Вы хотите усилить безопасность, снизить затраты и быстрее принимать решения на основе данных? Тогда вы можете рассмотреть возможность машинного обучения на периферии (edge ​​ML).

Вкратце, Edge ML — это машинное обучение, применяемое к устройству, которое собирает данные, или рядом с ним. Облачное машинное обучение обычно сопряжено с большими затратами на облачные вычисления, в то время как пограничное машинное обучение может сэкономить как пропускную способность, так и расходы. Узнайте больше о преимуществах задач граничного машинного обучения.

Самым слабым местом в любой настройке периферийного машинного обучения обычно являются конечные точки данных. Независимо от того, работаете ли вы с коботами на производственной линии, камерами видеонаблюдения или истребителями, большинство ресурсов в каждом подразделении используются для целей, отличных от машинного обучения. Это привело нас к созданию модели бережливого развертывания для периферийного машинного обучения, которая делает промышленный ИИ более быстрым и широко доступным для каждой организации.

Wallaroo SDK — простой и быстрый производственный ИИ

Мы объединили фирменную молниеносную обработку машинного обучения Wallaroo с надежным и высокодоступным Kubernetes, чтобы вы могли внедрить передовое периферийное машинное обучение на любое устройство — даже с минимальным объемом оперативной памяти. Мы поместили все необходимое в Wallaroo SDK и API.

С нашим облегченным стеком Kubernetes вы можете настроить машинное обучение автономно или с периферийным подключением. Вы также можете запускать автономное машинное обучение в средах, где редко есть подключение к Интернету. Это могут быть среды глубоко под землей, в международных водах или с такой высокой степенью безопасности, что они не могут быть напрямую подключены к Интернету. Некоторые из вариантов использования, которые мы видели:

  • Военные суда, такие как подводные лодки и истребители, каждый день генерируют петабайты данных IoT с ограниченным доступом в Интернет — по практическим соображениям, а также по соображениям безопасности.
  • Вывод на основе данных, собранных вокруг коботов или на них в производственных условиях с высоким уровнем безопасности.
  • Сценарии безопасности для автономных транспортных средств, которые должны иметь возможность запускать машинное обучение и либо продолжать движение, несмотря на разрывы в интернет-соединении, либо принимать меры в пробках, чтобы избежать опасных ситуаций.

Когда пограничное развертывание завершено, полученные данные можно загрузить для централизованного ведения журнала и обучения. Облегченные контейнеры Kubernetes быстрее переносятся и, следовательно, имеют меньший риск воздействия.

Вы можете использовать Wallaroo API и SDK для всех своих периферийных развертываний. Даже если вы строите сложный пайплайн, проводите A/B-тесты или другие эксперименты в периферийных средах. Одна из любимых особенностей наших клиентов в использовании нашего решения для периферийного машинного обучения заключается в том, что они могут легко воспроизводить целые конвейеры и журналы аудита.

Развертывание, масштабирование и распространение в одном месте

Если вы планируете развернуть периферийное машинное обучение в среде, которая в основном подключена к облаку, ваш централизованный кластер Wallaroo выполнит большую часть работы. Кластерная технология также является легкой — обычно используется KubeEdge — для снижения затрат на членство.

Вы можете развертывать, масштабировать и распространять модели, а также управлять полным журналом с одной централизованной платформы.

Кроме того, поскольку стек Wallaroo Edge построен с минимальными зависимостями и минимальными размерами, вы, наконец, можете перестать беспокоиться об обычных узких местах в вашей системе, таких как ограниченная емкость в ваших конечных точках данных или ограниченная пропускная способность для передачи данных.

Wallaroo также работает там, где не может быть облачного подключения.

Есть больше сред, которые не могут быть подключены к Интернету, чем мы перечислили выше. Будь то по практическим соображениям или по соображениям безопасности, Wallaroo поможет вам. Вы можете развернуть наше решение для периферийного машинного обучения отдельно, также известное как изолированное. Просто загрузите программное обеспечение на USB-накопитель или другой отдельный накопитель и отправьте специалиста для настройки узла Wallaroo Edge на месте.

Запускайте пограничные узлы под управлением или без управления в соответствии с вашим сценарием.

В этом случае стек Wallaroo будет скомпилирован в один двоичный файл, предоставляющий полный API Wallaroo и SDK. Из этой версии вы можете скомпилировать наш популярный стек Kubernetes, чтобы запустить и запустить управляемый узел Edge.

В случае неуправляемого пограничного использования вы выполняете большую часть работы. Всю автоматизацию, управление моделями, пайплайнами и логами нужно делать отдельно. Вы можете следить за каталогами файловой системы, чтобы легко развертывать модели и конвейеры.

Вам интересно, как наше решение будет работать для вашего варианта использования периферийного машинного обучения? Свяжитесь с нами для демонстрации и ответов на все ваши вопросы.