Uç bilişim, veri işleme metodolojilerinde temel bir değişimi temsil ederek hesaplamayı merkezi bulut bilişim sunucularından uzaklaştırır ve verilerin üretildiği fiziksel konuma, yani ağın "ucuna" yaklaştırır. Uç bilişim, ham verileri analiz için potansiyel olarak uzun mesafeler boyunca bir veri merkezine veya buluta iletmek yerine, hesaplamaları yerinde gerçekleştirmek için yerel cihazlardan, ağ geçitlerinden veya sunuculardan yararlanır. Bu dağıtılmış bilgi işlem paradigması, ağ bağlantısı kesintili olduğunda bile düşük çıkarım gecikmesi, ağ bant genişliğinin verimli kullanımı, gelişmiş veri güvenliği ve operasyonel esneklik gerektiren uygulamalar için gereklidir. Temel makine öğrenimi (ML) kavramlarına aşina olan kullanıcılar için uç bilişim, modelleri dağıtmak ve bunları doğrudan verilerin kaynaklandığı yerde yürütmek için gerekli altyapıyı sağlar.
Uç Bilişim Yapay Zeka/ML için Neden Önemlidir?
Uç bilişim, Yapay Zeka (AI) ve Makine Öğrenimi için, özellikle de bilgisayarla görme (CV) alanında özellikle dönüştürücüdür. Görüntü veya video akışı analizi içerenler gibi birçok yapay zeka uygulaması, zamanında karar vermeyi sağlamak için sensör verilerinin anında işlenmesini gerektirir. Büyük hacimli verilerin buluta gönderilmesi, gerçek zamanlı çıkarım gerektiren senaryolar için genellikle kabul edilemez olan gecikmelere(latency) neden olur. Edge bilişim, aşağıdaki gibi sofistike nesne algılama modelleri de dahil olmak üzere makine öğrenimi modellerine izin vererek bu zorluğu doğrudan ele alır Ultralytics YOLOdoğrudan veri kaynağının üzerinde veya yakınında çalışmasını sağlar. Bu, yanıt sürelerini önemli ölçüde azaltır, ağ bant genişliğini korur ve hassas bilgileri yerel tutarak GDPR gibi düzenlemelerle uyumlu hale getirerek veri gizliliğini önemli ölçüde artırabilir. NVIDIA Jetson serisi gibi özel GPU 'lar ve uç cihazlar için özel olarak tasarlanmış TPU 'lar (ör. Google Coral Edge TPU) gibi hızlandırıcılar gibi güçlü ancak enerji tasarruflu donanımların gelişmesi bu eğilimi daha da güçlendirmektedir. Bilgisayarla görme uygulamalarının uç yapay zeka cihazlarına dağıtılması hakkında daha fazla bilgi edinebilirsiniz.
Uç Bilişim ve Uç Yapay Zeka
Edge Computing ile Edge AI arasında ayrım yapmak önemlidir.
- Uç Bilişim: Hesaplama görevlerini veri kaynağına yaklaştırmaya yönelik daha geniş bir altyapı ve uygulamayı ifade eder. Dağıtık işleme için gereken donanım (uç cihazlar, sunucular, ağ geçitleri), ağ ve yönetim sistemlerini kapsar. Bunu sahne olarak düşünün.
- Edge AI: Özellikle AI ve ML algoritmalarının doğrudan bu uç cihazlarda çalıştırılmasını içerir. Çıkarım gibi görevleri yerel olarak gerçekleştirmek için uç bilişim altyapısından yararlanır. Edge AI sahnede gerçekleşen performanstır.
Esasen Edge AI, uç bilişim paradigmasının bir alt kümesi veya belirli bir uygulamasıdır ve AI yeteneklerini merkezi veri merkezlerinin dışında dağıtmaya odaklanır. Gerçek dünyadaki Edge AI uygulamalarını daha ayrıntılı olarak keşfedebilirsiniz.
Gerçek Dünya Yapay Zeka/ML Uygulamaları
Uç bilişim, yerel işlemeye dayanan çok çeşitli yenilikçi AI/ML uygulamalarına olanak tanır:
- Otonom Araçlar: Kendi kendine giden araçlar, navigasyon, engellerden kaçınma ve karar verme için sensör verilerinin (kameralar, LiDAR) anlık olarak işlenmesini gerektirir. Buluta güvenmek kabul edilemez bir gecikmeye yol açacaktır. Uç bilişim, Tesla veya Waymo tarafından geliştirilenler gibi araçların güvenli çalışma için kritik yapay zeka hesaplamalarını yerleşik olarak gerçekleştirmesine olanak tanır. Ultralytics modeller Otomotiv çözümlerinde yapay zekada rol oynayabilir.
- Akıllı Üretim: Fabrikalarda, kameralar ve yapay zeka modelleri ile donatılmış uç cihazlar YOLO11 üretim hatlarında gerçek zamanlı kalite denetimi gerçekleştirebilir, kusurları anında tespit edebilir, işçi güvenliğini izleyebilir ve buluta büyük miktarda video verisi göndermeden süreçleri optimize edebilir. Bu, verimliliği artırır ve anında müdahaleye olanak tanır. Yapay zekanın üretimi nasıl geliştirdiğini keşfedin.
- Sağlık Hizmetlerinde Yapay Zeka: Uç bilişim, giyilebilir sensörler veya oda içi kameralar kullanarak gerçek zamanlı hasta izleme, yerel cihazlarda tıbbi görüntüleme verilerinin anında analiz edilmesini sağlar ve prosedürler sırasında anında geri bildirim sağlayan akıllı tıbbi araçlara güç vererek hasta bakımını ve veri gizliliğini artırır.
- Perakende Analitiği: Mağazalar, daha akıllı perakende envanter yönetimi için uç cihazları kullanıyor, yerleşim optimizasyonu için kameralar aracılığıyla müşteri davranışlarını anonim olarak analiz ediyor ve Amazon Go gibi kasiyersiz ödeme sistemlerini güçlendiriyor.
Edge Dağıtımı için Dikkat Edilmesi Gereken Temel Hususlar
Uçta yapay zeka modellerini başarılı bir şekilde dağıtmak genellikle belirli teknikler ve araçlar gerektirir:
- Model Optimizasyonu: Model niceleme ve model budama gibi teknikler, model boyutunu ve hesaplama gereksinimlerini azaltmak ve kaynak kısıtlı uç donanımlarda verimli bir şekilde çalışmasını sağlamak için çok önemlidir. Gibi çerçeveler TensorRT ve OpenVINO modelleri belirli donanımlar için optimize etmeye yardımcı olur.
- Donanım Seçimi: Doğru uç cihazın(Raspberry Pi, NVIDIA Jetson, Google Coral) seçilmesi uygulamanın performans ihtiyaçlarına, güç bütçesine ve çevresel koşullara bağlıdır.
- Yönetim ve Orkestrasyon: Potansiyel olarak binlerce dağıtılmış uç cihazı yönetmek, dağıtım, izleme ve güncellemeler için sağlam araçlar gerektirir ve genellikle uç için uyarlanmış Kubernetes(K3s, MicroK8s) gibi platformları veya Ultralytics HUB gibi özel MLOps platformlarını içerir.
- Güvenlik: Uç işleme veri gizliliğini artırabilirken, uç cihazların kendileri de güvenli önyükleme, şifreli iletişim ve erişim kontrolü yoluyla dikkatli bir şekilde yönetilmesi gereken yeni güvenlik açıkları sunabilir. En iyi güvenlik uygulamaları hakkında daha fazla bilgi edinebilirsiniz.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
.webp)
