Некоторые важные концепции в области искусственного интеллекта (ИИ) и машинного обучения (МО) включают в себя периферийный ИИ, экономичный ИИ и федеративное обучение. Они решают конкретные проблемы и требования в области искусственного интеллекта и машинного обучения, такие как низкая задержка, эффективность использования ресурсов, конфиденциальность и масштабируемость. Они позволяют использовать ИИ в более широком спектре приложений, в том числе с ограниченными ресурсами, проблемами конфиденциальности или требованиями к обработке в реальном времени. Эти идеи необходимы для развития ИИ и повышения его доступности и устойчивости.

Я объясню эти понятия в 4 историях. Часть 1 посвящена периферийному ИИ, часть 2 — экономичному ИИ, а части 3 и 4 посвящены федеративному обучению. Надеюсь, вам понравится эта серия статей. Мы любим математику! 📚

Пограничный ИИ

1. Что такое периферийный ИИ?

За последнее десятилетие искусственный интеллект вышел на передний план исследовательских интересов в области информационных технологий и информатики, что привело к улучшениям, которые помогут различным отраслям. Чтобы имитировать человеческий интеллект, устройства на базе искусственного интеллекта учатся самостоятельно, а не реагируют на окружающую среду, основываясь на поведении пользователя или различных заранее запрограммированных входных данных.

Чтобы понять, что такое периферийный ИИ, давайте сначала рассмотрим технические тенденции, вызывающие необходимость перемещения ИИ-вычислений на периферию.

  • Периферийный искусственный интеллект основан на больших данных и Интернете вещей

С ростом использования устройств Интернета вещей (IoT) генерируется значительный объем данных, которые необходимо собирать и анализировать. В результате создается огромное количество данных в режиме реального времени, что требует развертывания систем искусственного интеллекта для получения из них значимой информации.

  • Традиционно искусственный интеллект базируется на облаке

Решения искусственного интеллекта изначально были облачными из-за необходимости в высокопроизводительном оборудовании, способном выполнять задачи глубокого обучения и возможности легко масштабировать ресурсы в облаке. Возможен вариант выгрузки данных во внешние вычислительные системы (облако) для дальнейшей обработки. Однако это увеличивает задержку, повышает стоимость подключения и вызывает проблемы конфиденциальности.

  • Что такое периферийные вычисления?

Периферийные вычисления, зародившиеся в 1990-х годах с сетей доставки контента, которые передавали веб-контент и видеоконтент с серверов, расположенных ближе к пользователям, сейчас широко обсуждаются и используются аналитиками и корпорациями.

  • Что такое периферийное устройство?

Граничное устройство, также известное как конечное устройство или пограничный сервер, способно выполнять вычисления автономно. Эти устройства отвечают за обработку данных от связанных датчиков, включая камеры, обеспечивающие видеопоток. Выражение «граница сети» может относиться к любому местоположению, учитывая, что Интернет имеет глобальный масштаб. Это может быть магазин, фабрика, медицинское учреждение или даже обычные объекты, такие как светофор, беспилотные автомобили и сотовые телефоны.

Edge AI — это система, которая локально обрабатывает данные, создаваемые физическим устройством.

2. Зачем использовать искусственный интеллект?

Недавние разработки продемонстрировали эффективность использования моделей ИИ на периферии, таких как:

Развитие нейронных сетей. Универсальное машинное обучение теперь возможно благодаря развитию нейронных сетей и связанных с ними структур искусственного интеллекта. Организации адаптируются к обучению и внедрению моделей ИИ на периферии.

Достижения в области вычислений: Чтобы использовать ИИ на периферии, требуются значительные распределенные вычислительные мощности. Недавно высокопроизводительные процессоры были адаптированы для работы нейронных сетей.

Внедрение устройств Интернета вещей (IoT). Рост объемов больших данных обязан своим импульсом широкому распространению Интернета вещей. Теперь у нас есть данные и устройства, необходимые для развертывания моделей искусственного интеллекта на периферии, благодаря внезапной возможности собирать данные в каждом элементе бизнеса — от промышленных датчиков, интеллектуальных камер, робототехники и многого другого. Более того, 5G дает импульс Интернету вещей, обеспечивая более быстрое, стабильное и безопасное соединение.

Благодаря своей способности интерпретировать язык, изображения, звуки, температуру, лица и другие аналоговые типы неструктурированного ввода, алгоритмы ИИ особенно полезны в условиях, когда присутствуют конечные пользователи с реальными проблемами. Тем не менее, развертывание некоторых приложений ИИ в централизованном облаке или бизнес-центре обработки данных может быть нецелесообразным из-за проблем с задержкой, пропускной способностью и конфиденциальностью.

  • Некоторые преимущества периферийного ИИ

Информация в режиме реального времени. Периферийная технология реагирует на потребности потребителей в режиме реального времени, анализируя данные локально, избегая задержек, вызванных удаленной облачной связью.

Приложения, чувствительные к задержкам, такие как удаленная хирургия, беспилотные транспортные средства и предотвращение автомобильных аварий, могут извлечь выгоду из пограничных серверов, которые обеспечивают поддержку принятия решений и анализ данных в реальном времени.

Экономия затрат и уменьшение объема передачи данных. Благодаря перемещению вычислительной мощности ближе к периферии приложениям требуется меньшая пропускная способность Интернета. Это значительно снижает сетевые затраты.

Повышенная конфиденциальность и безопасность. Оценка реальных данных теперь может выполняться с помощью технологии искусственного интеллекта, что устраняет необходимость вмешательства человека. Такой подход обеспечивает конфиденциальность лиц, чьи личные данные, такие как лицо, голос или медицинское изображение, необходимо проанализировать. Edge AI обеспечивает улучшенную защиту конфиденциальности, сохраняя данные локально и загружая в облако только проанализированную информацию и аналитические данные. Кроме того, личность пользователя может быть защищена посредством анонимизации, даже если некоторые данные передаются в учебных целях. Обеспечивая защиту конфиденциальности, Edge AI упрощает задачу соблюдения нормативных требований к данным.

Высокая доступность: Edge AI более надежен, поскольку он децентрализован и имеет автономную функциональность, поскольку обработка данных не требует подключения к Интернету. В результате критически важные приложения искусственного интеллекта производственного уровня стали более доступными и надежными.

Постоянное улучшение. Точность моделей ИИ повышается по мере накопления большего количества данных. Любые данные, которые периферийное приложение ИИ не может обработать точно или уверенно, часто загружаются, чтобы ИИ мог переобучиться и учиться на их основе.

Улучшение пользовательского опыта.Улучшает взаимодействие с пользователем за счет уменьшения задержек и расходов, позволяя использовать носимые устройства для отслеживания фитнеса, виртуальной реальности, дополненной реальности и других контекстов.

Edge AI — это развивающаяся технология с безграничным потенциалом.

3. Примеры использования

Искусственный интеллект — самая мощная технологическая сила нашего времени, преобразующая наиболее важные отрасли мира.

Edge AI стимулирует инновации в различных отраслях, таких как производство, оборона, здравоохранение, финансовые услуги, транспорт и энергетика.

  • Интеллектуальное прогнозирование в энергетике. Интеллектуальное прогнозирование имеет решающее значение в критически важных отраслях, таких как энергетика, где перебои в поставках могут представлять значительную угрозу для здоровья и благосостояния населения. Использование моделей Edge AI способствует созданию сложных симуляций, которые помогают эффективно генерировать, распределять и управлять энергетическими ресурсами для клиентов. Эти модели объединяют исторические данные, погодные условия, состояние сети и другую соответствующую информацию. Одним из примеров внедрения интеллектуальных энергетических приложений является использование подключенных ветряных электростанций. Это инновационное решение подчеркивает потенциал передовых технологий для оптимизации производства и распределения энергии.
  • Прогнозирование технического обслуживания и прогнозирование неисправностей. Раннее выявление проблем и прогнозирование неисправностей оборудования можно обеспечить за счет использования данных датчиков. Датчики, установленные на технике, фиксируют любые неисправности и оперативно предупреждают руководство о необходимости ремонта. Это способствует быстрому решению проблемы, предотвращая дорогостоящие простои.
  • Инструменты на базе искусственного интеллекта в здравоохранении. Решения для здравоохранения на основе искусственного интеллекта, такие как удаленная хирургия и диагностика, а также мониторинг жизненно важных функций пациентов, в значительной степени полагаются на периферийные устройства, которые облегчают обработку данных с помощью искусственного интеллекта на периферии. Используя удаленную платформу, врачи могут легко и удобно управлять хирургическим оборудованием на безопасном расстоянии.
  • Динамики. Использование машинного обучения в интеллектуальных колонках, таких как Google Homepod, Alexa и Apple Homepod, позволяет им сохранять слова и фразы на устройстве. Когда пользователи взаимодействуют с приложениями голосового помощника, такими как Siri или Google, их записи передаются в сеть Edge. Эта сеть использует искусственный интеллект для преобразования записей в текст и получения ответа менее чем за 400 миллисекунд. Без сети Edge время ответа было бы значительно дольше и занимало несколько секунд.
  • Развлечения. Потоковое видео на очки виртуальной реальности – это одно из развлекательных приложений для виртуальной, дополненной и смешанной реальности. Размер таких очков можно уменьшить, передав обработку данных с очков на пограничные серверы, расположенные рядом с конечным устройством. Например, Microsoft только что выпустила HoloLens, голографический компьютер, который можно использовать с гарнитурой для исследования дополненной реальности. Microsoft намерена предлагать стандартные вычислительные приложения, приложения для анализа данных, медицинской визуализации и современные игровые приложения с помощью HoloLens.

  • Беспилотные автомобили (автономные транспортные средства): быстрый анализ данных является требованием для беспилотных автомобилей, поэтому важно иметь возможность обрабатывать такие данные, как идентификация дорожных знаков, обнаружение пешеходов и других транспортных средств. на том же оборудовании и в режиме реального времени. Это помогает обеспечить наилучшие условия для безопасности пассажиров и других участников дорожного движения.
  • Наблюдение и мониторинг. Камеры видеонаблюдения Edge с поддержкой искусственного интеллекта помогают снизить использование памяти и сократить объем удаленной обработки, отправляя видео в облако только при необходимости. Благодаря методам машинного обучения они также могут обрабатывать фильмы и фотографии локально, а не переносить их на облачный сервер. Это позволяет легко следить за множеством людей или вещей.

4. Проблемы ИИ в оборонной сфере

В сфере обороны ИИ поддерживает несколько областей, таких как техническое обслуживание, диагностика, планирование, ситуационная и/или условная осведомленность, поддержка оператора и т. д.

Тип данных (фактические, смоделированные, очень несбалансированные наборы данных), автономность, объяснимость, бережливость — отсутствие данных и т. д. — представляют собой некоторые трудности при защите.

Доступность данных имеет решающее значение для экономичного ИИ (процесс сбора и отбора данных должен быть улучшен). Ниже приведены важные элементы разработки надежного ИИ и его применения в оборонной сфере:

  • среда реализации (которая может быть улучшена с точки зрения признания, прогнозирования и передачи знаний от неэкономного к экономному),
  • надежность и гибкость методов ИИ (необходимо провести надежную количественную оценку неопределенности в экономичных задачах; необходимо принять решения и планы для эффективных и непредсказуемых действий в условиях ограничений бережливости),
  • междисциплинарный характер методов искусственного интеллекта (мы должны интегрировать экспертные знания и системы искусственного интеллекта, основанные на обучении, для более эффективного использования экономных данных и объяснения прогнозов и действий экономного искусственного интеллекта, чтобы повысить направленность исследовательских усилий — исследования, основанные на XAI).

Данные и их качество имеют решающее значение для процессов, поскольку методы обучения лежат в основе решений искусственного интеллекта. Поскольку метод определяет, что будет оперативно доступно при его развертывании, он привязан к реальным данным на этапах разработки и внедрения. Считается, что смоделированные данные помогают в разработке и обучении важным подходам. Он контролирует, насколько адаптируема вся система к различным условиям эксплуатации. Кроме того, для того чтобы методы проверки были надежными и заслуживающими доверия, необходимо достичь идеального баланса между фактическими и смоделированными данными.

Когда реальных данных недостаточно, а моделирование неэффективно, экспертные знания имеют решающее значение. Это важно для подхода с точки зрения проектирования и обучения, а также для маркировки и выбора данных в реальных данных. При разработке смоделированных данных обеспечивается точность и пригодность данных. Это обеспечивает согласованность между оперативными требованиями к процедурам проверки и процессами сравнительного анализа и проверки методов. Оперативное исполнение определенной аппаратной конфигурации в операционных системах связано с подходом верификации и валидации.

Бережливость в обороне касается не только проблем с данными и искусственным интеллектом; речь также идет о создании решений, которые могут работать на оборудовании с ограниченными возможностями (например, на встроенных устройствах) или в автономных ситуациях, когда подключение к облаку запрещено или ограничено.

Оставайтесь с нами для других частей. Если вам понравилась эта статья, подпишитесь на меня и оставьте аплодисменты. Будьте здоровы и счастливы! 🚀

Рекомендации

[1] Дж. Вербракен, М. Уолтинг, Дж. Катци, Дж. Клоппенбург, Т. Вербеллен и Дж. С. Реллермейер, Исследование по распределенному машинному обучению, ACM Computing Surveys, 53 (2), 2021.

[2] Р. Орманди, И. Хегедуш и М. Джеласити, Обучение сплетням с помощью линейных моделей на полностью распределенных данных. Согласен. Вычисл.: Практик. Экспер. 25, 4, 556–571, ​​2013.

[3] Э. Багдасарян, А. Вейт, Ю. Хуа, Д. Эстрин и В. Шматиков, Как использовать бэкдор в федеративном обучении, препринт arXiv arXiv:1807.00459, 2018.

[4] П. Вепакомма, Т. Швед, Р. Раскар, О. Гупта и А. Дубей, «Не заглядывать: обзор частного распределенного глубокого обучения», препринт arXiv arXiv:1812.03288, 2018.

[5] И. Хегедус, Г. Даннер и М. Джеласити, Обучение сплетнями как децентрализованная альтернатива федеративному обучению, 19-я Международная конференция ИФИП по распределенным приложениям и взаимодействующим системам (DAIS), Конгенс Люнгбю, Дания, стр. 74–90. , 2019.

[6] Я. Конечный, Х.Б. МакМахан, F.X. Ю, П. Рихтарик, А.Т. Суреш, Д. Бэкон, Федеративное обучение: стратегии повышения эффективности коммуникации, Частное многостороннее машинное обучение (семинар NIPS 2016), 2016.

[7] Б. МакМахан, Э. Мур, Д. Рэймидж, С. Хэмпсон и Б.А. Аркас, Эффективное для коммуникации обучение глубоких сетей на основе децентрализованных данных, Сингх А., Чжу Дж. (ред.) Труды 20-й Международной конференции по искусственному интеллекту и статистике, Труды исследований машинного обучения, том. 54, стр. 1273–1282, 2017.

[8] К. Ян, Ю. Лю, Т. Чен и Ю. Тонг, Федеративное машинное обучение: концепция и приложения, ACM Trans. Интел. Сист. Технол. 10, 2, статья 12, 2019.

[9] Х. Г. Абреха, М. Хаяжне и М. А. Серхани, Федеративное обучение в области периферийных вычислений: систематический обзор, Датчики, 22, 450, 2022.

[10] К. Чжан, Ю. Се, Х. Бай, Б. Ю, В. Ли и Ю. Гао, Обзор федеративного обучения, Knowl. Базовая система, 216, 106775, 2021.

[11] С. Ван, Ю. Хан, В.К.М. Люн, Д. Ниято, С. Ян и С. Чен, Конвергенция периферийных вычислений и глубокого обучения: комплексный обзор, IEEE Commun. Выж. Наставник., 22, 869–904, 2020.

[12] К. Демерцис, Федеративное обучение на основе блокчейна для защиты от угроз, arXiv:2102.12746, 2021.

[13] Б. Лю, С. Шахам, В. Рахаю, Ф. Фарохи и З. Лин, Когда машинное обучение встречается с конфиденциальностью: обзор и перспективы, arXiv:2011.11819.

[14] Х. Ду, С. Ван и Х. Хо, Xfinder: обнаружение неизвестных аномалий в сценарии распределенного машинного обучения, Front. Вычислить. наук. 3:710384, 2021.