕಾರ್ಯಗಳಿಗಾಗಿ ಕ್ಲೌಡ್ ಅನ್ನು ಬಳಸುತ್ತವೆ.

ಎಡ್ಜ್ ತಂತ್ರಜ್ಞಾನವು ಸಾರ್ವತ್ರಿಕವಾಗಲು ಇರುವ ಅಡೆತಡೆಗಳು

  • ಮಾಡೆಲ್ ಗಾತ್ರ (Model size): ಅತ್ಯಾಧುನಿಕ ನ್ಯೂರಲ್ ನೆಟ್‌ಗಳು ನೂರಾರು ಮೆಗಾಬೈಟ್‌ಗಳಷ್ಟು ಜಾಗವನ್ನು ಆಕ್ರಮಿಸಬಹುದು, ಇದು ಸೀಮಿತ ಫ್ಲ್ಯಾಶ್ ಸ್ಟೋರೇಜ್ ಹೊಂದಿರುವ ಸಾಧನಗಳಿಗೆ ಕಷ್ಟಕರವಾಗಿದೆ. ಇಂಜಿನಿಯರ್‌ಗಳು ನಿಖರತೆಯನ್ನು ಸ್ವಲ್ಪ ಬಲಿಕೊಟ್ಟು, ಮಾಡೆಲ್‌ಗಳನ್ನು ಪ್ರೂನ್ (prune) ಅಥವಾ ಕ್ವಾಂಟೈಸ್ (quantize) ಮಾಡುತ್ತಾರೆ.
  • ಭೌತಿಕ ಭದ್ರತೆ: ಡೇಟಾ-ಸೆಂಟರ್ ರಾಕ್ ಅನ್ನು ಹೋಲಿಸಿದರೆ ಕಾರ್ಖಾನೆಯ ಸಾಧನ ಅಥವಾ ಟ್ರ್ಯಾಕ್ಟರ್ ಅನ್ನು ಸುಲಭವಾಗಿ ಪ್ರವೇಶಿಸಬಹುದು, ಇದು ತಾಂತ್ರಿಕ ಹಸ್ತಕ್ಷೇಪ ಅಥವಾ ಮಾಡೆಲ್ ಕಳ್ಳತನದ ಅಪಾಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
  • ಅಪ್‌ಡೇಟ್ ಲಾಜಿಸ್ಟಿಕ್ಸ್: ಲಕ್ಷಾಂತರ ಆಫ್‌ಲೈನ್ ಘಟಕಗಳಿಗೆ ಹೊಸ AI ಆವೃತ್ತಿಗಳನ್ನು ಕಳುಹಿಸಲು ಬಲವಾದ over-the-air ಕಾರ್ಯವಿಧಾನಗಳು ಬೇಕು, ಆದರೆ ಅನೇಕ ಕೈಗಾರಿಕಾ ಸ್ಥಳಗಳಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹ ಅಪ್‌ಲಿಂಕ್ ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಇರುವುದಿಲ್ಲ.

ಈ ಮಿತಿಗಳ ಅರ್ಥವೇನೆಂದರೆ, ಅನೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಎಡ್ಜ್ AI ಎಂಬುದು ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು ಬದಲಾಯಿಸುವ ಬದಲು ಅವುಗಳಿಗೆ ಪೂರಕವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.

Federated learning: ಮುಂದಿನ ಮೈಲಿಗಲ್ಲು

ಒಂದು ಉದಯೋನ್ಮುಖ ತಂತ್ರಜ್ಞಾನವೆಂದರೆ ಡೇಟಾವನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಇರಿಸಿಕೊಳ್ಳುತ್ತಾ ಜಾಗತಿಕವಾಗಿ ಮಾಡೆಲ್‌ಗಳನ್ನು ಸುಧಾರಿಸುವುದು. ಫೆಡರೇಟೆಡ್ ಲರ್ನಿಂಗ್‌ನಲ್ಲಿ (Federated learning), ಪ್ರತಿ ಸಾಧನವು ತನ್ನದೇ ಆದ ಡೇಟಾವನ್ನು ಬಳಸಿ ಮಾಡೆಲ್‌ನ ಪ್ರತಿಯನ್ನು ತರಬೇತಿಗೊಳಿಸುತ್ತದೆ, ನಂತರ ಕೇವಲ ಸಂಯೋಜಿತ ತೂಕದ ಅಪ್‌ಡೇಟ್‌ಗಳನ್ನು (aggregated weight updates)—ಕಚ್ಚಾ ಇನ್‌ಪುಟ್‌ಗಳನ್ನಲ್ಲ—ಕೇಂದ್ರ ಸರ್ವರ್‌ನೊಂದಿಗೆ ಹಂಚಿಕೊಳ್ಳುತ್ತದೆ. ಸರ್ವರ್ ಈ ಕೊಡುಗೆಗಳನ್ನು ಹೊಸ ಜಾಗತಿಕ ಮಾಡೆಲ್ ಆಗಿ ವಿಲೀನಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಮತ್ತೆ ಸಾಧನಗಳಿಗೆ ಮರು배tribution ಮಾಡುತ್ತದೆ.

ಇದನ್ನು ವ್ಯಾಪಕವಾಗಿ ಅಳವಡಿಸಿಕೊಂಡರೆ, ಫೆಡರೇಟೆಡ್ ಲರ್ನಿಂಗ್ ಗೌಪ್ಯತೆಯ ಭರವಸೆಗಳನ್ನು ಬಲಪಡಿಸಬಹುದು, ಕಚ್ಚಾ ಡೇಟಾ ವರ್ಗಾವಣೆಯ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು ಮತ್ತು ಒಂದೇ ರೀತಿಯ ಕ್ಲೌಡ್ ಪರಿಹಾರಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗದ ವೈವಿಧ್ಯಮಯ ಪರಿಸರಗಳಲ್ಲಿ ಎಡ್ಜ್ ಮಾಡೆಲ್‌ಗಳ ಸುಧಾರಣೆಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದು.

ಮುಂಬರುವ ವರ್ಷದಲ್ಲಿ ಗಮನಿಸಬೇಕಾದ ಅಂಶಗಳು

  • ಚಿಪ್ ರೋಲ್-ಔಟ್‌ಗಳು (Chip roll-outs): ಪ್ರಮುಖ ಸಿಲಿಕಾನ್ ಮಾರಾಟಗಾರರಿಂದ ಹೊಸ ಚಿಪ್‌ಗಳ ಬಿಡುಗಡೆಯ ನಿರೀಕ್ಷೆಯಿದೆ.

ಎಡ್ಜ್ AI ಹಿಂದಿರುವ ವೇಗವು ಕೇವಲ ಒಂದು ಕ್ಷಣಿಕವಾದ ಹೈಪ್ ಸೈಕಲ್ ಅಲ್ಲ. ಇದು ಕ್ಲೌಡ್-ಮಾತ್ರದ ಇನ್ಫರೆನ್ಸ್ (cloud-only inference) ಯಾವಾಗಲೂ ಎದುರಿಸಲಾಗದ ವೆಚ್ಚ, ವಿಳಂಬ (latency) ಮತ್ತು ಗೌಪ್ಯತೆಯ ಒತ್ತಡಗಳಿಗೆ ನೀಡಿದ ಒಂದು ಪ್ರಾಯೋಗಿಕ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿದೆ. Siemens ಮತ್ತು John Deere ಇದಕ್ಕೆ ಆರಂಭಿಕ ಮತ್ತು ಹೆಚ್ಚು ಗಮನಾರ್ಹ ಉದಾಹರಣೆಗಳಾಗಿದ್ದು, ಆದರೆ ಈ ಮೂಲಭೂತ ಬದಲಾವಣೆಯು ನೈಜ-ಸಮಯದ ಸೆನ್ಸರ್ ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿರುವ ಯಾವುದೇ ವಲಯದಲ್ಲಿ ವ್ಯಾಪಿಸಲಿದೆ.

Takeaway: ಡೇಟಾ ಇರುವಲ್ಲಿಯೇ ಬುದ್ಧಿವಂತಿಕೆಯು ಕಾರ್ಯನಿರ್ವಹಿಸಿದಾಗ—ಅದು ಕಾರ್ಖಾನೆಯ ನೆಲದ ಮೇಲಿರಲಿ, ಹೊಲದಲ್ಲಿರಲಿ ಅಥವಾ ಜೇಬಿನಲ್ಲಿರಲಿ—ಇದರ ಫಲಿತಾಂಶವು ವೇಗವಾದ ನಿರ್ಧಾರಗಳು, ಕಡಿಮೆ ಕಾರ್ಯಾಚರಣೆಯ ವೆಚ್ಚಗಳು ಮತ್ತು ಗೌಪ್ಯತೆಯ ಮೇಲೆ ಹೆಚ್ಚಿನ ನಿಯಂತ್ರಣವಾಗಿರುತ್ತದೆ. AI ನ ಮುಂದಿನ ಅಲೆಯು ಕ್ಲೌಡ್ ಎಷ್ಟು ದೊಡ್ಡದಾಗುತ್ತದೆ ಎಂಬುದರ ಮೇಲೆ ಅಲ್ಲದೆ, ಸಾಧನಗಳು ಎಷ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸ್ವತಂತ್ರವಾಗಿ ಯೋಚಿಸಬಲ್ಲವು ಎಂಬುದರ ಮೇಲೆ ನಿರ್ಣಯಿಸಲ್ಪಡುತ್ತದೆ.