Red Hat SummitCos'è l'intelligenza artificiale all'edge?
L'intelligenza artificiale all'edge, o edge AI, consiste nell'utilizzo dell'intelligenza artificiale in combinazione con l'edge computing per consentire la raccolta dei dati in un luogo fisico o nelle sue vicinanze. Ad esempio, un'attività che include un algoritmo di riconoscimento delle immagini dà migliori risultati se svolta vicino alla sorgente dei dati.
Le risposte dell'IA all'edge vengono ricevute immediatamente: questi algoritmi, infatti, elaborano i dati vicino alla posizione del dispositivo e in pochi millisecondi, perciò sono in grado di offrire un feedback in tempo reale con o senza connessione a Internet. La procedura garantisce più sicurezza, perché i dati sensibili non vengono mai effettivamente allontanati dall'edge.
Che differenza c'è con l'intelligenza artificiale tradizionale?
L'edge AI è diversa dall'intelligenza artificiale tradizionale perché esegue i modelli sui dispositivi connessi che operano all'edge della rete, anziché nel backend di un sistema cloud. Questo framework di applicazione permette di aggiungere un livello di intelligenza all'edge, perché i dispositivi non si limitano a raccogliere metriche e analisi, ma sono anche in grado di reagire in base alle informazioni elaborate, grazie a un modello di machine learning (ML) integrato, che li trasforma in effettivi strumenti per l'IA all'edge.
Lo scopo dell'intelligenza artificiale è lo stesso: far sì che i computer acquisiscano dati, li elaborino e generino risultati simili a quelli dell'intelligenza umana. Il limite dell'IA all'edge è, tuttavia, legato al fatto che questa tecnologia viene applicata solo localmente, all'interno o nei pressi del dispositivo utilizzato.
Qual è la differenza tra l'IA all'edge e l'IA distribuita?
L'IA all'edge è correlata all'IA distribuita, che utilizza i concetti dell'IA tradizionale e dell'IA all'edge. Le due principali distinzioni tra i due sono dove vengono elaborati i dati e come vengono distribuiti i modelli di IA. Mentre l'IA all'edge esegue gli algoritmi direttamente sui dispositivi all'edge, l'IA distribuita utilizza più sistemi interconnessi: server centrali, dispositivi all'edge e altri.
Nell'IA distribuita, le attività sono suddivise tra più macchine o dispositivi, ciascuno dei quali lavora su una parte del problema. Sebbene l'elaborazione distribuita possa applicare più potenza all'elaborazione dei dati e sia scalabile oltre la capacità dell'IA all'edge, i compromessi si riscontrano nella complessità, nella latenza e nella privacy generale.
In che modo il cloud computing migliora l'IA all'edge?
Non è esagerato affermare che l'IA all'edge non potrebbe esistere senza il cloud computing. Il cloud computing fornisce l'infrastruttura, gli strumenti e i servizi necessari per sviluppare, distribuire, gestire e gestire i modelli di IA sui dispositivi edge.
Formazione: poiché i dispositivi di intelligenza artificiale all'edge non hanno i server centralizzati, in genere non dispongono della potenza di calcolo e dei grandi volumi di dati necessari per addestrare i modelli di deep learning. I dispositivi di intelligenza artificiale all'edge trasferiscono i dati su un cloud dove vengono combinati con quelli di dispositivi simili, elaborati e utilizzati per addestrare il modello. I modelli di machine learning addestrati vengono quindi ridistribuiti sui dispositivi all'edge.
Deployment: Poiché i dispositivi all'edge sono ridotti al minimo in base alla progettazione, i modelli addestrati devono essere ottimizzati per quei dispositivi all'edge con risorse limitate. I servizi cloud forniscono strumenti di compressione per la quantizzazione e l'eliminazione che preparano i modelli di IA al deployment all'edge.
Sincronizzazione dei dati: i dispositivi di intelligenza artificiale all'edge sono in grado di elaborare i dati rapidamente al momento del deployment. I dispositivi di intelligenza artificiale all'edge raccolgono anche i dati per addestrare i loro modelli a prendere decisioni migliori. I dispositivi edge AI si sincronizzano regolarmente con un repository centrale nel cloud, che aiuta a archiviare ed elaborare i dati raccolti ed elaborati dal dispositivo edge. I dati inviati al cloud vengono utilizzati in apprendimento continuo, durante il quale i modelli vengono addestrati e ridistribuiti sui dispositivi.
Monitoraggio e gestione: i dispositivi di IA all'edge sono in prima linea nell'interazione di un'organizzazione con i propri utenti. Le piattaforme cloud monitorano i dispositivi edge in tempo reale, consentendo la manutenzione predittiva e identificando i potenziali problemi prima che incidano sulle prestazioni. Inoltre, le piattaforme cloud sono scalabili in base alle esigenze, offrendo risorse elastiche per un'organizzazione che gestisce un parco dispositivi.
Risorse da Red Hat
I vantaggi dell'IA all'edge
L'integrazione di edge computing e intelligenza artificiale offre notevoli vantaggi. Grazie all'IA all'edge, le funzionalità di high performance computing vengono trasportate fino ai margini della rete, dove si trovano sensori e dispositivi IoT. Non essendo richieste connettività né integrazione fra sistemi, i dati possono essere elaborati e raccolti in tempo reale, consentendo agli utenti di risparmiare tempo, senza dover comunicare con altre ubicazioni.
Di seguito alcuni dei vantaggi dell'IA all'edge:
- Consumi energetici ridotti: i requisiti energetici per l'esecuzione di processi IA all'edge sono inferiori rispetto a quelli dei datacenter cloud, perché elaborando i dati in loco è possibile ottenere risparmi sui costi dei consumi.
- Larghezza di banda necessaria ridotta: riducendo le informazioni inviate nel cloud, ottieni un flusso di dati inferiore che richiede meno larghezza di banda e ti consente di limitare i costi pur aumentando la quantità di dati elaborati, analizzati e archiviati.
- Privacy: con l'elaborazione delle informazioni sui dispositivi di IA all'edge, riduci il rischio di diffusione dei dati sensibili.
- Sicurezza: elaborando e archiviando i dati in una rete edge e filtrando quelli ridondanti o non necessari, puoi stabilire la giusta priorità per il trasferimento delle informazioni.
- Scalabilità: le piattaforme basate sul cloud e la funzionalità edge nativa dei dispositivi OEM ti consentono di adattare i sistemi in maniera semplice e scalabile.
- Latenza ridotta: riduci le tempistiche necessarie per elaborare i dati su una piattaforma cloud e analizzali a livello locale per consentire lo svolgimento di altre attività.
Quali sono gli scenari di utilizzo dell'IA all'edge?
I vantaggi dell'IA all'edge consentono di sfruttare gli scenari di utilizzo in diversi settori.
Edge AI nel settore sanitario
I dispositivi indossabili come smartwatch e fitness tracker possono utilizzare l'intelligenza artificiale all'edge per monitorare i parametri vitali (frequenza cardiaca, livelli di ossigeno) in tempo reale, avvisando gli utenti in caso di irregolarità come aritmie o livelli di stress elevati, senza fare affidamento sull'elaborazione cloud. Gli strumenti diagnostici abilitati all'intelligenza artificiale possono aiutare l'imaging medico analizzando raggi X, risonanza magnetica e altre scansioni mediche all'"edge" di una rete ospedaliera o clinica, fornendo risultati immediati e riducendo la necessità di inviare i dati alla centrale server. L'IA all'edge consente di monitorare da remoto i pazienti delle condizioni a casa, analizzare i dati dei dispositivi medici e avvisare gli operatori sanitari in tempo reale.
Un'analisi di pattern e insight più rapida e precisa consente ai professionisti del settore sanitario di identificare e prevenire rischi per la vita che prima non avrebbero potuto prevenire. L'IA predittiva all'edge può essere un aiuto nella prevenzione precoce di malattie e migliorare l'assistenza ai pazienti nel complesso.
Il settore manifatturiero utilizza l'IA all'edge
Negli stabilimenti di produzione, l'IA predittiva è in grado di monitorare le apparecchiature in tempo reale per rilevare anomalie delle prestazioni e prevedere i guasti meccanici prima che si verifichino. Telecamere e sensori dotati di intelligenza artificiale possono migliorare il controllo qualità ispezionando le linee di produzione per individuare eventuali difetti nei prodotti. L'elaborazione dei dati visivi o sensoriali in locale, anziché in un server centrale remoto, consente di apportare correzioni immediate, riducendo al minimo gli sprechi. La robotica e l'automazione all'edge basate sull'intelligenza artificiale nelle fabbriche possono smistare, confezionare o assemblare, utilizzando i dati in tempo reale provenienti dagli input dei sensori per adattarsi ai cambiamenti ambientali o alla variabilità dei prodotti.
Edge AI al lavoro nelle case intelligenti
Nella vita di tutti i giorni, siamo abituati a utilizzare assistenti vocali in casa per controllare luci, termostati e musica. Questi dispositivi utilizzano l'IA all'edge per elaborare i comandi in locale, riducendo la latenza. Anche l'elaborazione dei comandi in locale senza l'invio a un server centrale migliora la privacy.I sistemi di sicurezza integrati con campanelli intelligenti e telecamere domestiche utilizzano l'intelligenza artificiale all'edge per rilevare i movimenti, riconoscere i volti e avvisare i proprietari di abitazione in caso di attività insolite. L'elaborazione in locale evita la necessità di inviare flussi video continui al cloud, migliorando sia la privacy che l'efficienza. Altri dispositivi per la smart home, come i termostati, utilizzano l'intelligenza artificiale all'edge nella gestione dell'energia. Imparano il comportamento degli utenti e i dati locali per ottimizzare i programmi di riscaldamento/raffreddamento e ridurre il consumo energetico.
Utilizzi dell'IA all'edge nel settore retail
Nel settore della vendita al dettaglio, "smart shelf" utilizzano l'intelligenza artificiale all'edge per la gestione dell'inventario. Telecamere e altri sensori rilevano quando gli articoli sono esauriti o fuori luogo e avvisano il personale di apportare modifiche. Molti rivenditori stanno sperimentando punti vendita senza pagamento, in cui i sistemi di intelligenza artificiale all'edge tengono traccia dei prodotti che i clienti scelgono o restituiscono in tempo reale, elaborando i dati direttamente dai sensori e dalle telecamere in negozio.
L'IA predittiva all'edge può, inoltre, aiutare a capire il comportamento dei clienti. Prevedere come reagiranno alle iniziative può dare indicazioni su come commercializzare i prodotti.
L'IA all'edge è alla base dei veicoli e del traffico
I veicoli autonomi sono essi stessi dispositivi di IA all'edge che si basano sui dati in tempo reale di sensori come telecamere, LIDAR e radar per navigare su strade, rilevare ostacoli e prendere decisioni in una frazione di secondo, invece di affidarsi alle connessioni cloud. Le telecamere e i semafori intelligenti utilizzano l'intelligenza artificiale all'edge per la gestione del traffico analizzando i modelli di traffico in tempo reale, riducendo la congestione e migliorando la sicurezza agli incroci. Edge AI ottimizza anche la gestione della flotta delle società di logistica monitorando le prestazioni dei veicoli, il comportamento dei conducenti e ottimizzando i percorsi di consegna.
Perché scegliere Red Hat?
Red Hat® AI offre un portafoglio di prodotti di IA sviluppati a partire dalle soluzioni che i nostri clienti già conoscono. Grazie a questa base i nostri prodotti sono affidabili, flessibili e scalabili.
Grazie alle soluzioni per l'IA di Red Hat, le organizzazioni possono:
- Adottare l'IA rapidamente per promuovere l'innovazione.
- Semplificare l'erogazione di soluzioni di IA.
- a tutti gli ambienti.
Scalabilità flessibile
Red Hat AI include l'accesso a piattaforme che offrono la flessibilità necessaria per il deployment ovunque.
Red Hat OpenShift® AI è una piattaforma MLOps integrata in grado di gestire il ciclo di vita dei modelli di IA predittiva e generativa. Su questa singola piattaforma puoi scalare le tue applicazioni di IA negli ambienti cloud ibridi.
Inoltre, i nostri consulenti aiutano le aziende a identificare i loro scenari di utilizzo durante lo sviluppo e la distribuzione delle applicazioni di IA e i carichi di lavoro critici.
Panoramica di Red Hat OpenShift AI
Scopri di più su Red Hat OpenShift AI
Il blog ufficiale di Red Hat
Leggi gli articoli del blog di Red Hat per scoprire novità e consigli utili sulle nostre tecnologie, e avere aggiornamenti sul nostro ecosistema di clienti, partner e community.
