На этом мероприятии мы: исследуем, как лучше использовать данные с периферии для ускорения принятия решений, покажем, когда следует использовать ИИ в облаке, локальной инфраструктуре и на периферии, поделимся практическими советами по достижению целей ИИ в стратегии передовых технологий.
Итак, начнем разговор о набирающей обороты тенденции внедрения ИИ на периферии AGI и о том, как преодолеть некоторые из наиболее вероятных проблем, с которыми можно столкнуться на этом пути.
В мероприятии будут участвовать Вячеслав Елагин, он отвечает за продажи высокопроизводительных вычислительных систем и систем ИИ в российском офисе HP Enterprise, Arti Garg руководительница отдела передовых решений и технологий ИИ HP Enterprise и Ian Hughes - старший аналитик группы 451 Research компании SNP Global Market Intelligens.
Что такое ИИ на периферии и какие тенденции вы наблюдаете в его внедрении?
Arti Garg:
Если честно, это явление определено не точно. Об ИИ на периферии ведется много разговоров, но многие неверно понимают, что такое сама периферия. Если говорить коротко о периферии в контексте ИИ, я бы назвала ее местом развертывания инфраструктуры, которая выходит за пределы контролируемой среды ЦОД.
Чем дальше от центра обработки данных, тем больше появляется новых требований к инфраструктуре, необходимой для поддержки рабочих задач ИИ. Эти задачи становятся приложениями периферии, некоторые из которых будут иметь более высокие требования и будут связаны с окружающими факторами в большей степени, чем другие. Когда вы задумываетесь над этим, вы думаете о большом количестве внедрений, выполняемых клиентами, о том, где на периферии они развертывают решения ИИ. Объясню это на двух примерах. Один из них периферийный центр обработки данных с функциями ИИ, который лишь с натяжкой можно назвать контролируемой средой или ИТ-центром, и который расположен в здании, где нет возможности жестко контролировать температуру и другие показатели окружающей среды. Это один вид периферии. Это направление быстро развивается, поскольку компании хотят иметь ресурсы ИИ под рукой, там, где предпринимаются действия и принимаются решения. Я также думаю, что решение развернуть ИИ и среды, которые по вашему мнению вы не сможете видеть и контролировать, например, в автомобиле, может показаться экстремальным. Думаю, это удивительное, но специфическое применение ИИ и инфраструктуры ИИ, которое, возможно, скоро станет масштабной тенденцией. Приложение дальней периферии обладает характеристиками машинного зрения, и в этой сфере модели значительно усложняются, а оборудование и ПО становятся все более совершенными, позволяя поддерживать широкие возможности машинного зрения и видеоаналитики в относительно небольшом пространстве с невысоким энергопотреблением. Я считаю, что с ИИ на периферии связано множество удивительных свершений. Теперь слово Йену, чтобы подробнее поговорить о наблюдаемых тенденциях.
Ian Hughes:
Компания 451 провела ряд опросов, включая опрос Voice the Enterprise, посвященный пространству Интернета вещей, поскольку существует неразрывная связь между инструментарием Интернета вещей и необходимостью обработки данных. И, как правило, мы становимся свидетелями сценариев, в которых на периферии происходит все больше и больше событий.
Мы наблюдаем за людьми, работающими с ИИ. Мы называем их приверженцами ИИ, и, я думаю, что эта технология и эти люди произведут радикальный переворот в принципах работы на предприятиях. Эта тенденция активно задействует периферию, поскольку она находится близко к месту генерации данных, и при их обработке обеспечивает максимальную ценность информации.
Это не означает, что вся периферия должна оснащаться решениями ИИ, это не означает, что все облака должны быть лишены ИИ, но между этими сферами существует тесная преемственность. То же самое касается подхода цифровой инфраструктуры: многие специалисты, которые являются ярыми приверженцами ИИ, обычно стремятся интегрировать ресурсы локальной среды с решениями Интернета вещей, и в данном конкретном случае особенного внимания заслуживает производство, поскольку именно эта сфера включает максимальный объем решений ИИ. Практически в каждом разговоре за последние две недели заходила речь о производстве на основе ИИ, в частности - о таких аспектах Интернета вещей, как мониторинг производства и зоны использования Интернета вещей. Как видно на этом слайде 85% из опрошенных 75% компаний из сектора производства планируют оснащение контрольно-измерительными приборами или начало такого оснащения в ближайшие два года. Однако это не только данные, и не обязательно, что они помогут в работе. Итак, мы наблюдаем все более активное внедрение приложений, работающих с данными, связанными с основными областями применения, которые имеют то или иное отношение к ИИ. Например, контроль качества или машинное зрение на периферии, позволяющее отслеживать неполадки, что по сути является основной целью использования периферии. Однако, если верить показателям на этом слайде, около 45% респондентов заявили, что задачи контроля качества они выполняют близко к периферии.
Этот процесс не обязательно выполняется на компьютерах, хотя некоторые так и делают. Это процесс агрегирования, но он не требует использования всех ресурсов, вплоть до облака, поскольку речь может идти лишь о производственной линии, настройки которой нужно очень быстро корректировать, и кажется разумным, что делать это лучше всего близко к периферии. Когда речь идет, например, о профилактике считают, что профилактическое обслуживание должно осуществляться в ядре инфраструктуры и там же должны приниматься решения с применением ИИ и МО. Так считает большинство респондентов. Речь может также идти о цепочке поставок, прогнозах погоды или другой информации, поступающей извне и помогающей определить, что может произойти с той или иной системой. В таких случаях вы пытаетесь повысить общую эффективность оборудования. Это только малая часть примеров применения периферии. Но если рассматривать новые тенденции, такие, как полностью автономная робототехника и распространение повсеместной связи сотрудников, когда вам необходимо иметь полное представление о том, что происходит в производстве или повысить производительность, все операции перемещаются ближе к периферии, поскольку вся информация должна быть у вас под рукой, чтобы можно было успешно выполнять работу, принимать решения и вносит изменения подходящим и контекстуально оправданным способом. Именно такие тенденции мы сейчас наблюдаем.
Arti Garg:
Я полностью согласна. Я думаю, что такие же процессы наблюдаются в компании HPE. Я попыталась распределить проблемы производства по категориям, и у меня получились три категории ключевых проблем в сфере ИИ на периферии.
Одна из проблем связана с инфраструктурой, другая - с данными и связью, третья, которую часто игнорируют, но которая может считаться самой важной, связана с опытом и возможностями. Если говорить об инфраструктуре, существует много факторов, определяющих наши возможности в плане развертывания в среде с обычно жесткими условиями, и здесь прослеживается одна тенденция, связанная с ИИ на периферии, развертывание обычно выполняется на базе уже действующих объектов. Вы используете существующий производственный объект, потенциально обладающий огромными ресурсами. Однако нельзя забывать, что планируется развертывание самого сложного IT-оборудования, самых современных процессоров и крупнейших высокопроизводительных СХД в среде с суровыми условиями, в которой приходится работать чуть ли не в касках, а в воздухе полно металлической пыли. Обычно на производствах все так и бывает. Поэтому и начинаешь спрашивать себя, инфраструктуру какого типа требуется развернуть? Обычно требуется повышенная конструктивная прочность, что означает устойчивость к экстремальным и изменчивым температурам и различным уровням влажности, а также защиту от загрязнений, таких, как металлическая пыль в воздухе. Я считаю это одной из проблем, которая может повлиять на решение: выполнить развертывание на производственной площади, в IT-центре, размещенном на производстве или там, откуда затем можно легко выполнить перенос в ЦОД, чтобы запустить в работу мощную и высокопроизводительную инфраструктуру вычислений как платформу для сложнейшей модели ИИ, которая предложит не только данные компьютерного зрения, получаемые с производственного объекта, но и множество другой информации, от данных цепочки поставок до сведений из социальных сетей о происходящем в регионе, из которого поставляется та или иная деталь. Вот с такими проблемами инфраструктуры мы имеем дело и компания HPE широкий выбор продуктов, которые по сути открывают путь навстречу экзафлопсным суперкомпьютерам. Одной из самых серьезных задач является необходимость определить что и где можно развернуть с учетом факторов внешней среды.
Я говорю и о второй проблеме. По моему мнению, это данные и связь для сбора данных, датчиков и места, в котором планируется развертывание решений, сделанных на основе ИИ? Или же вы хотите хранить их в ЦОД, располагающий огромными емкостями для хранения? Еще одна проблема, требующая сбалансированного подхода - это связь. Насколько просто переместить данные в ЦОД? Связь на производственном объекте может быть недостаточно эффективной, а иногда может вообще отсутствовать. Специалисты по обслуживанию рассказывали мне, что на некоторых объектах работает только проводная связь, поэтому передача данных с камер в ЦОД может сопровождаться трудностями и ограничениями. Это следующая категория проблем.
Несмотря на проблематичность хранения данных на объекте, проблемы связи могут заставить меня все же хранить большую часть данных именно на объекте с тем, чтобы можно было их перемещать с достаточной скоростью и надежностью. Проблемы связи также могут заставить меня хранить большую часть данных и ресурсов для принятия решений на объекте, поскольку у меня нет времени или я не могу рисковать потерей связи с удаленно расположенным ЦОД или СХД.
Эти проблемы, связанные с инфраструктурой, данными и связью, естественным образом ведут к третьей категории проблем: возможности и практические знания. Одна из ключевых проблем ИИ на периферии заключается в том, что для устранения большинства вопросов по инфраструктуре, данным собственных ИТ-решения уже имеются, но требуется опыт и знания, чтобы правильно выбрать такие решения и проверить их с помощью моделирования "что если".
Когда речь идет о запуске рабочих задач ИИ в ЦОД, в вашем распоряжении есть нужные профессионалы и гарантированная связь, и, если что-то пойдет не так, вы всегда сможете внести необходимые корректировки. На периферии все гораздо сложнее. У вас может не оказаться нужных ИТ-специалистов или вы можете потерять связь, и поэтому вопросы о неисправности или рисках нужно задать до развертывания решения. Это является одной из главных задач ИИ на периферии. Вот некоторые из проблем, которые хорошо понимают и пытаются решить в HPE. Йен, хотелось бы услышать ваше мнение по этой теме и о том, какие результаты показало исследование.
Ian Hughes:
Остановимся на переменах в ИТ отрасли и их последствиях для данных, их размещении и будущих тенденций, в частности, в связи с ИИ. Посмотрим на схему.
5-6 лет назад и ранее стали активно использоваться датчики, которые часто устанавливались на аппаратуре, а данные с них направлялись в облако. Перемещение огромных объемов данных в облако для дальнейшей обработки представляет большую проблему. Некоторые компании не используют облако для этих целей. Поэтому достаточно быстро организовалась трехуровневая архитектура, включающая датчики, часть процессоров на периферии, локальную среду и облако. В данном примере модель должна охватывать несколько заводов, поскольку невозможно обрабатывать данные на периферии в масштабе нескольких заводов. Сейчас эту модель активно изучают и осваивают. Реальность в том, что сейчас мы переходим к более сложной и полностью распределенной модели вычислений, в которой множество систем и приложений оснащены технологиями ИИ и МО, выполняющими важные задачи. При этом специалисты иногда не знают какая именно технология используется, но при этом уверены, что модели верные. Эти модели должны постоянно обновляться.
Также должна быть уверенность в том, что верная модель и верные данные хранятся в верном месте, и что обработку данных можно вести в любой из сред исходя из их контекста и требований к этим данным. Кроме того, активно используется компьютерное зрение с добавлением данных из других источников.
Мы живем в мире постоянных исправлений. У вас могут быть автономные роботы, но у них должна быть возможность взаимодействовать с процессами периферии и инфраструктурой, чтобы обмениваться данными с другими автономным системами. Но все эти системы и инструменты все рано связаны и с облаком. При этом в облако отправляются не все данные, а только соответствующие обновления и отдельные изменения.
По мере усложнения сетей и перехода на 5G наблюдается все более интенсивное использование ИИ и МО для управления передачей сигналов и данных. Эти технологии также помогают определять места назначения этих данных и места развертывания моделей.
Все большее распространение получают системы LOW-code и NO-code, помогающие экспертам на местах, в особенности на заводах, взаимодействовать со всеми инструментами и системами, эффективно выполнять работу. При этом не обязательно иметь сложные встроенные приложения чтобы получить нужные результаты, ожидаемые от цеха или завода.
Arti Garg:
Из всего этого вытекает множество проблем, с которыми сталкиваются заказчики, поскольку приложения на периферии очень быстро становятся проблемами сферы ИТ.
Мы помогаем клиентам справиться с этими проблемами за счет использования наших продуктов и технологий.
Что касается промежуточных систем, лежащих между ЦОДами и оборудованием, то здесь речь идет о ЦОДах с поддержкой ИИ, которые могут включать в себя даже вычислительные системы, больше похожие на те, что есть в ЦОДах. Кроме того, мы предлагаем сетевые возможности и линейку продуктов Aruba, помогающие клиентов еще больше оптимизировать связь и легко перемещать данные с датчиков в ЦОД, а в будущем - на суперсложные платформы ИИ на периферии.
