Siemens 10,000 தொழிற்சாலைகளில் edge-AI கண்காணிப்பைச் செயல்படுத்தியுள்ளது, இது உபகரணங்களின் முடங்கு நேரத்தை (downtime) 50% வரை குறைத்துள்ளது. மேலும், இணைய இணைப்பு சீரற்றதாக இருக்கும் வயல்களில், களைகளைக் கண்டறியும் John Deere-ன் புதிய டிராக்டர்கள் பூச்சிக்கொல்லி பயன்பாட்டை 80% வரை குறைத்துள்ளன. கிளவுட் சார்ந்த அனுமானத்திலிருந்து (cloud-centric inference) சாதனத்திலேயே செயலாக்கும் முறைக்கு (on-device processing) மாறுவது, நீண்டகாலமாக வாக்குறுதி அளிக்கப்பட்டிருந்த "ஆஃப்லைன் நுண்ணறிவு" (offline intelligence) என்ற பார்வையை வேகம், தனியுரிமை மற்றும் நம்பகத்தன்மை ஆகியவற்றில் உண்மையான முன்னேற்றங்களாக மாற்றுகிறது.

ஏன் இப்போது edge-க்கு மாறுவது முக்கியமானது

கடந்த தசாப்தத்தின் பெரும்பகுதியில், செயற்கை நுண்ணறிவுப் பணிச்சுமைகள் (AI workloads) தொலைதூரத் தரவு மையங்களில் (data centers) இருந்தன. ஒரு சென்சார் அல்லது ஸ்மார்ட்போன் மூலத் தரவை (raw data) கிளவுடிற்கு அனுப்பும், மாடல் இயங்குவதற்காகக் காத்திருக்கும், பின்னர் பதிலைப் பெறும். அந்தத் திரும்பும் பயணம் (round-trip) சில வினாடிகள் தாமதத்தை (latency) ஏற்படுத்துகிறது, அலைக்கற்றையை (bandwidth) நுகர்கிறது மற்றும் மூல உள்ளீடுகளை (raw inputs) வெளிப்புற நெட்வொர்க்குகளுக்கு வெளிப்படுத்துகிறது.

Edge AI இந்த மாதிரியைத் தலைகீழாக மாற்றுகிறது: தரவைச் சேகரிக்கும் சாதனத்திலேயே அதே இயந்திரக் கற்றல் (machine-learning) அல்காரிதம்கள் இயங்குகின்றன. Apple, Qualcomm மற்றும் Google ஆகியவற்றின் நவீன சிப்கள், குறைந்த மின்சாரத்தைப் பயன்படுத்தி மில்லி விநாடிகளில் பெரிய நரம்பியல் வலைப்பின்னல்களை (neural networks) கையாளக்கூடிய பிரத்யேக AI முடுக்கிகளை (AI accelerators) கொண்டுள்ளன. இதன் விளைவாக, ஒரு தொழிற்சாலை ரோபோ, டிராக்டர் அல்லது போன் உடனடியாகச் செயல்படவும், தரவை உள்ளூரிலேயே வைத்திருக்கவும், இணையம் துண்டிக்கப்பட்டாலும் தொடர்ந்து வேலை செய்யவும் கூடிய ஒரு கட்டமைப்பு உருவாகிறது.

Industrial IoT உற்பத்தித் திறனை மேம்படுத்துகிறது

தொழிற்சாலைகள் அதிர்வு, வெப்பநிலை மற்றும் அழுத்த அளவீடுகளைச் சேகரிக்க நீண்டகாலமாக Industrial Internet of Things (IIoT)-ஐப் பயன்படுத்தி வருகின்றன. இதுவரை, பெரும்பாலான பகுப்பாய்வுகள் கிளவுடில் நடந்தன, அதாவது ஒரு அசாதாரண நிலைக்கும் (anomaly) அதைச் சரிசெய்யும் நடவடிக்கைக்கும் இடையே காலதாமதம் இருந்தது. Siemens-ன் edge-AI தளம் அந்தத் தரவு ஓட்டங்களை (streams) தளத்திலேயே செயலாக்கி, பழுதடையப் போகும் ஒரு பேரிங்கினை (bearing) நிகழ்நேரத்தில் (real time) அடையாளம் காண்கிறது.

  • முடங்கு நேரக் குறைப்பு: ஆரம்பகாலப் பயனர்கள் திட்டமிடப்படாத நிறுத்தங்களில் (unplanned shutdowns) 50% வரை குறைவைக் கொண்டுவந்துள்ளதாகத் தெரிவிக்கின்றனர்.
  • அலைக்கற்றை சுருக்கம்: மூல சென்சார் தரவை உள்ளூரிலேயே வடிகட்டுவதன் மூலம், இந்த அமைப்பு மேல்நோக்கிய போக்குவரத்தை (upstream traffic) தோராயமாக 95% குறைக்கிறது.

இதன் உடனடி பலன் அதிக உற்பத்தி மற்றும் குறைந்த பராமரிப்பு செலவாகும். நெட்வொர்க் தடங்கல்களின் போதும் இயங்கிக் கொண்டிருக்கும் தொழிற்சாலைகள், குறிப்பாக பிராட்பேண்ட் நம்பகத்தன்மை குறைவாக உள்ள பகுதிகளில் ஒரு போட்டித் திறனைப் பெறுகின்றன.

விவசாயத்தில் ஒரு புதிய துல்லியத்தன்மை

ஒரு சாதாரண விவசாய நிலத்தில், செல்போன் சிக்னல் சீரற்றதாக இருக்கலாம், மேலும் முழு வயலுக்கும் களைக்கொல்லிகளைத் தெளிப்பது வீணானது மற்றும் சுற்றுச்சூழலுக்குத் தீங்கு விளைவிப்பதாகும். John Deere டிராக்டர்கள் இப்போது edge-AI vision தொகுதிகளைக் கொண்டுள்ளன, அவை பயிர்களின் வரிசைகளை ஸ்கேன் செய்து, இலை மட்டத்திலேயே களைகளைக் கண்டறிந்து, தேவைப்படும் இடத்தில் மட்டும் இலக்கு வைக்கப்பட்ட தெளிப்பான் (spray nozzle) மூலம் தெளிக்கின்றன.

  • ரசாயனக் குறைப்பு: கள சோதனைகள் பூச்சிக்கொல்லி பயன்பாட்டில் 80% வரை குறைவைக் காட்டுகின்றன.
  • ஆஃப்லைன் இயக்கம்: சென்சார்கள் தொடர்ச்சியான கிளவுட் இணைப்பு இல்லாமலேயே மண்ணின் ஈரப்பதம் மற்றும் ஊட்டச்சத்து நிலைகளைக் கண்காணிக்கின்றன, இது தொலைதூர வயல்களிலும் முடிவுகளை எடுக்க உதவுகிறது.

செலவு சேமிப்பைத் தாண்டி, குறைக்கப்பட்ட ரசாயனத் தாக்கம், நிலையான உற்பத்திப் பொருட்களுக்கான வளர்ந்து வரும் நுகர்வோர் தேவையைப் பூர்த்தி செய்வதோடு, விவசாயிகள் கடுமையான சுற்றுச்சூழல் விதிமுறைகளைப் பின்பற்றவும் உதவுகிறது.

நுகர்வோர் சாதனங்களும் இதைப் பின்பற்றுகின்றன

ஸ்மார்ட்போன்கள் ஏற்கனவே edgeப் போக்கை நோக்கி நகர்கின்றன. Apple-ன் சமீபத்திய சாதனங்கள் ஒரு கலப்பு அணுகுமுறையைப் (hybrid approach) பயன்படுத்துகின்றன; விரைவான மற்றும் தனிப்பட்ட பணிகளுக்கு உள்ளூர் AI-யையும், சிக்கலான பகுப்பாய்வுகளுக்கு (heavy reasoning) கிளவுடையும் பயன்படுத்துகின்றன.

Edge தொழில்நுட்பம் உலகளாவியதாக மாறுவதைத் தடுக்கும் தடைகள்

  • மாதிரி அளவு (Model size): அதிநவீன நரம்பியல் வலைப்பின்னல்கள் நூற்றுக்கணக்கான மெகாபைட் அளவைக் கொண்டிருக்கலாம், இது குறைந்த சேமிப்புத் திறன் கொண்ட சாதனங்களுக்குச் சவாலானது. பொறியாளர்கள் துல்லியத்தை சில நேரங்களில் விட்டுக்கொடுத்து, மாதிரிகளைத் துணுக்குறிகளாக (prune) அல்லது குவாண்டைஸ் (quantize) செய்கிறார்கள்.
  • இயற்பியல் பாதுகாப்பு: ஒரு தொழிற்சாலையில் உள்ள சாதனம் அல்லது டிராக்டரை, ஒரு தரவு மையத்தை விட எளிதாக அணுக முடியும், இது தரவுத் திருட்டு அல்லது மாதிரியைத் திருடும் அபாயத்தை அதிகரிக்கிறது.
  • புதுப்பித்தல் தளவாடங்கள் (Update logistics): மில்லியன் கணக்கான ஆஃப்லைன் சாதனங்களுக்குப் புதிய AI பதிப்புகளை அனுப்புவதற்கு வலுவான over-the-air வழிமுறைகள் தேவைப்படுகின்றன, இருப்பினும் பல தொழில்முறை இடங்களில் நம்பகமான அப்லிங்க் அலைக்கற்றை (uplink bandwidth) இல்லை.

இந்தத் தடைகள் காரணமாக, பல சூழல்களில் edge AI இன்னும் கிளவுட் சேவைகளை மாற்றியமைப்பதற்குப் பதிலாக அவற்றுடன் இணைந்து செயல்படுகிறது.

Federated learning: அடுத்த எல்லை

புதிதாக உருவாகி வரும் ஒரு நுட்பம் தரவுகளை உள்ளூரிலேயே வைத்திருக்கும் அதே வேளையில், உலகளாவிய ரீதியில் மாதிரிகளை மேம்படுத்துகிறது. Federated learning முறையில், ஒவ்வொரு சாதனமும் தனது சொந்தத் தரவைக் கொண்டு மாதிரியின் ஒரு நகலைத் பயிற்றுவிக்கிறது, பின்னர் அதன் தொகுக்கப்பட்ட எடை மாற்றங்களை (aggregated weight updates) மட்டுமே—மூல உள்ளீடுகளை அல்ல—ஒரு மையச் சேவையகத்துடன் (central server) பகிர்ந்து கொள்கிறது. அந்தச் சேவையகம் இந்த பங்களிப்புகளை ஒன்றிணைத்து ஒரு புதிய உலகளாவிய மாதிரியை உருவாக்கி, அதை மீண்டும் சாதனங்களுக்குப் பகிர்ந்தளிக்கிறது.

இது பரவலாக ஏற்றுக்கொள்ளப்பட்டால், federated learning தனியுரிமை உத்தரவாதங்களை வலுப்படுத்தலாம், மூலத் தரவை அனுப்ப வேண்டிய தேவையைக் குறைக்கலாம் மற்றும் ஒரே மாதிரியான கிளவுட் தீர்வுக்குப் பொருந்தாத பன்முகத்தன்மை கொண்ட சூழல்களில் edge மாதிரிகளை விரைவாக மேம்படுத்த உதவும்.

வரும் ஆண்டில் கவனிக்க வேண்டியவை

  • சிப் வெளியீடுகள் (Chip roll-outs): முக்கிய சிலிக்கான் விற்பனையாளர்களிடமிருந்து சிப் வெளியீடுகள் எதிர்பார்க்கப்படுகின்றன.

Edge AI-ன் பின்னணியில் உள்ள வேகம் என்பது ஒரு தற்காலிகமான விளம்பரச் சுழற்சி அல்ல. இது கிளவுட் சார்ந்த மட்டும் அனுமானங்களால் (inference) எப்போதும் கையாள முடியாத செலவு, தாமதம் (latency) மற்றும் தனியுரிமை தொடர்பான அழுத்தங்களுக்கான ஒரு நடைமுறை ரீதியான தீர்வாகும். Siemens மற்றும் John Deere ஆகியவை ஆரம்பகால மற்றும் வெளிப்படையான உதாரணங்கள், ஆனால் இந்த அடிப்படையான மாற்றம் நிகழ்நேர சென்சார் தரவைச் சார்ந்திருக்கும் எந்தத் துறையிலும் தாக்கத்தை ஏற்படுத்தும்.

முக்கியக் கருத்து: தரவு இருக்கும் இடத்திலேயே—அது ஒரு தொழிற்சாலைத் தளமாகவோ, வயலாகவோ அல்லது ஒரு கைப்பேசியாகவோ இருக்கலாம்—நுண்ணறிவு செயல்படும்போது, அதன் விளைவாக வேகமான முடிவுகள், குறைந்த இயக்கச் செலவுகள் மற்றும் தனியுரிமையின் மீதான வலுவான கட்டுப்பாடு ஆகியவை கிடைக்கும். AI-ன் அடுத்த அலை, கிளவுட் எவ்வளவு பெரியதாகிறது என்பதைக் கொண்டு மதிப்பிடப்படாது, மாறாக சாதனங்கள் எவ்வளவு திறம்படத் தங்களைத் தாங்களே சிந்திக்கும் திறன் கொண்டவை என்பதைக் கொண்டே மதிப்பிடப்படும்.