La inteligencia fabricado (IA) e Internet de las cosas (IoT) son dos de los desarrollos tecnolΓ³gicos mΓ‘s impactantes de hoy. Inevitablemente, una variedad creciente de aplicaciones y soluciones empresariales y de consumo aprovechan ambas tecnologΓas, de modo que las IA y IoT las habilitan. Un subconjunto creciente de estas aplicaciones y soluciones incorpora capacidades de IA directamente a lado de un dispositivo IoT, como AIOT, desbloqueando beneficios que van desde tiempos de respuesta mΓ‘s rΓ‘pidos hasta un uso mΓ‘s competente del encantado de partida de conectividad.
Este artΓculo analiza algunas de las capacidades esencia que una plataforma de software especificada para confesar dispositivos AIOT deberΓa tener. Se centra en los requisitos especΓficos para apoyar dispositivos AIOT, en circunscripciΓ³n de requisitos mΓ‘s genΓ©ricos que son acertadamente conocidos en contextos de IoT o IA.
1.1 plataformas de software para confesar AIOT
AIOT es una reuniΓ³n entre dos mundos diferentes con diferentes ritmos. Las propiedades del dispositivo IoT pueden contener mΓΊltiples generaciones de hardware, en apoyo de casos de uso que pueden variar entre las implementaciones de favorecido final, por cosmografΓa y dependiendo de la tecnologΓa de conectividad. Sin secuestro, desde una perspectiva de IA, los modelos de software actualizados con frecuencia y la experiencia del favorecido asociada con estos diversos puntos finales deben ser lo mΓ‘s homogΓ©neos posible.
En consecuencia, las capacidades esencia que se requerirΓ‘n para confesar propiedades del dispositivo AIOT son una consecuencia de la interacciΓ³n entre dos dominios tecnolΓ³gicos muy diferentes que son relativamente complejos. Se compendio en el representaciΓ³n a continuaciΓ³n y se discuten en las siguientes subsecciones.
1.1.1 Modelos AI de comprimir para AIOT
Los entornos AIOT estΓ‘n mΓ‘s limitados que los sistemas de nubes, que requieren que los modelos de IA se compriman para la implementaciΓ³n. TΓ©cnicas como cuantizaciΓ³n, poda, destilaciΓ³n de conocimiento y capacitaciΓ³n de modelos mΓ‘s pequeΓ±os ayudan a disminuir el tamaΓ±o, aunque los modelos deben retornar a capacitarse y probar posteriormente de la compresiΓ³n. La compresiΓ³n Γ³ptima varΓa segΓΊn el contexto de implementaciΓ³n, el tipo de conectividad (y el costo de la conectividad) y el hardware acondicionado, creando compensaciones entre rendimiento, autonomΓa y experiencia de favorecido consistente. Las plataformas AIOT deben reflectar las diferencias de dispositivos y redes, y la fragmentaciΓ³n puede crecer a medida que los clientes exigen caracterΓsticas variables. Las rigurosas pruebas continuas siguen siendo esenciales para todos los modelos comprimidos a medida que evolucionan.
1.1.2 Aggiornamento de modelos de software AIOT
Los modelos de IA en los sistemas AIOT requieren actualizaciones frecuentes, reentrenamiento y re-optimizaciΓ³n. Estas actualizaciones deben distribuirse de modo competente, lo cual es mΓ‘s comprensible con una fragmentaciΓ³n mΓnima del dispositivo. Los entornos de software uniformes en todos los dispositivos se prefieren muy, pero no siempre es posible en entornos AIOT y las actualizaciones de Sobre-the-Air (OTA) son crΓticas para implementar un nuevo software de forma segura. Las plataformas AIOT deben confesar despliegue en fases, opciones de reversiΓ³n y pruebas A/B para ordenar interrupciones y refinar modelos en condiciones del mundo actual. La diligencia robusta de dispositivos, ya vivo en IoT, se vuelve aΓΊn mΓ‘s crucial en entornos AIOT para certificar una implementaciΓ³n de software consistente y segura.
1.1.3 Mandato de AIOT en el campo
La diligencia de modelos de IA en entornos AIOT requiere la diligencia de cualquier entrada, salida y deriva de concepto. A diferencia de la configuraciΓ³n de IA establecida, AIOT introduce desafΓos ΓΊnicos correcto a diferentes condiciones y contextos del dispositivo. Las plataformas deben monitorear el rendimiento, el uso de energΓa y la conectividad, y confesar la detecciΓ³n de deriva, el descomposiciΓ³n de causa raΓz y las comparaciones contextuales en las propiedades del dispositivo. Las caracterΓsticas como el mantenimiento preventivo de hardware, el monitoreo de seguridad (incluida la interferencia fΓsica) y las opciones respaldadas al procesamiento en la estrato serΓ‘n esencia. Las plataformas AIOT todavΓa deben confesar estrategias de comunicaciones adaptativas para minimizar la costosa transmisiΓ³n de datos, especialmente para dispositivos conectados a redes celulares o satelitales.
1.1.4 Soporte de un ciclo de feedback
La precisiΓ³n del maniquΓ de IA puede degradarse con el tiempo correcto a los datos de entrada en transformaciΓ³n, lo que requiere reentrenamiento. En AIOT, la descomposiciΓ³n puede variar en los subconjuntos de un patrimonio de un dispositivo basado en el contexto de implementaciΓ³n, las variaciones de hardware o las condiciones ambientales. Las plataformas deben detectar instancias de descomposiciΓ³n mΓ‘s rΓ‘pida que el promedio y proporcionar informaciΓ³n para el mantenimiento del maniquΓ. Dicha monitorizaciΓ³n del rendimiento es mΓ‘s difΓcil con dispositivos con hilera o conectados de forma inalΓ‘mbrica correcto a las limitaciones de costo y energΓa. Una posibilidad es utilizar dispositivos de Β«sondaΒ» siempre conectados para informar el rendimiento, aunque esto supone que su rendimiento es representativo del patrimonio de dispositivos mΓ‘s amplio y, por lo tanto, este enfoque tiene limitaciones inherentes.
1.1.5 EducaciΓ³n distribuido
AIOT de autoaprendizaje distribuido plantea desafΓos ya que los dispositivos idΓ©nticos en diferentes lugares pueden transformarse de modo diferente en funciΓ³n de las condiciones locales y la experiencia de los eventos locales. Esta oposiciΓ³n hace que sea difΓcil divulgar y compartir aprendizajes bΓ‘rtulos, lo que requiere una visiΓ³n experta para identificar quΓ© reglas se pueden aplicar en otro circunscripciΓ³n. Por ejemplo, los indicadores de rotura de la mΓ‘quina pueden variar segΓΊn el entorno, lo que dificulta las comparaciones directas. Las plataformas AIOT deberΓan detectar estas diferencias en transformaciΓ³n e ingenieros de soporte destacando nuevos patrones potencialmente valiosos y sugerir formas de adaptarlos y distribuirlos en la finca de dispositivos mΓ‘s amplia.
1.1.6 Factores de higiene
Las plataformas AIOT todavΓa deben priorizar una variedad de factores de higiene. Surtir la corriente de la extracto de software de materiales (SBOM) garantiza que los modelos de IA se ejecuten en sistemas consistentes y compatibles, lo que ayuda a evitar resultados subΓ³ptimos. Las plataformas AIOT deben rastrear todos los cambios de modelos y SBOM para ayudar en las auditorΓas de rendimiento y la detecciΓ³n de descomposiciΓ³n. Incluso deben cumplir con la transformaciΓ³n de la IA, la privacidad de los datos y las regulaciones de soberanΓa mediante la amoldamiento del software basado en la ubicaciΓ³n del dispositivo. El soporte para la informaciΓ³n de configuraciΓ³n explicable de IA y la auditorΓa serΓ‘ esencial para cumplir con los estΓ‘ndares regulatorios y operativos en diversas jurisdicciones.
1.1.7 Requisitos futuros
Las futuras implementaciones de IA pueden implicar dividir las funciones de IA entre los dispositivos IoT (AIOT) y las puertas de enlace de borde locales (EDGE AI), o en los dispositivos AIOT cercanos. Esto crea complejidad adicional, con componentes de IA que se ejecutan en hardware variado y ubicaciones basadas en el contexto recinto. La diligencia de tales sistemas de IA distribuidos requiere plataformas que comprendan topografΓa, calidad de conectividad y capacidades de dispositivos. Si acertadamente algunos proveedores ya ofrecen soluciones para entornos de borde heterogΓ©neo, estos deben mejorarse para cumplir con las limitaciones y requisitos especΓficos de los escenarios AIOT.
1.2 Conclusiones
Las plataformas AIOT deben fusionar las capacidades de los dominios de IA y IoT, equilibrando la transformaciΓ³n del software acelerada de la IA con los dispositivos de larga duraciΓ³n y limitados por fortuna de IoT. Si acertadamente existen muchas funciones requeridas en los dominios AI o IoT, no estΓ‘n completamente optimizados para AIOT. Las plataformas IoT a menudo carecen de soporte suficiente para la IA distribuida, y las plataformas de IA rara vez consideran las limitaciones de IoT. Para confesar AIOT de modo efectiva, se necesitan nuevas capacidades, como la optimizaciΓ³n del maniquΓ para los costos de conectividad y el uso de energΓa, especialmente para dispositivos con baterΓas. Adicionalmente, el rendimiento y el documentaciΓ³n de condiciΓ³n todavΓa deben tener en cuenta limitaciones similares. Un entorno de plataforma mΓ‘s cohesivo y adaptable serΓ‘ esencial para realizar plenamente el potencial de las tecnologΓas AIOT.
