Tekoälyä reunalla - Edge AI

Edge AI:n mahdollisuudet ovat lähes rajattomat – sovelluskohteita löytyy älykelloista tuotantolinjoille ja logistiikasta älyrakennuksiin ja -kaupunkeihin. Mitä on Edge AI ja miltä tulevaisuus näyttää?

Yksinkertaistettuna Edge AI tarkoittaa reunalaskennan ja AI:n eli tekoälyn yhdistelmää: tekoälyalgoritmeja prosessoidaan paikallisesti laitteissa ja algoritmit hyödyntävät laitteiden itsensä tuottamaa dataa. Laite pystyy suorittamaan analysoinnin ja tekemään itsenäisiä päätöksiä muutamassa millisekunnissa ilman, että sen tarvitsee olla yhteydessä internetiin tai pilveen.

💡 Reunalaskenta eli edge-laskenta

Samu kirjoitti edge-laskennasta jo aiemmin Advianin blogissa. Edge-laskennalla (englanniksi edge computing) tarkoitetaan lukuisia eri tekniikoita, joilla datan keruu, analyysi, prosessointi ja käsittely tuodaan verkon reunoille. Laskentateho ja datavarasto löytyvät sieltä, missä itse datankeruu tapahtuu. Mikä tarkoittaa ”verkon reuna”? No, riippuu käyttötapauksesta - sillä voidaan tarkoittaa matkapuhelinta, IoT-laitetta, itseajavaa autoa tai vaikkapa mobiiliverkon tukiasemaa.

💡 Tekoäly

Laajasti ajateltuna tekoäly tarkoittaa sitä, että kone jäljittelee inhimillistä päättelykykyä: ongelmanratkaisua tai vaikkapa kielen ymmärtämistä. Tekoälyn voidaan ajatella olevan edistynyttä, usein koneoppimiseen perustuvaa, analytiikkaa yhdistettynä automaatioon. Tämä käytännönläheinen määritelmä kattaakin kaikki nykyiset tekoälysovellukset. Jos tekoälyyn ja analytiikkaan liittyvät termit kiinnostavat, kannattaa käydä lataamassa koostamamme Tekoälysanasto.

drone-edge-ai-devices-1

Edge AI:n voidaan siis ajatella olevan analytiikkaa, joka tapahtuu paikallisesti ja jossa hyödynnetään edistynyttä analytiikkaa (kuten koneoppimista ja tekoälyä), edge-laskentatekniikoita (kuten konenäköä, videoanalytiikkaa ja sensorifuusiota), ja joka vaatii toimiakseen edge-laskennan mahdollistavaa laitteistoa ja elektroniikkaa. Lisäksi tarvitaan usein sijaintianalytiikan (location intelligence) menetelmiä. Edge AI-laitteita voivat olla esimerkiksi älykaiuttimet, puhelimet, tabletit ja kannettavat tietokoneet, robotit, itseajavat autot, dronet ja videoanalytiikkaa hyödyntävät valvontakamerat.

Vaikka pääosa analyysistä ja koneen tekemistä päätöksistä tapahtuukin jo reunalla, suurin hyöty saadaan, kun laitteiden tuottamat havainnot kytketään liiketoiminnan prosesseihin. Reaaliaikaisen laskennan mahdollistamiseksi tarvitaan siksi myös moderneja data-alustoja, jotka pystyvät käsittelemään suuria määriä sijainti- ja streaming-dataa.

Miksi Edge AI:sta kohistaan nyt? 

Edge-laskennan markkinoiden arvellaan kasvavan reipasta miljardivauhtia tulevina vuosina.

Kuten aiemmassa blogissa kerroimme, verrattuna pilvessä tapahtuvaan analyysiin, edge-laskenta mahdollistaa paljon suuremman datamäärän analysoinnin lähes reaaliajassa, poistaa latenssin ja vähentää tiedonsiirron tarvetta. Kun tähän yhdistetään tekoäly, kyseessä on lyömätön kombo. Edge AI nopeuttaa päätöksentekoa, tekee datan käsittelystä turvallisempaa, parantaa käyttökokemusta hyper-personoinnin avulla ja alentaa kustannuksia - esimerkiksi nopeuttamalla prosesseja ja vähentämällä laitteiden energiankulutusta.

Esimerkkinä voisi toimia vaikkapa käsikäyttöinen työkalu tehtaalla, johon on liitetty Edge AI-ohjelmistoa hyödyntävä mikroprosessori. Laitteen akku säilyy pidempään, kun tietoa ei tarvitse lähettää pilveen. Työkalu kerää, prosessoi ja analysoi dataa reaaliajassa, ja työtuntien jälkeen laite lähettää tietoja pilveen myöhempää analyysiä varten. Tekoälyllä varustettu työkalu voi esimerkiksi sammuttaa itse itsensä vaaratilanteen ilmetessä ja ilmoittaa käyttäjälle huollon tarpeesta. Valmistaja taas saa itselleen arvokasta tietoa laitteiden toiminnasta ja voi näin kehittää tuotettaan yhä paremmaksi.

Erityisen paljon hyötyjä Edge AI tuo liikenteen ja kuljetuksen saralla (muun muassa itseajavat autot ja koneet) ja teollisuudessa (mm. ennakoiva huolto, laadunvalvonta, tuotantolinjojen automatisointi ja turvallisuuden valvonta videoanalytiikan avulla).

videoanalytiikka-opas_A

Miltä tulevaisuus näyttää? Vai onko se jo täällä?

Data on muuttoliikkeessä.

Parin vuosikymmenen aikana datakeskuksista on siirrytty pilveen ja pilvilaskennasta verkkojen reunalle. Tutkimusjätti Gartner ennustaa, että vuoteen 2025 mennessä jo 75 prosenttia datasta analysoidaan muualla kuin perinteisissä datakeskuksissa tai pilvessä, kun tällä hetkellä luku on 10 prosenttia.

Edge AI tulee todennäköisesti helpottamaan monia ongelmia, joita nykyiset keskitetyt tietoarkkitehtuurit eivät pysty ratkaisemaan. Edge-laskenta noudattaa jo lähtökohtaisesti ”hajautetun oppimisen” (federated learning) periaatteita, mutta useimmat nykyiset koneoppimisen ja tekoälyn metodit toimivat edelleen sillä oletuksella, että laskenta tapahtuu keskitetysti. Seuraavassa blogissa käymme tarkemmin läpi, miten Edge AI toimii ja mitä haasteita sen hyödyntämiseen liittyy.

Kun volyymit kasvavat, datan käsittelyyn ja tehokkaaseen analysointiin tarvitaan uusia innovatiivisia tapoja. Viime vuonna International Data Corporation (IDC) kurkkasi kristallipalloon ja ennusti, että vuoteen 2025 mennessä yli 41,6 miljardia IoT-laitetta olisi yhdistettynä verkkoon – yhteensä laitteet tuottaisivat jopa 79,4 zetatavua dataa. Suuren osan tästä tuottavat muun muassa erilaiset kameravalvontaan suunnitellut applikaatiot. Dataa syntyy niin paljon, ettei jälkikäteen tapahtuva analyysi millään riitä - tarvitaan reaaliaikaista videoanalytiikkaa. 

 

 

Kiinnostaako Edgen hyödyntäminen omassa liiketoiminnassasi?

Varaa puolen tunnin keskustelu asiantuntijamme kanssa helposti tästä 👇

 

 

Avainsanat: Tekoäly, Edistynyt analytiikka, Videoanalytiikka, Edge-analytiikka, Location Intelligence, Edge AI

TILAA TUOREET ARTIKKELIT

Opi rakentamaan epäreilua kilpailuetua tiedolla johtamisella ja sijaintitiedolla.

Uudet blogiartikkelit sähköpostiisi heti julkaisupäivänä:

Ratkaisut

Valikoituja näytteitä tiedoistamme ja taidoistamme