L'informatique en périphérie représente un changement dans la façon dont les données sont traitées, en éloignant les calculs des serveurs centralisés de l 'informatique en nuage et en les rapprochant de l'emplacement physique où les données sont générées - la "périphérie" du réseau. Au lieu d'envoyer des données brutes sur de longues distances vers un centre de données ou un nuage pour les analyser, l'informatique en périphérie utilise des appareils, des passerelles ou des serveurs locaux pour effectuer des calculs sur place. Ce paradigme d'informatique distribuée est crucial pour les applications exigeant une faible latence, une grande efficacité de la bande passante, une sécurité renforcée et une continuité opérationnelle même avec une connectivité réseau intermittente. Pour les utilisateurs familiers avec les concepts de base de l 'apprentissage machine (ML), l'informatique en périphérie fournit l'infrastructure nécessaire pour déployer et exécuter des modèles directement là où les données proviennent.
Applications IA/ML dans le monde réel
L'informatique en périphérie permet de mettre en œuvre un large éventail d'applications innovantes en matière d'IA/ML :
- Véhicules autonomes: Les voitures utilisent l'edge computing pour traiter les données des caméras, du LiDAR et d'autres capteurs en temps réel. Cela permet de détecter immédiatement les objets, de planifier la trajectoire et d'éviter les collisions sans dépendre d'une connexion au cloud potentiellement lente ou indisponible. Explore plus en détail les solutions d'IA dans l'automobile.
- IoT industriel et fabrication intelligente: Les usines déploient des appareils de périphérie pour surveiller les machines à l'aide de la vision par ordinateur pour l'inspection de la qualité ou la maintenance prédictive. L'analyse des données des capteurs au niveau local permet des alertes et des ajustements instantanés, ce qui améliore l'efficacité et la sécurité. En savoir plus sur l'IA dans la fabrication.
- Commerce de détail intelligent: Les appareils Edge analysent les flux des caméras dans les magasins pour la surveillance des rayons, l'analyse du comportement des clients ou la gestion des files d'attente, optimisant ainsi les opérations sans transmettre de nombreuses séquences vidéo. Découvre comment l'IA peut être utilisée pour une gestion plus intelligente des stocks dans le commerce de détail.
- Surveillance des soins de santé: Les appareils portables et les moniteurs de chevet peuvent utiliser l'edge computing pour analyser les signes vitaux localement, en fournissant des alertes immédiates en cas de conditions critiques, améliorant ainsi les soins aux patients, comme nous l'avons vu dans Vision AI in healthcare.
Edge Computing vs. termes apparentés
- L'informatique en nuage: La principale différence réside dans l'emplacement du calcul. L'informatique en nuage s'appuie sur des centres de données centralisés et distants offrant une vaste évolutivité et un vaste stockage, idéal pour l'entraînement de grands modèles ML ou le traitement par lots. L'Edge computing se concentre sur le traitement décentralisé et local pour les besoins à faible latence et en temps réel. Souvent, une approche hybride est utilisée, où les modèles sont formés dans le cloud et déployés à la périphérie pour l'inférence. Découvre les options de formation des modèles dans le cloud avec Ultralytics HUB.
- Edge AI: bien qu'étroitement liée, l 'Edge AI fait spécifiquement référence à l'exécution d'algorithmes d'IA et de modèles ML directement sur les appareils de périphérie. L'Edge computing fournit l'infrastructure plus large (matériel, réseau, capacités de traitement) qui permet l'Edge AI. Considère l'edge computing comme la scène, et l'Edge AI comme la performance qui se produit sur cette scène. En savoir plus sur la façon dont l'Edge AI et l'edge computing alimentent l'intelligence en temps réel.
- Fog Computing (informatique dans le brouillard) : Souvent utilisé de façon interchangeable avec le edge computing, le fog computing fait généralement référence à une couche de ressources de calcul située entre l'extreme edge (appareils) et le cloud centralisé, agissant comme un hub de traitement intermédiaire. L'edge computing est généralement considéré comme un concept plus large englobant le calcul n'importe où en dehors du nuage central.
Technologies habilitantes
Le déploiement efficace de modèles ML à la périphérie nécessite souvent des optimisations matérielles et logicielles spécifiques.
L'Edge computing est fondamental pour libérer le potentiel de l'IA et de la ML en temps réel dans diverses industries, en permettant des applications intelligentes plus rapides, plus efficaces et plus privées directement là où elles sont le plus nécessaires.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
AR
TR
VI
