Siemens Deploys Edge AI to 10,000 Factories, Slashing Downtime Up to 50%

സീമെൻസ് (Siemens) 10,000 ഫാക്ടറികളിൽ edge-AI മോണിറ്ററിംഗ് വിന്യസിച്ചതിലൂടെ ഉപകരണങ്ങളുടെ പ്രവർത്തന തടസ്സങ്ങൾ (downtime) 50% വരെ കുറയ്ക്കാൻ സാധിച്ചു. ജോൺ ഡീറിൻ്റെ (John Deere) പുതിയ കളകൾ തിരിച്ചറിയുന്ന ട്രാക്ടറുകൾ, ഇന്റർനെറ്റ് കണക്റ്റിവിറ്റി കുറഞ്ഞ പാടങ്ങളിൽ പോലും കീടനാശിനികളുടെ ഉപയോഗം 80% വരെ കുറയ്ക്കുന്നു. ക്ലൗഡ് അധിഷ്ഠിത പ്രക്രിയകളിൽ നിന്ന് ഉപകരണങ്ങളിൽ നേരിട്ടുള്ള പ്രോസസ്സിംഗിലേക്കുള്ള ഈ മാറ്റം, വേഗത, സ്വകാര്യത, വിശ്വാസ്യത എന്നിവയിൽ വലിയ പുരോഗതിയുണ്ടാക്കിക്കൊണ്ട് ഏറെക്കാലമായി വാഗ്ദാനം ചെയ്യപ്പെട്ട "ഓഫ്‌ലൈൻ ഇന്റലിജൻസ്" (offline intelligence) എന്ന കാഴ്ചപ്പാടിനെ യാഥാർത്ഥ്യമാക്കുന്നു.

എഡ്ജ് സാങ്കേതികവിദ്യയിലേക്കുള്ള മാറ്റം ഇപ്പോൾ പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്

കഴിഞ്ഞ ദശകത്തിൽ ഭൂരിഭാഗം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) ജോലികളും വിദൂര ഡാറ്റാ സെന്ററുകളിലായിരുന്നു നടന്നിരുന്നത്. ഒരു സെൻസറോ സ്മാർട്ട്ഫോണോ അസംസ്‌കൃത ഡാറ്റ (raw data) ക്ലൗഡിലേക്ക് അയക്കുകയും, മോഡൽ പ്രവർത്തിക്കുന്നത് വരെ കാത്തിരിക്കുകയും, തുടർന്ന് മറുപടി സ്വീകരിക്കുകയും ചെയ്യുന്നു. ഈ പ്രക്രിയ സെക്കൻഡുകൾ നീളുന്ന ലേറ്റൻസി (latency) ഉണ്ടാക്കുകയും, ബാൻഡ്‌വിഡ്ത്ത് ഉപയോഗിക്കുകയും, ഡാറ്റ പുറത്തുള്ള നെറ്റ്‌വർക്കുകൾക്ക് മുന്നിൽ തുറന്നുവെക്കുകയും ചെയ്യുന്നു.

എഡ്ജ് AI ഈ രീതിയെ പാടെ മാറ്റുന്നു: ഡാറ്റ ശേഖരിക്കുന്ന ഉപകരണത്തിൽ തന്നെ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ പ്രവർത്തിക്കുന്നു. Apple, Qualcomm, Google എന്നിവയുടെ ആധുനിക ചിപ്പുകൾ കുറഞ്ഞ വൈദ്യുതി ഉപയോഗിച്ച് മില്ലിസെക്കൻഡുകൾക്കുള്ളിൽ വലിയ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ വിശകലനം ചെയ്യാൻ സഹായിക്കുന്ന പ്രത്യേക AI ആക്സിലറേറ്ററുകൾ ഉൾക്കൊള്ളുന്നു. ഇതിന്റെ ഫലമായി, ഒരു ഫാക്ടറി റോബോട്ടിനോ ട്രാക്ടറിനോ ഫോണിനോ ഉടനടി പ്രവർത്തിക്കാനും, ഡാറ്റ ലോക്കലായി സൂക്ഷിക്കാനും, ഇന്റർനെറ്റ് ഇല്ലാത്തപ്പോഴും ജോലി തുടരാനും സാധിക്കുന്ന ഒരു സംവിധാനം രൂപപ്പെടുന്നു.

ഇൻഡസ്ട്രിയൽ IoT ഉൽപ്പാദനക്ഷമത വർദ്ധിപ്പിക്കുന്നു

കമ്പനികൾ വൈബ്രേഷൻ, താപനില, മർദ്ദം എന്നിവ അളക്കാൻ ഇൻഡസ്ട്രിയൽ ഇന്റർനെറ്റ് ഓഫ് തിങ്‌സ് (IIoT) കാലങ്ങളായി ഉപയോഗിക്കുന്നുണ്ട്. ഇതുവരെ മിക്ക വിശകലനങ്ങളും ക്ലൗഡിലായിരുന്നു നടന്നത്, അതായത് ഒരു തകരാറും അത് പരിഹരിക്കുന്നതിനുള്ള നടപടിയും തമ്മിൽ സമയവ്യത്യാസം ഉണ്ടായിരുന്നു. സീമെൻസിന്റെ edge-AI പ്ലാറ്റ്‌ഫോം ഈ വിവരങ്ങൾ നേരിട്ട് (on-site) വിശകലനം ചെയ്യുകയും, ഒരു ബെയറിംഗ് (bearing) പരാജയപ്പെടാൻ പോകുന്നുണ്ടെങ്കിൽ അത് തത്സമയം അറിയിക്കുകയും ചെയ്യുന്നു.

• ഡൗൺടൈം കുറയുന്നു: പ്ലാൻ ചെയ്യാത്ത പ്രവർത്തന തടസ്സങ്ങൾ 50% വരെ കുറയുന്നതായി ആദ്യകാല ഉപയോക്താക്കൾ റിപ്പോർട്ട് ചെയ്യുന്നു.
• ബാൻഡ്‌വിഡ്ത്ത് ലാഭിക്കുന്നു: സെൻസർ ഡാറ്റ ലോക്കലായി ഫിൽട്ടർ ചെയ്യുന്നതിലൂടെ, നെറ്റ്‌വർക്ക് ട്രാഫിക് ഏകദേശം 95% കുറയ്ക്കാൻ സാധിക്കുന്നു.

ഇതിന്റെ ഫലമായി ഉൽപ്പാദനം വർദ്ധിക്കുകയും പരിപാലന ചെലവ് കുറയുകയും ചെയ്യുന്നു. ഇന്റർനെറ്റ് തടസ്സങ്ങൾ ഉണ്ടാകുമ്പോഴും പ്രവർത്തിക്കാൻ കഴിയുന്ന ഫാക്ടറികൾക്ക് വലിയ മത്സര നേട്ടം ലഭിക്കുന്നു, പ്രത്യേകിച്ച് ബ്രോഡ്‌ബാൻഡ് സൗകര്യം കുറഞ്ഞ പ്രദേശങ്ങളിൽ.

കൃഷിയിൽ പുതിയ കൃത്യത കൈവരിക്കുന്നു

സാധാരണ ഒരു കൃഷിയിടത്തിൽ മൊബൈൽ റേഞ്ച് കുറവായിരിക്കാം, കൂടാതെ മുഴുവൻ പാടത്തും കളകൾ നശിപ്പിക്കാനുള്ള മരുന്ന് (herbicides) തളിക്കുന്നത് പാഴാകാനും പരിസ്ഥിതിക്ക് ദോഷം ചെയ്യാനും കാരണമാകുന്നു. ജോൺ ഡീറിൻ്റെ (John Deere) ട്രാക്ടറുകളിൽ ഇപ്പോൾ edge-AI വിഷൻ മോഡ്യൂളുകൾ ഉണ്ട്. ഇവ വിളകളുടെ നിരകൾ പരിശോധിക്കുകയും, ഇലകളുടെ തലത്തിൽ തന്നെ കളകളെ തിരിച്ചറിയുകയും, ആവശ്യമുള്ള ഇടങ്ങളിൽ മാത്രം മരുന്ന് തളിക്കാൻ സഹായിക്കുകയും ചെയ്യുന്നു.

• രാസവസ്തുക്കളുടെ ഉപയോഗം കുറയുന്നു: കീടനാശിനി ഉപയോഗം 80% വരെ കുറയുന്നതായി പരീക്ഷണങ്ങൾ കാണിക്കുന്നു.
• ഓഫ്‌ലൈൻ പ്രവർത്തനം: ക്ലൗഡ് കണക്ഷൻ ഇല്ലാതെ തന്നെ മണ്ണിലെ ഈർപ്പവും പോഷകാംശങ്ങളും സെൻസറുകൾ നിരീക്ഷിക്കുന്നു, ഇത് വിദൂരമായ പാടങ്ങളിലും കൃത്യമായ തീരുമാനങ്ങൾ എടുക്കാൻ സഹായിക്കുന്നു.

ചെലവ് കുറയ്ക്കുന്നതിലുപരി, രാസവസ്തുക്കളുടെ ഉപയോഗം കുറയ്ക്കുന്നത് സുസ്ഥിരമായ ഉൽപ്പന്നങ്ങൾക്കായുള്ള ഉപഭോക്താക്കളുടെ ആവശ്യകതയുമായി പൊരുത്തപ്പെടുന്നു കൂടാതെ കർശനമായ പരിസ്ഥിതി നിയമങ്ങൾ പാലിക്കാനും കർഷകരെ സഹായിക്കുന്നു.

ഉപഭോക്തൃ ഉപകരണങ്ങളും ഈ രീതി പിന്തുടരുന്നു

സ്മാർട്ട്ഫോണുകൾ ഇതിനകം തന്നെ ഈ മാറ്റം സൂചിപ്പിക്കുന്നുണ്ട്. ആപ്പിളിന്റെ (Apple) പുതിയ ഉപകരണങ്ങൾ ഒരു ഹൈബ്രിഡ് രീതിയാണ് ഉപയോഗിക്കുന്നത്; വേഗത്തിലുള്ളതും സ്വകാര്യവുമായ ജോലികൾക്കായി ലോക്കൽ AI ഉപയോഗിക്കുകയും, സങ്കീർണ്ണമായ കാര്യങ്ങൾക്കായി മാത്രം ക്ലൗഡ് ഉപയോഗിക്കുകയും ചെയ്യുന്നു.

എഡ്ജ് സാങ്കേതികവിദ്യ എല്ലാ മേഖലകളിലും വ്യാപകമാകാതിരിക്കാനുള്ള തടസ്സങ്ങൾ

• മോഡൽ വലിപ്പം: അത്യാധുനിക ന്യൂറൽ നെറ്റ്‌വർക്കുകൾക്ക് നൂറുകണക്കിന് മെഗാബൈറ്റ് വലിപ്പം ഉണ്ടാകാം, ഇത് പരിമിതമായ സ്റ്റോറേജ് ഉള്ള ഉപകരണങ്ങൾക്ക് പ്രയാസമാണ്. എഞ്ചിനീയർമാർ കൃത്യതയിൽ ചെറിയ വിട്ടുവീഴ്ചകൾ ചെയ്തുകൊണ്ട് മോഡലുകളെ ചെറുതാക്കുന്നു (prune or quantize).
• ഭൗതിക സുരക്ഷ: ഒരു ഡാറ്റാ സെന്ററിലെ റാക്കിനേക്കാൾ എളുപ്പത്തിൽ ഒരു ഫാക്ടറിയിലോ ട്രാക്ടറിലോ ഉള്ള ഉപകരണത്തിൽ എത്തിച്ചേരാൻ സാധിക്കും, ഇത് ഡാറ്റാ മോഷ്ടിക്കപ്പെടാനോ മോഡലുകളിൽ മാറ്റം വരുത്താനോ ഉള്ള സാധ്യത വർദ്ധിപ്പിക്കുന്നു.
• അപ്‌ഡേറ്റ് സംവിധാനങ്ങൾ: ദശലക്ഷക്കണക്കിന് ഓഫ്‌ലൈൻ ഉപകരണങ്ങളിലേക്ക് പുതിയ AI പതിപ്പുകൾ എത്തിക്കാൻ ശക്തമായ ഓവർ-ദി-എയർ (over-the-air) സംവിധാനങ്ങൾ ആവശ്യമാണ്, എന്നാൽ പല വ്യവസായ മേഖലകളിലും വിശ്വസനീയമായ ഇന്റർനെറ്റ് കണക്ഷൻ ലഭ്യമല്ല.

ഈ പരിമിതികൾ കാരണം, പല സാഹചര്യങ്ങളിലും എഡ്ജ് AI ക്ലൗഡ് സേവനങ്ങളെ പൂർണ്ണമായും മാറ്റിസ്ഥാപിക്കുന്നതിന് പകരം അവയെ സഹായിക്കുന്ന ഒന്നായി നിലനിൽക്കുന്നു.

ഫെഡറേറ്റഡ് ലേണിംഗ്: അടുത്ത ഘട്ടം

ഡാറ്റ ലോക്കലായി സൂക്ഷിച്ചുകൊണ്ട് തന്നെ മോഡലുകളെ ആഗോളതലത്തിൽ മെച്ചപ്പെടുത്താൻ സഹായിക്കുന്ന ഒരു പുതിയ സാങ്കേതികവിദ്യയാണ് ഫെഡറേറ്റഡ് ലേണിംഗ് (Federated learning). ഇതിൽ ഓരോ ഉപകരണവും സ്വന്തം ഡാറ്റ ഉപയോഗിച്ച് മോഡലിന്റെ ഒരു കോപ്പി പരിശീലിപ്പിക്കുന്നു, തുടർന്ന് ഡാറ്റയ്ക്ക് പകരം അതിന്റെ മാറ്റങ്ങൾ (aggregated weight updates) മാത്രം ഒരു സെൻട്രൽ സെർവറുമായി പങ്കിടുന്നു. സെർവർ ഈ വിവരങ്ങൾ കൂട്ടിച്ചേർത്ത് ഒരു പുതിയ ഗ്ലോബൽ മോഡൽ നിർമ്മിക്കുകയും അത് വീണ്ടും ഉപകരണങ്ങളിലേക്ക് എത്തിക്കുകയും ചെയ്യുന്നു.

ഇത് വ്യാപകമായി നടപ്പിലാക്കിയാൽ, സ്വകാര്യത ഉറപ്പാക്കാനും ഡാറ്റ കൈമാറേണ്ടതില്ലായ്മ വർദ്ധിപ്പിക്കാനും സാധിക്കും. കൂടാതെ, എല്ലാ സാഹചര്യങ്ങൾക്കും അനുയോജ്യമായ ഒരു ക്ലൗഡ് സൊല്യൂഷൻ ലഭ്യമല്ലാത്ത ഇടങ്ങളിൽ എഡ്ജ് മോഡലുകളെ വേഗത്തിൽ മെച്ചപ്പെടുത്താനും ഇത് സഹായിക്കും.

വരും വർഷത്തിൽ ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

• ചിപ്പ് വിന്യാസം: പ്രധാന ചിപ്പ് നിർമ്മാതാക്കളിൽ നിന്ന് പുതിയ ചിപ്പുകൾ പുറത്തിറങ്ങുമെന്ന് പ്രതീക്ഷിക്കുന്നു.

Edge AI-യുടെ പിന്നിലെ കുതിപ്പ് താൽക്കാലികമായ ഒരു തരം പ്രചാരം (hype cycle) മാത്രമല്ല. ക്ലൗഡ് അധിഷ്ഠിത ഇൻഫറൻസിന് (cloud-only inference) എപ്പോഴും നേരിടാൻ കഴിയാത്ത ചിലവ്, ലേറ്റൻസി (latency), സ്വകാര്യത എന്നിവയുമായി ബന്ധപ്പെട്ട സമ്മർദ്ദങ്ങളോടുള്ള പ്രായോഗികമായ ഒരു പ്രതികരണമാണിത്. Siemens, John Deere എന്നിവ ഇതിന് നേരത്തെയുള്ള ശ്രദ്ധേയമായ ഉദാഹരണങ്ങളാണ്, എന്നാൽ തത്സമയ സെൻസർ ഡാറ്റയെ ആശ്രയിക്കുന്ന ഏത് മേഖലയിലും ഈ അടിസ്ഥാനപരമായ മാറ്റം വ്യാപിച്ചുപടരും.

ചുരുക്കത്തിൽ: ഡാറ്റ എവിടെയാണോ ഇരിക്കുന്നത്—അതൊരു ഫാക്ടറി തറയിലായാലും, ഒരു പാടത്താണെങ്കിലും, അല്ലെങ്കിൽ ഒരു പോക്കറ്റിലായാലും—അവിടെത്തന്നെ ബുദ്ധിപരമായ പ്രവർത്തനങ്ങൾ (intelligence) നടക്കുമ്പോൾ, അതിന്റെ ഫലം വേഗത്തിലുള്ള തീരുമാനങ്ങളും കുറഞ്ഞ പ്രവർത്തനച്ചെലവും സ്വകാര്യതയിലുള്ള കൂടുതൽ നിയന്ത്രണവുമാണ്. AI-യുടെ അടുത്ത തരംഗം വിലയിരുത്തപ്പെടുന്നത് ക്ലൗഡ് എത്ര വലുതാകുന്നു എന്നതിനാലല്ല, മറിച്ച് ഉപകരണങ്ങൾക്ക് എത്രത്തോളം ഫലപ്രദമായി സ്വയം ചിന്തിക്കാൻ കഴിയുന്നു എന്നതിനാലാണ്.