17.02.2023  Экспертиза, Безопасность, Интернет, Искусственный интеллект, Менеджмент

На периферии важное значение имеет задержка, а для эффективной работы искусственного интеллекта и машинного обучения требуется много данных. О том, что это значит для рабочих нагрузок ИИ/МО, рассказывают опрошенные порталом Enterprisers Project эксперты. Периферия имеет значение там, где важна задержка, и наоборот. А задержка почти всегда имеет значение, когда речь идет о рабочих нагрузках ИИ/МО. «Хороший ИИ требует данных. Великому ИИ требуется много данных, и он требует их немедленно», — говорит Брайан Сатианатан, технический директор Iterate.ai. Это одновременно и благословение, и проклятие для любого сектора — промышленный и производственный являются яркими примерами, — но данный принцип применим во всех отраслях бизнеса, генерирующего тонны машинных данных вне своих централизованных облаков или дата-центров и намеревающегося передавать их в модель MО или другую форму автоматизации для любых целей. Работаете ли вы с данными IoT на заводе или с данными медицинской диагностики в учреждении здравоохранения — или с одним из многих других сценариев, в которых применяются ИИ/МО, — вы, вероятно, не сможете делать это оптимально, если будете пытаться отправлять все (или почти все) данные по кругу от периферии до облака и обратно. Более того, если вы имеете дело с огромными объемами данных, ваша затея может так и не начаться. «Я видел ситуации на производстве, когда „слишком много“ данных проходит от робота в цеху через локальную сеть, затем в облако и обратно, — рассказывает ... читать далее.