IBM研究技術(shù)使邊緣人工智能應(yīng)用可以擴(kuò)展

邊緣計(jì)算是推動技術(shù)領(lǐng)域發(fā)展耐人尋味的話題之一。試圖將計(jì)算任務(wù)分布在多個地點(diǎn)，然后將這些不同的努力協(xié)調(diào)成一個有凝聚力的、有意義的整體，比它最初看起來要難得多。當(dāng)試圖將小型概念驗(yàn)證項(xiàng)目擴(kuò)展到全面生產(chǎn)時，這一點(diǎn)尤其真實(shí)。

幾年來，IBM研究小組一直在努力幫助克服其中的一些挑戰(zhàn)。最近，他們已經(jīng)開始看到在汽車制造等工業(yè)環(huán)境中通過采取不同的方法來解決問題而獲得成功。特別是，該公司一直在重新思考如何在各個邊緣地點(diǎn)分析數(shù)據(jù)，以及如何與其他地點(diǎn)共享人工智能模型。

例如，在汽車制造廠，大多數(shù)公司已經(jīng)開始使用人工智能驅(qū)動的視覺檢查模型，幫助發(fā)現(xiàn)人類可能難以識別或成本太高的制造缺陷。例如，使用像IBM Maximo應(yīng)用套件的視覺檢查解決方案工具，既可以幫助汽車制造商在避免缺陷方面節(jié)省大量資金，又可以使制造線盡可能快地運(yùn)行。鑒于許多汽車公司最近面臨供應(yīng)鏈的限制，這一點(diǎn)最近變得尤為關(guān)鍵。

然而，真正的訣竅是進(jìn)入解決方案的零缺陷方面，因?yàn)榛阱e誤解釋數(shù)據(jù)的不一致結(jié)果實(shí)際上會產(chǎn)生相反的效果，特別是如果這種錯誤的數(shù)據(jù)最終通過不準(zhǔn)確的人工智能模型頒布到多個制造基地。為了避免昂貴和不必要的生產(chǎn)線停工，關(guān)鍵是要確保只有適當(dāng)?shù)臄?shù)據(jù)被用來生成人工智能模型，并定期檢查模型本身的準(zhǔn)確性，以避免錯誤標(biāo)記的數(shù)據(jù)可能造成的任何缺陷。

這種對人工智能模型的"重新校準(zhǔn)"是IBM研究院帶給制造商帶來的福音。IBM正在研究他們稱之為"超出分布"（OOD）的算法，它可以幫助確定用于完善視覺模型的數(shù)據(jù)是否超出了可接受的范圍，避免模型對傳入的數(shù)據(jù)進(jìn)行不準(zhǔn)確的推斷。最重要的是，它是在自動化基礎(chǔ)上進(jìn)行這項(xiàng)工作，以避免人工貼標(biāo)工作所帶來的減速，并使這項(xiàng)工作能夠在多個生產(chǎn)基地進(jìn)行擴(kuò)展。

OOD檢測的一個副產(chǎn)品，稱為數(shù)據(jù)匯總，是選擇數(shù)據(jù)進(jìn)行人工檢查、標(biāo)記和更新模型的能力。事實(shí)上，IBM正在努力將目前許多早期邊緣計(jì)算部署的數(shù)據(jù)流量減少10-100倍。此外，這種方法通過消除多余的數(shù)據(jù)，使人工檢查和標(biāo)記的時間利用率提高了10倍。結(jié)合OFA（Once For All）模型架構(gòu)探索等最先進(jìn)的技術(shù)，該公司希望將模型的大小也減少100倍之多。這使得邊緣計(jì)算的部署更加高效。