เวลาพูดถึง AI หลายคนนึกถึงโมเดลขนาดใหญ่ที่ทำงานอยู่บนคลาวด์ แต่อีกกระแสที่เติบโตเร็วไม่แพ้กันคือ Edge AI หรือการให้ AI ประมวลผลบนตัวอุปกรณ์เอง ไม่ว่าจะเป็นกล้อง เซนเซอร์ IoT หรือสมาร์ทโฟน แทนที่จะส่งข้อมูลทั้งหมดขึ้นไปคิดบนเซิร์ฟเวอร์
ทำไม Edge AI ถึงมาแรง
- ฮาร์ดแวร์พร้อมขึ้น สมาร์ทโฟนและบอร์ดสำหรับงาน IoT รุ่นใหม่จำนวนมากมีหน่วยประมวลผลสำหรับงาน AI (NPU) ในตัว
- โมเดลเล็กลงแต่เก่งขึ้น เทคนิคอย่างการบีบอัดโมเดล (quantization) และการสอนโมเดลเล็กจากโมเดลใหญ่ (distillation) ทำให้โมเดลที่รันบนอุปกรณ์ได้มีความสามารถสูงขึ้นมาก
- ความเป็นส่วนตัว ภาพหรือเสียงไม่ต้องออกจากตัวอุปกรณ์ ส่งออกไปเพียงผลการวิเคราะห์
ข้อดีที่จับต้องได้
ตอบสนองเร็ว
ไม่ต้องรอส่งข้อมูลไปกลับเซิร์ฟเวอร์ งานที่ต้องตัดสินใจทันที เช่น แจ้งเตือนเหตุผิดปกติหน้างาน จึงทำได้ในเสี้ยววินาที และยังทำงานต่อได้แม้อินเทอร์เน็ตขัดข้อง
ประหยัดแบนด์วิดท์และค่าใช้จ่าย
กล้องหนึ่งตัวที่ส่งวิดีโอขึ้นคลาวด์ตลอดวันใช้ข้อมูลมหาศาล ถ้าวิเคราะห์บนอุปกรณ์แล้วส่งเฉพาะเหตุการณ์ที่สำคัญ ปริมาณข้อมูลจะลดลงอย่างมาก เหมาะกับจุดติดตั้งที่ใช้ซิมการ์ดหรือเครือข่ายจำกัด
ตัวอย่างการใช้งาน
- กล้องจราจรและความปลอดภัย นับรถ ตรวจจับเหตุ แล้วส่งเฉพาะภาพเหตุการณ์และสถิติ
- เครื่องจักรในโรงงาน ฟังเสียงหรือวัดแรงสั่นสะเทือน เพื่อจับสัญญาณก่อนเครื่องเสีย (predictive maintenance)
- สถานีตรวจวัดสิ่งแวดล้อม คัดกรองค่าที่ผิดปกติจากเซนเซอร์ก่อนส่ง เพื่อให้ข้อมูลที่ถึงระบบกลางน่าเชื่อถือขึ้น
- แอปบนมือถือ อ่านเอกสาร สแกนข้อความ หรือแปลภาษาได้แม้ไม่มีอินเทอร์เน็ต
ข้อจำกัดที่ควรรู้
โมเดลบนอุปกรณ์ยังเล็กกว่าโมเดลบนคลาวด์ งานที่ซับซ้อนมากจึงยังต้องพึ่งเซิร์ฟเวอร์ อีกเรื่องสำคัญคือการดูแลอุปกรณ์จำนวนมาก ทั้งการอัปเดตโมเดลจากระยะไกลและความปลอดภัยของตัวเครื่อง
ระบบที่ดีส่วนใหญ่จึงเป็นแบบผสม: ให้อุปกรณ์คัดกรองและตัดสินใจเรื่องเร่งด่วน ส่วนคลาวด์รวบรวมข้อมูล วิเคราะห์ภาพรวม และปรับปรุงโมเดล
กะทิ สตูดิโอ พัฒนาทั้งอุปกรณ์ IoT แอปพลิเคชัน และระบบหลังบ้าน หากคุณมีโจทย์ที่ต้องการให้ข้อมูลจากหน้างานฉลาดขึ้น เราพร้อมช่วยออกแบบตั้งแต่ตัวอุปกรณ์ไปจนถึงแดชบอร์ด