Início
topics
IA de edge
Inteligência artificial de edge refere-se à implementação de algoritmos e modelos de IA diretamente em dispositivos de edge locais, como sensores ou dispositivos de Internet das coisas (IoT), o que possibilita o processamento e a análise de dados em tempo real sem a dependência constante da infraestrutura de nuvem.
Simplificando, a IA de edge, ou "IA na edge", refere-se à combinação de edge computing e inteligência artificial para executar tarefas de aprendizado de máquina diretamente em dispositivos de edge interconectados. A edge computing permite que os dados sejam armazenados perto do local do dispositivo, e os algoritmos de IA permitem que os dados sejam processados diretamente na edge da rede, com ou sem uma conexão com a internet. Isso facilita o processamento de dados em milissegundos, fornecendo feedback em tempo real .
Carros autônomos, dispositivos vestíveis, câmeras de segurança e eletrodomésticos inteligentes estão entre as tecnologias que aproveitam os recursos de IA de edge para entregar prontamente aos usuários informações em tempo real quando elas são mais essenciais.
A IA de edge está crescendo em popularidade à medida que os setores descobrem novas maneiras de aproveitar seu poder para otimizar fluxos de trabalho, automatizar processos de negócios e liberar novas oportunidades de inovação, ao mesmo tempo em que lidam com preocupações como latência, segurança e redução de custos.
Saiba mais sobre as soluções de edge computing da IBM.
Graças à IA de edge, a tomada de decisões localizadas elimina a necessidade de transmitir dados constantemente para um local central e esperar que isso facilite a automação de nossas operações de negócios. No entanto, ainda há necessidade de transmitir dados para a nuvem com a finalidade de retreinar esses pipelines de IA e implementá-los. A implementação desse padrão em vários locais e em uma gama diversificada de aplicações apresenta desafios específicos, como gravidade dos dados, heterogeneidade, escala e restrições de recursos. A IA distribuída pode lidar com esses desafios que a IA de edge enfrenta ao integrar a coleta inteligente de dados, automatizar os ciclos de vida de dados e IA, adaptar e monitorar raios e otimizar os pipelines de dados e IA.
A inteligência artificial distribuída (DAI) é responsável por distribuir, coordenar e prever o desempenho de tarefas, objetivos ou decisões em um ambiente multiagentes. A DAI dimensiona as aplicações para um grande número de raios e permite que os algoritmos de IA processem de forma autônoma em vários sistemas, domínios e dispositivos na edge.
Atualmente, a computação em nuvem e as APIs são usadas para treinar e implementar modelos de aprendizado de máquina. Posteriormente, a IA de edge realiza tarefas de aprendizado de máquina, como análise preditiva de dados, reconhecimento de fala e detecção de anomalias próxima ao usuário, distinguindo-se dos serviços de nuvem comuns de várias maneiras. Em vez de as aplicações serem desenvolvidas e executadas inteiramente na nuvem, os sistemas de IA de edge processam e analisam os dados mais próximos do ponto onde foram criados. Os algoritmos de aprendizado de máquina podem ser executados na edge, e as informações podem ser processadas diretamente nos dispositivos de IoT, em vez de em um data center privado ou em uma instalação de computação em nuvem .
A IA de edge se apresenta como uma opção melhor sempre que a previsão em tempo real e o processamento de dados são necessários. Considere os avanços mais recentes na tecnologia de veículos autônomos. Para garantir a navegação segura desses carros e evitar perigos potenciais, eles devem detectar e responder rapidamente a uma série de fatores, como semáforos, motoristas erráticos, mudanças de faixa, pedestres, meio-fios e inúmeras outras variáveis. A capacidade da IA de edge de processar essas informações localmente dentro do veículo reduz o risco potencial de problemas de conectividade que podem surgir ao enviar dados para um servidor remoto por meio de IA baseada em nuvem . Em cenários dessa natureza, em que respostas rápidas aos dados podem determinar resultados de vida ou morte, a capacidade do veículo de reagir rapidamente é absolutamente crucial.
De modo inverso, a IA na nuvem se refere à implementação de algoritmos e modelos de IA em servidores de nuvem. Esse método oferece recursos aumentados de armazenamento de dados e poder de processamento, facilitando o treinamento e a implementação de modelos de IA mais avançados.
Saiba como aproveitar os bancos de dados adequados para aplicações, análises e IA generativa.
A IA na nuvem pode oferecer maiores recursos computacionais e capacidade de armazenamento em comparação com a IA de edge, facilitando o treinamento e a implementação de modelos de IA mais complexos e avançados. A IA de edge vem com um limite na capacidade de processamento devido à limitação do tamanho do dispositivo.
A latência afeta diretamente a produtividade, a colaboração, o desempenho das aplicações e a experiência do usuário. Quanto maior a latência (e quanto mais lentos forem os tempos de resposta), mais essas áreas sofrem. A IA de edge proporciona latência reduzida ao processar dados diretamente no dispositivo, enquanto a IA na nuvem envolve o envio de dados para servidores distantes, o que leva ao aumento da latência.
Largura de banda refere-se à transferência pública de dados do tráfego de rede de entrada e saída em todo o mundo. A IA de edge exige uma largura de banda menor devido ao processamento de dados local no dispositivo, enquanto a IA na nuvem envolve a transmissão de dados para servidores distantes, exigindo maior largura de banda de rede.
A arquitetura de edge oferece maior privacidade ao processar dados confidenciais diretamente no dispositivo, enquanto que a IA na nuvem implica a transmissão de dados para servidores externos, podendo expor informações confidenciais a servidores de terceiros.
Em 2022, o mercado global de IA de edge foi avaliado em US$ 14.787,5 milhões, e espera-se que cresça para US$ 66,47 milhões até o ano de 2023, de acordo com um relatório realizado pela Grand View Research, Inc (link externo a ibm.com). Essa rápida expansão da edge computing é impulsionada pelo aumento da demanda por serviços de edge computing baseados em IoT, além de outras vantagens inerentes à IA de edge. Os principais benefícios da IA de edge incluem:
Por meio do processamento completo no dispositivo, os usuários podem ter intervalos de resposta rápidos, sem atrasos causados pela necessidade de as informações retornarem de um servidor distante.
Como a IA de edge processa dados em nível local, ela minimiza a quantidade de dados transmitidos pela internet, levando à preservação da largura de banda da internet. Quando menos largura de banda é usada, a conexão de dados pode lidar com um volume maior de transmissão e recepção simultâneas de dados.
Os usuários podem realizar o processamento de dados em tempo real em dispositivos sem a necessidade de conectividade e integração do sistema, permitindo-lhes economizar tempo ao consolidar dados sem precisar se comunicar com outros locais físicos. Entretanto, a IA de edge pode encontrar limitações no gerenciamento do extenso volume e da diversidade de dados exigidos por determinadas aplicações de IA e pode precisar ser integrada à computação em nuvem para aproveitar seus recursos e capacidades.
A privacidade aumenta porque os dados não são transferidos para outra rede, onde podem estar vulneráveis a ataques cibernéticos. Ao processar informações localmente no dispositivo, a IA de edge reduz o risco de manuseio incorreto de dados. Em setores sujeitos a regulamentações de soberania de dados, a IA de edge pode ajudar a manter a conformidade, ao processar e armazenar dados localmente em jurisdições designadas. Por outro lado, qualquer banco de dados centralizado tem o potencial de se tornar um alvo atraente para possíveis invasores, o que significa que a IA de edge não está completamente imune aos riscos de segurança.
A IA de edge expande os sistemas usando plataformas baseadas em nuvem e recursos de edge inerentes às tecnologias do fabricante original de equipamentos (OEM), abrangendo software e hardware. Essas empresas OEM começaram a integrar recursos nativos de edge em seus equipamentos, simplificando, assim, o processo de escalonamento do sistema. Essa expansão também permite que as redes locais mantenham a funcionalidade mesmo em situações em que os nós upstream ou downstream tenham downtime.
As despesas associadas aos serviços de IA hospedados na nuvem podem ser elevadas. A IA de edge oferece a opção de utilizar recursos caros da nuvem como um repositório para o acúmulo de dados pós-processamento, destinado à análise subsequente em vez de operações de campo imediatas. Isso reduz as cargas de trabalho de redes e computadores na nuvem. A utilização de CPU, GPU e memória sofre uma grande redução à medida que suas cargas de trabalho são distribuídas entre os dispositivos de edge, o que distingue a IA de edge como a opção mais econômica entre as duas.
Quando a computação em nuvem lida com todos os cálculos de um serviço, a localização centralizada suporta uma carga de trabalho significativa. As redes suportam alto tráfego para transmitir dados à fonte central. Enquanto as máquinas executam tarefas, as redes se tornam ativas mais uma vez, transmitindo dados de volta ao usuário. Os dispositivos de edge removem essa transferência contínua de dados. Como resultado, tanto as redes quanto as máquinas passam por um processo de estresse reduzido quando são aliviadas do fardo de lidar com todos os aspectos.
Além disso, as características autônomas da IA de edge eliminam a necessidade de supervisão contínua por cientistas de dados. Embora a interpretação humana desempenhe consistentemente um papel fundamental na determinação do valor final dos dados e dos resultados que eles geram, as plataformas de IA de edge assumem parte dessa responsabilidade, resultando em economia de custos para as empresas.
A IA de edge utiliza redes neurais e deep learning para treinar modelos para reconhecer, classificar e descrever objetos nos dados com precisão. Esse processo de treinamento geralmente utiliza um data center centralizado ou a nuvem para processar o volume substancial de dados necessários para o treinamento do modelo.
Após a implementação, os modelos de IA de edge melhoram progressivamente ao longo do tempo. Se a IA encontrar um problema, os dados problemáticos geralmente são transferidos para a nuvem para treinamento adicional do modelo inicial de IA, que eventualmente substitui o mecanismo de inferência na edge. Esse loop de feedback contribui significativamente para melhorar o desempenho do modelo.
Atualmente, exemplos comuns de IA de edge incluem smartphones, acessórios vestíveis de monitoramento de saúde (por exemplo, relógios inteligentes), atualizações de tráfego em tempo real em veículos autônomos, dispositivos conectados e aparelhos inteligentes. Vários setores também estão implementando cada vez mais aplicações de IA de edge para reduzir custos, automatizar processos, melhorar a tomada de decisões e otimizar operações.
Os prestadores de serviços de saúde estão passando por uma transformação substancial por meio da implementação prática da IA de edge e da introdução de dispositivos de última geração. Quando combinada com novos avanços de edge, essa tecnologia está preparada para criar sistemas de saúde mais inteligentes, ao mesmo tempo em que protege a privacidade do paciente e reduz os tempos de resposta.
Utilizando modelos de IA incorporados localmente, os monitores de saúde vestíveis avaliam métricas como frequência cardíaca, pressão arterial, níveis de glicose e respiração. Os dispositivos de IA de edge vestíveis também podem detectar quando um paciente cai repentinamente e alertar os cuidadores, um recurso já incluído nos smartwatches comuns no mercado.
Ao equipar veículos de emergência com recursos rápidos de processamento de dados, os paramédicos podem extrair insights de dispositivos de monitoramento de saúde e consultar médicos para determinar estratégias eficazes de estabilização de pacientes. Simultaneamente, a equipe do pronto-socorro pode se preparar para lidar com as necessidades específicas de atendimento dos pacientes. A integração da IA de edge em tais circunstâncias ajudará a facilitar a troca em tempo real de informações críticas de saúde.
Fabricantes em todo o mundo iniciaram a integração da tecnologia de IA de edge para revolucionar suas operações de fabricação, melhorando, assim, a eficiência e a produtividade no processo.
Dados de sensores podem ser aproveitados para identificar anomalias de forma proativa e prever falhas de máquinas, também conhecido como manutenção preditiva. Os sensores de equipamentos localizam imperfeições e notificam prontamente a gerência sobre reparos cruciais, permitindo a resolução em tempo hábil e evitando downtime operacional.
A IA de edge também pode ser aplicada a outras áreas que estejam em necessidade nesse setor, como controle de qualidade, segurança do trabalhador, otimização do rendimento, análise de dados da cadeia de suprimentos e otimização do chão de fábrica.
Não é segredo que as empresas experimentaram uma tendência maciça com o aumento da popularidade do comércio eletrônico e das compras online. As lojas de varejo tradicionais foram forçadas a inovar para criar uma experiência de compra perfeita e envolver os clientes. Com essa mudança, surgiram novas tecnologias, como lojas "pick-and-go", carrinhos de compras inteligentes com sensores e check-outs inteligentes. Essas soluções utilizam tecnologia de IA de edge para elevar e agilizar a experiência dos clientes em lojas convencionais.
O cenário contemporâneo está saturado de dispositivos "inteligentes", como campainhas, termostatos, geladeiras, sistemas de entretenimento e lâmpadas controladas. Essas casas inteligentes contêm ecossistemas de dispositivos que utilizam IA de edge para melhorar a qualidade de vida dos moradores. Quer um morador precise identificar alguém na porta ou controlar a temperatura da casa por meio de seu dispositivo, a tecnologia de edge pode processar dados rapidamente no local sem a necessidade de transmitir informações para um servidor remoto centralizado. Isso ajuda a manter a privacidade do residente e reduz o risco de acesso não autorizado aos dados pessoais.
A velocidade é de extrema importância para análise de dados de vídeos de segurança. Vários sistemas de computer vision não têm a velocidade adequada necessária para análise em tempo real e, em vez de processarem localmente as imagens ou vídeos capturados pelas câmeras de segurança, esses sistemas os transmitem para uma máquina baseada na nuvem equipada com recursos de processamento de alto desempenho. Sem processar os dados localmente, esses sistemas baseados na nuvem encontram obstáculos devido a problemas de latência , caracterizados por atrasos no carregamento e no processamento de dados.
As aplicações de visão computacional e os recursos de detecção de objetos da IA de edge em dispositivos de segurança inteligentes identificam atividades suspeitas, notificam os usuários e disparam alarmes. Esses recursos proporcionam aos residentes uma sensação mais forte de segurança e tranquilidade.
Multiplique o poder da IA com nossa plataforma de dados e IA de última geração.
A IBM disponibiliza uma oferta de gerenciamento autônomo que lida com a escala, a variabilidade e a taxa de mudança em ambientes de edge, além de soluções para ajudar as empresas a modernizar suas redes e prestar serviços na edge.
As soluções IBM Power Systems e IBM Storage aplicam modelos de IA na edge. Libere insights de dados visuais ao vivo gerados na edge.
Aproveite a edge computing para aliviar o congestionamento de rede causado por tecnologias emergentes.
Ouça Nirmit Desai, da IBM Research, explicar a IA distribuída e os recursos que ela oferece.
Considere migrar sua aplicação corporativa para mais perto de suas fontes de dados do mundo real.
Veja como a edge computing da IBM permite a convergência das tecnologias 5G e de edge.
Desenvolva soluções para gerenciamento de dispositivos de edge e análise de dados no dispositivo na fonte de dados.
Leia sobre benefícios, desafios e arquiteturas para implementações de edge computing específicas do setor.