Apa yang dimaksud dengan AI edge?

Sederhananya, AI edge, atau "AI di komputasi tepi", mengacu pada kombinasi komputasi tepi dan kecerdasan buatan untuk menjalankan tugas machine learning secara langsung pada perangkat komputasi tepi yang saling terhubung. Komputasi tepi memungkinkan data disimpan dekat dengan lokasi perangkat, dan algoritma AI memungkinkan pemrosesan tepat di tepi jaringan, dengan atau tanpa koneksi internet. Kemampuan ini memfasilitasi pemrosesan data dalam milidetik, memberikan masukan real-time.

Mobil tanpa pengemudi, perangkat wearable, kamera keamanan, dan peralatan rumah tangga pintar adalah beberapa teknologi yang memanfaatkan kemampuan AI edge untuk segera memberikan informasi real-time kepada pengguna saat dibutuhkan.

AI edge populer karena industri menemukan cara baru untuk menggunakan kekuatannya untuk mengoptimalkan alur kerja, mengotomatiskan proses bisnis, dan mendorong inovasi. Pada saat yang sama, teknologi ini membantu mengatasi masalah penting seperti latensi, keamanan, dan pengurangan biaya.

Pelajari lebih lanjut tentang solusi komputasi edge IBM.

AI Edge memungkinkan pengambilan keputusan di tempat, menghilangkan kebutuhan untuk terus-menerus mengirimkan data ke lokasi pusat dan menunggu pemrosesan, yang merampingkan otomatisasi operasi bisnis. Namun, data masih perlu ditransmisikan ke cloud untuk melatih kembali saluran AI dan menerapkan model yang diperbarui.

Menerapkan pola ini di berbagai lokasi dan aplikasi yang beragam menghadirkan tantangan seperti gravitasi data, heterogenitas, penskalaan, dan kendala sumber daya. AI terdistribusi membantu mengatasi hambatan ini dengan mengintegrasikan pengumpulan data cerdas, mengotomatiskan siklus data dan AI, mengadaptasi dan memantau cabang, serta mengoptimalkan saluran data dan AI.

Kecerdasan buatan terdistribusi (DAI) bertanggung jawab untuk mendistribusikan, mengoordinasikan, dan memperkirakan kinerja tugas, tujuan, atau keputusan dalam lingkungan multiagen. DAI menskalakan aplikasi ke sejumlah besar cabang dan memungkinkan algoritma AI untuk memproses secara otonom di berbagai sistem, domain, dan perangkat di komputasi tepi.

Saat ini, komputasi cloud dan antarmuka pemrograman aplikasi (API) digunakan untuk melatih dan menerapkan model machine learning. Kemudian, AI edge melakukan tugas machine learning seperti analitik prediktif, pengenalan suara, dan deteksi anomali dekat dengan pengguna, membedakan dirinya dari layanan cloud umum dalam berbagai cara. Alih-alih aplikasi dikembangkan dan dijalankan sepenuhnya di cloud, sistem AI edge memproses dan menganalisis data lebih dekat ke titik di mana data itu dibuat. 

Algoritma Machine Learning dapat berjalan di komputasi tepi dan informasi dapat diproses langsung di perangkat IoT, bukan di pusat data pribadi atau di fasilitas komputasi cloud.

AI Edge menampilkan dirinya sebagai pilihan yang lebih baik kapan pun prediksi real-time dan pemrosesan data diperlukan. Pertimbangkan kemajuan terbaru dalam teknologi kendaraan swakemudi. Untuk memastikan navigasi yang aman dari mobil ini dan menghindari potensi bahaya, mereka harus dengan cepat mendeteksi dan menanggapi berbagai faktor seperti sinyal lalu lintas, pengemudi yang tidak menentu, dan perubahan jalur. Selain itu, mereka harus memperhitungkan pejalan kaki, trotoar, dan banyak variabel lainnya.

Kemampuan AI Edge untuk memproses informasi ini setempat di dalam kendaraan mengurangi potensi risiko masalah konektivitas yang mungkin timbul dari pengiriman data ke server jarak jauh melalui AI berbasis cloud. Dalam skenario seperti ini, di mana respons data yang cepat dapat menentukan hasil hidup atau mati, kemampuan kendaraan untuk bereaksi dengan cepat sangat penting.

Sebaliknya, AI cloud mengacu pada penyebaran algoritma dan model AI di server cloud. Metode ini menawarkan peningkatan penyimpanan data dan kemampuan daya pemrosesan, memfasilitasi pelatihan dan penerapan model AI yang lebih canggih.

Pada tahun 2022, pasar AI edge global bernilai 14.787,5 juta USD dan diperkirakan akan tumbuh menjadi 66,47 juta USD pada tahun 2023, menurut laporan yang disusun oleh Grand View Research, Inc. Meningkatnya permintaan untuk layanan komputasi edge berbasis IoT, bersama dengan keunggulan yang melekat pada AI edge, mendorong perluasan komputasi edge secara cepat. Manfaat utama AI edge meliputi:

Melalui pemrosesan lengkap di perangkat, pengguna dapat merasakan interval respons yang cepat tanpa penundaan yang disebabkan oleh kebutuhan informasi untuk melakukan perjalanan kembali dari server yang jauh.

Karena edge AI memproses data di tingkat lokal, ia meminimalkan jumlah data yang ditransmisikan melalui internet, sehingga dapat menghemat bandwidth internet. Ketika bandwidth yang digunakan lebih sedikit, koneksi data dapat menangani volume yang lebih besar untuk pengiriman dan penerimaan data secara simultan.

Pengguna dapat melakukan pemrosesan data secara real-time pada perangkat tanpa memerlukan konektivitas dan integrasi sistem, sehingga mereka dapat menghemat waktu dengan mengonsolidasikan data tanpa perlu berkomunikasi dengan lokasi fisik lainnya. Namun, AI edge mungkin kesulitan menangani volume dan keberagaman data yang sangat besar yang dibutuhkan oleh aplikasi AI tertentu. Untuk mengatasi keterbatasan ini, ia harus berintegrasi dengan komputasi awan untuk menggunakan sumber daya dan kemampuannya.

Privasi meningkat karena data tidak ditransfer ke jaringan lain, di mana data menjadi rentan terhadap serangan siber. Melalui pemrosesan informasi secara lokal pada perangkat, AI edge mengurangi risiko kesalahan penanganan data. Dalam industri yang tunduk pada peraturan kedaulatan data, AI edge  dapat membantu menjaga kepatuhan dengan memproses dan menyimpan data secara lokal di dalam yurisdiksi yang ditentukan.

Namun, setiap basis data terpusat memiliki potensi untuk menjadi target yang menarik bagi calon penyerang, yang berarti AI edge masih terpapar risiko keamanan.

AI edge memperluas sistem dengan menggunakan platform berbasis cloud dan kemampuan komputasi tepi bawaan pada teknologi produsen peralatan orisinal (OEM), yang mencakup perangkat lunak dan perangkat keras. Perusahaan OEM ini telah mulai mengintegrasikan kemampuan bawaan komputasi tepi ke dalam peralatan mereka, sehingga lebih mudah untuk menskalakan sistem. Perluasan ini juga memungkinkan jaringan lokal untuk mempertahankan fungsionalitas bahkan dalam situasi ketika node di hulu atau hilir mengalami waktu henti.

Pengeluaran yang terkait dengan layanan AI yang dihosting di cloud mungkin tinggi. AI edge menawarkan opsi untuk memanfaatkan sumber daya cloud yang mahal sebagai tempat penyimpanan untuk akumulasi data setelah pemrosesan, yang ditujukan untuk analisis selanjutnya alih-alih operasi lapangan langsung. Ini mengurangi beban kerja komputer dan jaringan cloud.

Penggunaan CPU, GPU, dan memori mengalami pengurangan besar karena beban kerja mereka didistribusikan di antara perangkat komputasi tepi, membedakan AI edge sebagai opsi yang lebih hemat biaya di antara keduanya.

Ketika komputasi cloud menangani semua komputasi untuk suatu layanan, lokasi terpusat menanggung beban kerja yang signifikan. Jaringan mengalami lalu lintas tinggi untuk mengirimkan data ke sumber pusat. Saat mesin menjalankan tugas, jaringan menjadi aktif sekali lagi, mentransmisikan data kembali ke pengguna. Perangkat edge menghapus transfer data bolak-balik yang berkelanjutan ini. Hasilnya, baik jaringan dan mesin mengalami penurunan stres saat mereka terbebas dari beban penanganan setiap aspek.

Selain itu, ciri-ciri otonom AI edge menghilangkan kebutuhan akan pengawasan berkelanjutan oleh ilmuwan data. Meskipun interpretasi manusia memainkan peran penting dalam menentukan nilai akhir dari data dan hasil yang dihasilkannya, platform AI edge memikul sebagian tanggung jawab ini. Pergeseran ini pada akhirnya mengarah pada penghematan biaya bagi bisnis.

AI edge menggunakan neural networks dan pembelajaran mendalam untuk melatih model agar dapat mengenali, mengklasifikasikan, dan mendeskripsikan objek secara akurat dalam data yang diberikan. Proses pelatihan ini biasanya menggunakan pusat data terpusat atau cloud untuk memproses volume data yang cukup besar yang diperlukan untuk melatih model.

Setelah penerapan, model AI edge semakin meningkat seiring waktu. Ketika AI menghadapi masalah, data bermasalah sering ditransfer ke cloud untuk pelatihan lebih lanjut dari model AI awal, yang pada akhirnya menggantikan mesin inferensi di komputasi tepi. Siklus masukan ini secara signifikan berkontribusi untuk meningkatkan kinerja model.

Saat ini, contoh umum dari AI edge termasuk ponsel pintar, aksesori wearable pemantauan kesehatan (misalnya jam tangan pintar), pembaruan lalu lintas real-time pada kendaraan otonom, perangkat terhubung, dan peralatan pintar. Berbagai industri juga semakin banyak menerapkan aplikasi AI edge untuk memangkas biaya, mengotomatiskan proses, meningkatkan pengambilan keputusan, dan mengoptimalkan operasi.

Penyedia layanan kesehatan sedang mengalami transformasi substansial melalui implementasi praktis edge AI dan pengenalan perangkat canggih. Bila dipadukan dengan kemajuan edge lebih lanjut, teknologi ini siap membangun sistem layanan kesehatan yang lebih cerdas, sekaligus menjaga privasi pasien dan mengurangi waktu respons.

Memanfaatkan model AI yang tertanam setempat, monitor kesehatan wearable mengevaluasi metrik seperti detak jantung, tekanan darah, kadar glukosa, dan pernapasan. Perangkat wearable AI edge juga dapat mendeteksi ketika pasien jatuh secara tiba-tiba dan memperingatkan perawat, sebuah fitur yang sudah disertakan di jam pintar umum di pasaran.

Dengan melengkapi kendaraan darurat dengan kemampuan pemrosesan data yang cepat, paramedis dapat mengekstrak insight dari perangkat pemantauan kesehatan dan berkonsultasi dengan dokter untuk menentukan strategi stabilisasi pasien yang efektif. Secara bersamaan, staf ruang gawat darurat dapat bersiap untuk memenuhi kebutuhan perawatan unik pasien. Mengintegrasikan AI edge dalam keadaan seperti itu akan membantu memfasilitasi pertukaran informasi kesehatan yang penting secara real-time.

Produsen di seluruh dunia telah memulai integrasi teknologi AI edge untuk merombak operasi manufaktur mereka, yang mengarah pada peningkatan efisiensi dan produktivitas dalam proses.

Data sensor dapat dimanfaatkan untuk secara proaktif mengidentifikasi anomali dan memprediksi kegagalan mesin, juga dikenal sebagai pemeliharaan prediktif. Sensor peralatan menemukan ketidaksempurnaan dan segera memberi tahu manajemen tentang perbaikan penting, sehingga memungkinkan penyelesaian tepat waktu dan mencegah waktu henti operasional.

Edge AI juga dapat diterapkan pada area lain yang dibutuhkan dalam industri ini, seperti kontrol kualitas, keselamatan pekerja, optimalisasi hasil, analisis rantai pasokan, dan optimalisasi lantai.

Bukan rahasia lagi bahwa bisnis telah mengalami tren besar dengan meningkatnya popularitas e-commerce dan belanja online. Toko retail tradisional yang berbentuk fisik telah dipaksa untuk berinovasi demi menciptakan pengalaman berbelanja yang lancar dan melibatkan pelanggan. Dengan pergeseran ini, teknologi baru telah muncul, seperti toko "ambil dan pergi", keranjang belanja pintar dengan sensor, dan check-out pintar. Solusi ini menggunakan teknologi AI canggih untuk meningkatkan dan mempercepat pengalaman di dalam toko konvensional pelanggan.

Lingkungan kontemporer dipenuhi dengan perangkat 'pintar' seperti bel pintu, termostat, lemari es, sistem hiburan, dan bola lampu yang dikendalikan. Rumah pintar ini berisi ekosistem perangkat yang menggunakan AI edge untuk meningkatkan kualitas hidup penghuni.

Apakah penghuni perlu mengidentifikasi seseorang di depan pintu mereka atau mengontrol suhu rumah mereka melalui perangkat mereka, teknologi edge dapat dengan cepat memproses data di tempat. Strategi ini menghilangkan kebutuhan untuk mengirimkan informasi ke server jarak jauh terpusat, membantu menjaga privasi penduduk dan mengurangi risiko akses tidak sah ke data pribadi.

Kecepatan sangat penting untuk analitik video. Banyak sistem visi komputer tidak memiliki kecepatan yang tepat yang diperlukan untuk analisis real-time. Alih-alih memproses secara lokal gambar atau video yang diambil dari kamera keamanan, sistem ini mengirimkannya ke mesin berbasis cloud yang dilengkapi dengan kemampuan pemrosesan berkinerja tinggi. Tanpa memproses data secara lokal, sistem berbasis cloud ini mengalami hambatan karena masalah latensi, yang ditandai dengan keterlambatan dalam pengunggahan dan pemrosesan data.

Aplikasi visi komputer dan kemampuan deteksi objek AI Edge pada perangkat keamanan pintar mengidentifikasi aktivitas yang mencurigakan, memberi tahu pengguna, dan memicu alarm. Kemampuan ini memberi tenaga kesehatan rasa aman dan ketenangan pikiran yang lebih besar.