3 dicas a serem consideradas antes de implantar

À medida que a inteligência artificial (IA) amadurece, a adoção continua a aumentar. De acordo com pesquisas recentes, 35% das organizações estão usando IA, com 42% explorando seu potencial. Embora a IA seja bem compreendida e fortemente implantada na nuvem, ela permanece incipiente na borda e tem alguns desafios únicos.

Muitos usam a IA ao longo do dia, desde a navegação em carros até o rastreamento de etapas e a conversa com assistentes digitais. Mesmo que um usuário e esses serviços com frequência em um dispositivo móvel, os resultados da computação residem nos usos da IA ​​na nuvem. Mais especificamente, uma pessoa solicita informações e essa solicitação é processada por um modelo de aprendizado central na nuvem, que envia os resultados de volta ao dispositivo local da pessoa.

A IA na borda é menos compreendida e implantada com menos frequência do que a IA na nuvem. Desde o início, os algoritmos e inovações de IA se basearam em uma suposição fundamental – que todos os dados podem ser enviados para um local central. Nesta localização central, um algoritmo tem o completo aos dados. Isso permite que o algoritmo construa sua inteligência como um cérebro ou sistema nervoso central, com total autoridade em computação e dados.

Mas, a IA na borda é diferente. Ele distribui a inteligência por todas as células e nervos. Ao levar a inteligência ao limite, damos agência a esses dispositivos de ponta. Isso é essencial em muitas aplicações e domínios, como saúde e fabricação industrial.

VEJO: Política de Ética em Inteligência Artificial (TechRepublic )

Motivos para implantar IA na borda

Existem três razões principais para implantar a IA na borda.

Protegendo informações de identificação pessoal (PII)

Primeiro, algumas organizações que lidam com PII ou IP sensível (propriedade intelectual) preferem deixar os dados onde eles se originam – na máquina de imagem do hospital ou em uma máquina de fabricação no chão de fábrica. Isso pode reduzir o risco de “excursões” ou “vazamento” que podem ocorrer ao transmitir dados em uma rede.

Minimizando o uso da largura de banda

O segundo é um problema de largura de banda. O envio de grandes quantidades de dados da borda para a nuvem pode obstruir a rede e, em alguns casos, é impraticável. Não é incomum que uma máquina de imagem em um ambiente de integridade gere arquivos tão grandes que não seja possível transferi-los para a nuvem ou levaria dias para concluir essa transferência.

Pode ser mais eficiente simplesmente processar os dados na borda, especialmente se os insights forem direcionados para melhorar uma máquina proprietária. No ado, a computação era muito mais difícil de mover e manter, garantindo a movimentação desses dados para o local de computação. Esse paradigma agora está sendo desafiado, onde agora os dados geralmente são mais importantes e mais difíceis de gerenciar, levando a casos de uso que justificam a movimentação da computação para o local dos dados.

Evitando latência

A terceira razão para implantar a IA na borda é a latência. A internet é rápida, mas não é em tempo real. Se houver um caso em que os milissegundos sejam importantes, como um braço robótico auxiliando em uma cirurgia ou uma linha de fabricação sensível ao tempo, uma organização pode decidir executar a IA na borda.

Desafios com a IA no limite e como resolvê-los

Apesar dos benefícios, ainda existem alguns desafios únicos para implantar a IA na borda. Aqui estão algumas dicas que você deve considerar para ajudar a enfrentar esses desafios.

Resultados bons versus ruins no treinamento de modelos

A maioria das técnicas de IA usa grandes quantidades de dados para treinar um modelo. No entanto, isso geralmente se torna mais difícil em casos de uso industrial na borda, onde a maioria dos produtos fabricados não é defeituosa e, portanto, marcada ou anotada como boa. O desequilíbrio resultante de “bons resultados” versus “maus resultados” torna mais difícil para os modelos aprenderem a reconhecer problemas.

As soluções de IA pura que dependem da classificação de dados sem informações contextuais geralmente não são fáceis de criar e implantar devido à falta de dados rotulados e até mesmo à ocorrência de eventos raros. Adicionar contexto à IA – ou o que é chamado de abordagem centrada em dados – geralmente paga dividendos em precisão e escala da solução final. A verdade é que, embora a IA possa frequentemente substituir tarefas mundanas que os humanos fazem manualmente, ela se beneficia tremendamente da percepção humana ao montar um modelo, especialmente quando não há muitos dados para trabalhar.

Obter o compromisso inicial de um especialista experiente no assunto para trabalhar em estreita colaboração com os cientistas de dados que criam o algoritmo dá à IA um impulso inicial no aprendizado.

A IA não pode magicamente resolver ou fornecer respostas para todos os problemas

Muitas vezes, há muitas etapas que entram em uma saída. Por exemplo, pode haver muitas estações em um chão de fábrica e elas podem ser interdependentes. A umidade em uma área da fábrica durante um processo pode afetar os resultados de outro processo posterior na linha de fabricação em uma área diferente.

As pessoas geralmente assumem que a IA pode magicamente juntar todos esses relacionamentos. Embora em muitos casos isso possa acontecer, provavelmente também exigirá muitos dados e muito tempo para coletar os dados, resultando em um algoritmo muito complexo que não a explicabilidade e atualizações.

A IA não pode viver no vácuo. Capturar essas interdependências ultraará os limites de uma solução simples para uma solução que pode ser dimensionada ao longo do tempo e em diferentes implantações.

A falta de adesão das partes interessadas pode limitar a escala da IA

É difícil escalar a IA em uma organização se um monte de pessoas na organização são céticas em relação aos benefícios dela. A melhor (e talvez a única) maneira de obter ampla adesão é começar com um problema difícil e de alto valor e resolvê-lo com IA.

Na Audi, consideramos a frequência de troca dos eletrodos nas pistolas de soldagem. Mas os eletrodos eram de baixo custo, e isso não eliminou nenhuma das tarefas mundanas que os humanos estavam fazendo. Em vez disso, eles escolheram o processo de soldagem, um problema difícil universalmente aceito para toda a indústria e melhoraram drasticamente a qualidade do processo por meio da IA. Isso acendeu a imaginação dos engenheiros de toda a empresa para investigar como eles poderiam usar a IA em outros processos, melhorando a eficiência e a qualidade.

Equilibrando os benefícios e os desafios da IA ​​de ponta

A implantação da IA ​​na borda pode ajudar as organizações e suas equipes. Ele tem o potencial de transformar uma instalação em uma borda inteligente, melhorando a qualidade, otimizando o processo de fabricação e inspirando desenvolvedores e engenheiros em toda a organização a explorar como eles podem incorporar IA ou avançar casos de uso de IA para incluir análises preditivas, recomendações para melhorar a eficiência ou detecção de anomalia. Mas também apresenta novos desafios. Como indústria, devemos ser capazes de implantá-lo reduzindo a latência, aumentando a privacidade, protegendo o IP e mantendo a rede funcionando sem problemas.