AIoT தான் அடுத்த பெரிய தள மாற்றம்
ஒரு காலத்தில் மென்பொருள் உலகையே ஆக்கிரமித்தது. இப்போது, வன்பொருள் (hardware) மென்பொருளைத் திரும்ப ஆக்கிரமித்து வருகிறது.
இது நுகர்வோர் சாதனங்களைப் பற்றியது அல்ல. இது தொழில்துறை வன்பொருளைப் பற்றியது. சென்சார்கள், கேமராக்கள் மற்றும் எட்ஜ் நோட்கள் (edge nodes) ஆகியவை எரிசக்தி, உற்பத்தி மற்றும் தளவாடங்களின் (logistics) முதுகெலும்பாக உள்ளன.
இந்த வன்பொருளுடன் AI-ஐச் சேர்க்கும்போது, உங்களுக்கு AIoT கிடைக்கிறது.
இணையம் மற்றும் மொபைல் டெவலப்பர்கள் வேறுபட்ட விதிகளை எதிர்கொள்கிறார்கள். அவர்கள் நம்பகமான இணையம் மற்றும் சுத்தமான தரவு இருக்கும் என்று கருதுகிறார்கள். AIoT இந்த அனுமானங்களை உடைக்கிறது.
சென்சார் தரவு பெரும்பாலும் குழப்பமாக இருக்கும். நீங்கள் இதைக் காண்பீர்கள்:
- ஆஃப்லைனில் இருக்கும் சென்சார்களிலிருந்து வரும் காலியான மதிப்புகள் (Null values)
- தொழில்நுட்பக் கோளாறுகளால் ஏற்படும் அதீத மாறுபாடுகள் (Extreme outliers)
- ஒத்திசைவுத் தோல்விகளால் (sync failures) விடுபட்ட நேர முத்திரைகள் (timestamps)
- தரவு ஓட்டங்களில் (data streams) நீண்ட இடைவெளிகள்
உங்கள் AI மாதிரிகள் இந்த குழப்பங்களைக் கையாள வேண்டும். உங்கள் பைப்லைன்கள் (pipelines) மீள்தன்மையுடன் இருக்க வேண்டும். உங்கள் எட்ஜ் சாதனங்கள் கிளவுட் (cloud) இல்லாமலேயே முடிவுகளை எடுக்க வேண்டும். இந்த அமைப்புகள் இயற்பியல் சொத்துக்களைக் (physical assets) கட்டுப்படுத்துவதால், இதில் உள்ள ஆபத்துகள் அதிகம்.
ஒரு உண்மையான AIoT அமைப்பு ஐந்து அடுக்குகளைக் கொண்டுள்ளது:
- எட்ஜ் அடுக்கு (Edge Layer)
- மைக்ரோகண்ட்ரோலர்கள் மற்றும் உட்பொதிக்கப்பட்ட அமைப்புகள் (embedded systems)
- எட்ஜ் AI இன்ஃபரன்ஸ் (Edge AI inference)
- உள்ளூர் முடிவெடுத்தல் (Local decision making)
- இணைப்பு அடுக்கு (Connectivity Layer)
- MQTT, LoRaWAN மற்றும் Zigbee போன்ற புரோட்டோகால்கள் (protocols)
- எட்ஜ்-டு-கிளவுட் இணைப்பு (Edge-to-cloud bridging)
- நம்பகமான ஃபார்ம்வேர் மேம்படுத்தல்கள் (firmware updates)
- தரவு அடுக்கு (Data Layer)
- டைம்-சீரிஸ் தரவுத்தளங்கள் (Time-series databases)
- ஸ்ட்ரீம் செயலாக்கம் (Stream processing)
- தரக் கட்டுப்பாட்டு பைப்லைன்கள் (Data quality pipelines)
- AI/ML அடுக்கு
- முன்கணிப்பு பராமரிப்பு மாதிரிகள் (Predictive maintenance models)
- இயற்பியல் இடங்களுக்கான கம்ப்யூட்டர் விஷன் (Computer vision)
- நிகழ்நேர முரண்பாடு கண்டறிதல் (Real-time anomaly detection)
- பயன்பாட்டு அடுக்கு (Application Layer)
- செயல்பாட்டு டாஷ்போர்டுகள் (Operational dashboards)
- எச்சரிக்கை அமைப்புகள் (Alerting systems)
- தொழில்துறை மென்பொருட்களுடன் ஒருங்கிணைப்பு (Integration)
இதை ஆரம்பத்திலிருந்து உருவாக்குவது மெதுவானது மற்றும் செலவு மிக்கது. இந்தத் தீர்வுகளை விரைவாகக் காண நிறுவனங்கள் இப்போது பொதுவான உள்கட்டமைப்புகளை (shared infrastructure) உருவாக்கி வருகின்றன.
கடினமான சிக்கல்கள் இன்னும் தீர்க்கப்படாமல் உள்ளன:
- தடங்கல்களின் போது உள்ளூர் மற்றும் கிளவுட் தரவை ஒத்திசைவில் வைத்திருப்பது
- அதிர்வு மற்றும் ஒலி போன்ற பல்வேறு வகையான சென்சார்களை ஒன்றிணைப்பது
- இயற்பியல் சூழல்களில் தவறான எச்சரிக்கைகளைக் குறைப்பது
- அழுக்கு மற்றும் மோசமான வெளிச்சத்திலும் செயல்படும் கம்ப்யூட்டர் விஷன்
- சிக்கலான, இணைக்கப்பட்ட இயந்திரங்களில் ஏற்படும் தோல்விகளைக் கணிப்பது
இணையம் மற்றும் மொபைல் சந்தைகள் முதிர்ச்சியடைந்துவிட்டன. லாப வரம்புகள் குறைவு. AIoT ஆரம்ப நிலையில் உள்ளது.
எட்ஜ் AI மற்றும் சென்சார் பைப்லைன்களில் தேர்ச்சி பெறும் பொறியாளர்கள் இந்த அடுத்த அலையை வழிநடத்துவார்கள். தொழில்துறையிலிருந்து தேவை அதிகரித்து வருகிறது. நிபுணர்களின் விநியோகம் குறைவாக உள்ளது.
இயற்பியல் உலகம் அதன் மென்பொருள் யுகத்திற்குள் நுழைகிறது.
எட்ஜ் AI குறித்த உங்கள் அனுபவம் என்ன? நீங்கள் எதிர்கொண்ட கடினமான சிக்கல்கள் என்ன? உங்கள் கருத்துக்களைக் கருத்துப் பெட்டியில் (comments) பகிருங்கள்.