Siemens ได้นำ Edge AI มาใช้ในการตรวจสอบในโรงงาน 10,000 แห่ง ช่วยลดเวลาที่เครื่องจักรหยุดทำงาน (downtime) ได้มากถึง 50% และรถแทรกเตอร์ตรวจจับวัชพืชรุ่นใหม่ของ John Deere ช่วยลดการใช้ยาฆ่าแมลงได้ถึง 80% ในพื้นที่ที่การเชื่อมต่อไม่เสถียร การเปลี่ยนผ่านจากการประมวลผลแบบ inference ที่เน้นคลาวด์ (cloud-centric inference) ไปสู่การประมวลผลบนอุปกรณ์ (on-device processing) กำลังเปลี่ยนวิสัยทัศน์ "ความฉลาดแบบออฟไลน์" (offline intelligence) ที่เคยสัญญาไว้ให้กลายเป็นผลลัพธ์ที่จับต้องได้จริง ทั้งในด้านความเร็ว ความเป็นส่วนตัว และความน่าเชื่อถือ

ทำไมการเปลี่ยนมาใช้ Edge AI ถึงสำคัญในตอนนี้

ตลอดทศวรรษที่ผ่านมา ภาระงานด้านปัญญาประดิษฐ์ส่วนใหญ่จะอาศัยอยู่ในศูนย์ข้อมูลที่อยู่ห่างไกล เซนเซอร์หรือสมาร์ทโฟนจะส่งข้อมูลดิบไปยังคลาวด์ รอให้โมเดลประมวลผล แล้วจึงรับคำตอบกลับมา กระบวนการรับส่งข้อมูลแบบไป-กลับนี้ทำให้เกิดความหน่วง (latency) หลายวินาที ใช้แบนด์วิดท์สูง และทำให้ข้อมูลดิบต้องเผชิญกับเครือข่ายภายนอก

Edge AI พลิกรูปแบบนี้โดยสิ้นเชิง: อัลกอริทึม Machine Learning แบบเดียวกันจะทำงานบนอุปกรณ์ที่เก็บข้อมูลโดยตรง ชิปสมัยใหม่จาก Apple, Qualcomm และ Google มีตัวเร่งความเร็ว AI (AI accelerators) ในตัว ซึ่งสามารถประมวลผลโครงข่ายประสาทเทียม (neural networks) ขนาดใหญ่ได้ภายในเสี้ยววินาทีโดยใช้พลังงานเพียงเล็กน้อย ผลลัพธ์ที่ได้คือสถาปัตยกรรมที่หุ่นยนต์ในโรงงาน รถแทรกเตอร์ หรือโทรศัพท์ สามารถทำงานได้ทันที เก็บข้อมูลไว้ในเครื่อง และทำงานต่อไปได้แม้จะไม่มีอินเทอร์เน็ต

Industrial IoT ได้รับการยกระดับด้านผลิตภาพ

โรงงานอุตสาหกรรมใช้ Industrial Internet of Things (IIoT) มานานแล้วในการเก็บข้อมูลการสั่นสะเทือน อุณหภูมิ และความดัน แต่ที่ผ่านมา การวิเคราะห์ส่วนใหญ่เกิดขึ้นบนคลาวด์ ซึ่งหมายความว่าจะมีความล่าช้าระหว่างการตรวจพบความผิดปกติและการดำเนินการแก้ไข แพลตฟอร์ม Edge AI ของ Siemens จะประมวลผลข้อมูลเหล่านั้นในพื้นที่ (on-site) ทำให้สามารถแจ้งเตือนตลับลูกปืนที่กำลังจะเสียได้แบบเรียลไทม์

  • การลด downtime: ผู้ใช้งานกลุ่มแรกรายงานว่าสามารถลดการหยุดชะงักของเครื่องจักรที่ไม่ได้วางแผนไว้ได้ถึง 50%
  • การลดการใช้แบนด์วิดท์: ด้วยการกรองข้อมูลดิบจากเซนเซอร์ในระดับท้องถิ่น ระบบสามารถลดปริมาณการส่งข้อมูลขึ้นไปยังเครือข่าย (upstream traffic) ได้ประมาณ 95%

ผลตอบแทนที่เห็นได้ทันทีคือผลผลิตที่สูงขึ้นและค่าบำรุงรักษาที่ต่ำลง โรงงานที่ยังคงดำเนินงานต่อไปได้ในช่วงที่เครือข่ายขัดข้องจะมีความได้เปรียบทางการแข่งขัน โดยเฉพาะในภูมิภาคที่ความเสถียรของบรอดแบนด์ยังไม่ทั่วถึง

เกษตรกรรมพบกับความแม่นยำรูปแบบใหม่

ในฟาร์มทั่วไป สัญญาณโทรศัพท์อาจไม่ครอบคลุม และการฉีดพ่นยาฆ่าแมลงทั่วทั้งแปลงก็ทั้งสิ้นเปลืองและเป็นอันตรายต่อสิ่งแวดล้อม ปัจจุบันรถแทรกเตอร์ของ John Deere มาพร้อมกับโมดูลการมองเห็นด้วย Edge AI ที่สามารถสแกนแถวพืช ระบุวัชพืชในระดับใบ และเปิดใช้งานหัวฉีดเฉพาะจุดที่จำเป็นเท่านั้น

  • การลดการใช้สารเคมี: การทดสอบในภาคสนามแสดงให้เห็นว่าการใช้ยาฆ่าแมลงลดลงถึง 80%
  • การทำงานแบบออฟไลน์: เซนเซอร์สามารถตรวจสอบความชื้นในดินและระดับสารอาหารได้โดยไม่ต้องเชื่อมต่อกับคลาวด์ตลอดเวลา ช่วยให้ตัดสินใจได้แม้ในพื้นที่ห่างไกล

นอกเหนือจากการประหยัดต้นทุนแล้ว การลดการใช้สารเคมีดังกล่าวยังสอดคล้องกับความต้องการของผู้บริโภคที่เพิ่มขึ้นสำหรับผลผลิตที่ยั่งยืน และช่วยให้เกษตรกรปฏิบัติตามกฎระเบียบด้านสิ่งแวดล้อมที่เข้มงวดขึ้นได้

อุปกรณ์สำหรับผู้บริโภคเริ่มเดินตามรอย

สมาร์ทโฟนเริ่มแสดงให้เห็นถึงแนวโน้มของ Edge AI แล้ว อุปกรณ์รุ่นล่าสุดของ Apple ใช้แนวทางแบบไฮบริด โดยใช้ AI ในเครื่องสำหรับงานที่ต้องการความรวดเร็วและความเป็นส่วนตัว และใช้คลาวด์เฉพาะสำหรับการประมวลผลที่ซับซ้อนและหนักหน่วงเท่านั้น

อุปสรรคที่ทำให้ Edge AI ยังไม่แพร่หลายไปทั่ว

  • ขนาดของโมเดล: โครงข่ายประสาทเทียมที่ล้ำสมัยอาจมีขนาดหลายร้อยเมกะไบต์ ซึ่งเป็นภาระสำหรับอุปกรณ์ที่มีพื้นที่จัดเก็บข้อมูลจำกัด วิศวกรจึงต้องใช้วิธีการ prune หรือ quantize โมเดล ซึ่งบางครั้งอาจต้องแลกด้วยความแม่นยำที่ลดลง
  • ความปลอดภัยทางกายภาพ: อุปกรณ์ในโรงงานหรือรถแทรกเตอร์สามารถถูกเข้าถึงได้ง่ายกว่าตู้แร็คในศูนย์ข้อมูล ซึ่งเพิ่มความเสี่ยงต่อการถูกดัดแปลงหรือการขโมยโมเดล
  • โลจิสติกส์ในการอัปเดต: การส่ง AI เวอร์ชันใหม่ไปยังอุปกรณ์ออฟไลน์จำนวนหลายล้านเครื่องจำเป็นต้องมีกลไกการอัปเดตผ่านอากาศ (over-the-air) ที่แข็งแกร่ง แต่ไซต์งานอุตสาหกรรมหลายแห่งยังขาดแบนด์วิดท์ในการอัปโหลดที่เชื่อถือได้

ข้อจำกัดเหล่านี้หมายความว่า ในหลายสถานการณ์ Edge AI ยังคงทำหน้าที่เสริมการทำงานของบริการคลาวด์ มากกว่าที่จะเข้ามาแทนที่

Federated learning: พรมแดนถัดไป

เทคนิคใหม่ที่กำลังเกิดขึ้นคือการเก็บข้อมูลไว้ในเครื่องในขณะที่ยังสามารถพัฒนาโมเดลในระดับโลกได้ ในระบบ Federated learning อุปกรณ์แต่ละเครื่องจะฝึกฝนโมเดลสำเนาหนึ่งด้วยข้อมูลของตนเอง จากนั้นจะแชร์เพียงการอัปเดตค่าน้ำหนัก (weight updates) ที่รวบรวมมาแล้วเท่านั้น—ไม่ใช่ข้อมูลดิบ—ไปยังเซิร์ฟเวอร์กลาง เซิร์ฟเวอร์จะนำข้อมูลที่ได้รับมาผสมผสานกันเป็นโมเดลระดับโลก (global model) ใหม่ แล้วจึงส่งกลับไปยังอุปกรณ์ต่างๆ อีกครั้ง

หากมีการนำมาใช้อย่างแพร่หลาย Federated learning จะสามารถเพิ่มความเชื่อมั่นด้านความเป็นส่วนตัว ลดความจำเป็นในการส่งข้อมูลดิบ และเร่งการปรับปรุงโมเดล Edge ในสภาพแวดล้อมที่มีความหลากหลายสูงเกินกว่าที่โซลูชันคลาวด์แบบเดียวจะตอบโจทย์ได้ทั้งหมด

สิ่งที่ต้องจับตามองในปีหน้า

  • การเปิดตัวชิปใหม่: คาดว่าจะมีการเปิดตัวชิปใหม่ๆ จากผู้ผลิตซิลิคอนรายใหญ่

แรงขับเคลื่อนเบื้องหลัง Edge AI ไม่ใช่เพียงกระแสที่มาแล้วก็ไป แต่มันคือการตอบสนองเชิงปฏิบัติเพื่อรับมือกับแรงกดดันด้านต้นทุน ความหน่วง (latency) และความเป็นส่วนตัว ซึ่งการประมวลผล (inference) บนคลาวด์เพียงอย่างเดียวไม่สามารถตอบโจทย์ได้เสมอไป Siemens และ John Deere เป็นตัวอย่างแรกๆ ที่เห็นได้ชัด แต่การเปลี่ยนแปลงพื้นฐานนี้จะส่งผลกระทบต่อเนื่องไปยังทุกภาคส่วนที่ต้องพึ่งพาข้อมูลจากเซนเซอร์แบบเรียลไทม์

บทสรุป: เมื่อระบบอัจฉริยะทำงานในจุดที่ข้อมูลอยู่ ไม่ว่าจะเป็นในโรงงาน ในไร่นา หรือในกระเป๋า ผลลัพธ์ที่ได้คือการตัดสินใจที่รวดเร็วขึ้น ต้นทุนการดำเนินงานที่ต่ำลง และการควบคุมความเป็นส่วนตัวที่รัดกุมยิ่งขึ้น คลื่นลูกถัดไปของ AI จะไม่ได้ถูกตัดสินจากขนาดของคลาวด์ แต่จะตัดสินจากความสามารถของอุปกรณ์ในการคิดได้ด้วยตัวเองอย่างมีประสิทธิภาพเพียงใด