Edge AI (บางครั้งเรียกว่า “AI ที่ปลายทาง”) หมายถึงการรันโมเดลปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง บนอุปกรณ์ท้องถิ่น (เซ็นเซอร์ กล้อง สมาร์ทโฟน เกตเวย์อุตสาหกรรม ฯลฯ) แทนที่จะรันในศูนย์ข้อมูลระยะไกล กล่าวคือ “ปลายทาง” ของเครือข่าย – จุดที่ข้อมูลถูกสร้างขึ้น – จะเป็นผู้จัดการการประมวลผล วิธีนี้ช่วยให้อุปกรณ์วิเคราะห์ข้อมูลได้ทันทีที่เก็บรวบรวม แทนที่จะส่งข้อมูลดิบไปยังคลาวด์อย่างต่อเนื่อง

ตามคำอธิบายของ IBM Edge AI ช่วยให้การประมวลผลแบบเรียลไทม์บนอุปกรณ์โดยไม่ต้องพึ่งพาเซิร์ฟเวอร์กลาง ตัวอย่างเช่น กล้องที่มี Edge AI สามารถตรวจจับและจำแนกวัตถุได้ทันที ให้ผลตอบรับแบบทันที การประมวลผลข้อมูลในพื้นที่ช่วยให้ Edge AI ทำงานได้แม้ในกรณีที่การเชื่อมต่ออินเทอร์เน็ตขาดหายหรือไม่เสถียร

ตามรายงานอุตสาหกรรม การเปลี่ยนแปลงนี้เกิดขึ้นอย่างรวดเร็ว: การใช้จ่ายทั่วโลกในด้าน edge computing แตะระดับประมาณ 232 พันล้านดอลลาร์ในปี 2024 (เพิ่มขึ้น 15% จากปี 2023) โดยส่วนใหญ่ขับเคลื่อนจากการเติบโตของ IoT ที่ใช้ AI
โดยสรุป Edge AI คือการนำการประมวลผลเข้าใกล้แหล่งข้อมูลมากขึ้น – การติดตั้งความชาญฉลาดบนอุปกรณ์หรือโหนดใกล้เคียง ซึ่งช่วยเร่งการตอบสนองและลดความจำเป็นในการส่งข้อมูลทั้งหมดไปยังคลาวด์

ความแตกต่างหลักระหว่าง Edge AI กับ Cloud AI

แตกต่างจาก AI บนคลาวด์แบบดั้งเดิม (ซึ่งส่งข้อมูลทั้งหมดไปยังเซิร์ฟเวอร์ศูนย์กลาง) Edge AI จะแบ่งการประมวลผลไปยังฮาร์ดแวร์ในสถานที่ แผนภาพด้านบนแสดงโมเดลง่าย ๆ ของ edge computing: อุปกรณ์ปลายทาง (ชั้นล่าง) ส่งข้อมูลไปยัง เซิร์ฟเวอร์หรือเกตเวย์ที่ปลายทาง (ชั้นกลาง) แทนที่จะส่งไปยังคลาวด์ที่อยู่ไกลออกไป (ชั้นบน)

ในระบบนี้ การอนุมาน AI สามารถเกิดขึ้นบนอุปกรณ์หรือโหนด edge ท้องถิ่น ช่วยลดความล่าช้าของการสื่อสารอย่างมาก

• ความหน่วง (Latency): Edge AI ลดความล่าช้า เพราะการประมวลผลเกิดขึ้นในพื้นที่ การตัดสินใจจึงทำได้ภายในไม่กี่มิลลิวินาที IBM ระบุว่าการอนุมานที่ปลายทาง “ช่วยลดความหน่วงโดยการประมวลผลข้อมูลโดยตรงบนอุปกรณ์” ขณะที่ AI บนคลาวด์มีความล่าช้าเพิ่มขึ้นจากการส่งข้อมูลไปกลับเซิร์ฟเวอร์ระยะไกล
  สิ่งนี้สำคัญมากสำหรับงานที่ต้องการความรวดเร็ว เช่น การหลีกเลี่ยงอุบัติเหตุรถยนต์หรือการควบคุมหุ่นยนต์
• แบนด์วิดท์ (Bandwidth): Edge AI ลดภาระเครือข่าย โดยการวิเคราะห์หรือกรองข้อมูลในพื้นที่ ทำให้ข้อมูลที่ต้องส่งขึ้นไปยังระบบส่วนกลางน้อยลง IBM อธิบายว่าระบบ edge “ต้องการแบนด์วิดท์ต่ำกว่า” เนื่องจากข้อมูลส่วนใหญ่เก็บไว้ในพื้นที่
  ในทางตรงกันข้าม AI บนคลาวด์ต้องการการเชื่อมต่อความเร็วสูงอย่างต่อเนื่องเพื่อส่งข้อมูลดิบไปกลับ ซึ่งทำให้ Edge AI มีประสิทธิภาพและประหยัดกว่าเมื่อเครือข่ายมีความหนาแน่นหรือมีค่าใช้จ่ายสูง
• ความเป็นส่วนตัว/ความปลอดภัย: Edge AI ช่วยเพิ่มความเป็นส่วนตัว ข้อมูลที่ละเอียดอ่อน (เสียง ภาพ ข้อมูลสุขภาพ) สามารถประมวลผลและเก็บไว้บนอุปกรณ์โดยไม่ต้องส่งขึ้นคลาวด์ ลดความเสี่ยงจากการถูกโจมตีจากบุคคลที่สาม
  ตัวอย่างเช่น สมาร์ทโฟนอาจจดจำใบหน้าของคุณได้ในเครื่องโดยไม่ต้องอัปโหลดรูปภาพ ขณะที่ AI บนคลาวด์มักต้องส่งข้อมูลส่วนบุคคลไปยังเซิร์ฟเวอร์ภายนอก ซึ่งอาจเพิ่มความเสี่ยงด้านความปลอดภัย
• ทรัพยากรการประมวลผล: ศูนย์ข้อมูลบนคลาวด์มีพลัง CPU/GPU เกือบไม่จำกัด รองรับโมเดล AI ขนาดใหญ่ได้มาก อุปกรณ์ edge มีทรัพยากรประมวลผลและพื้นที่เก็บข้อมูลจำกัด IBM ระบุว่าอุปกรณ์ edge “ถูกจำกัดด้วยข้อจำกัดด้านขนาดของอุปกรณ์”
  ดังนั้น Edge AI จึงมักใช้โมเดลที่ปรับแต่งหรือขนาดเล็ก ในทางปฏิบัติ การฝึกโมเดลขนาดใหญ่ยังคงทำในคลาวด์ และโมเดลที่กะทัดรัดหรือผ่านการปรับแต่งจะถูกนำไปใช้บนอุปกรณ์ edge
• ความน่าเชื่อถือ: ด้วยการลดการพึ่งพาการเชื่อมต่ออย่างต่อเนื่อง Edge AI สามารถรักษาการทำงานของฟังก์ชันสำคัญได้แม้เครือข่ายล่ม เช่น โดรนสามารถนำทางด้วย AI บนเครื่องเมื่อสัญญาณขาดหาย

โดยสรุป Edge AI และ Cloud AI ทำงานเสริมกัน เซิร์ฟเวอร์คลาวด์รับผิดชอบการฝึกโมเดล การเก็บถาวร และการวิเคราะห์ข้อมูลจำนวนมาก ขณะที่ Edge AI ดูแลการอนุมานแบบเรียลไทม์และการตัดสินใจอย่างรวดเร็วใกล้แหล่งข้อมูล

ประโยชน์ของ Edge AI

Edge AI มอบข้อได้เปรียบที่เป็นประโยชน์หลายประการสำหรับผู้ใช้และองค์กร:

• การตอบสนองแบบเรียลไทม์: การประมวลผลข้อมูลในพื้นที่ช่วยให้วิเคราะห์ได้ทันที ผู้ใช้ได้รับผลตอบรับทันที (เช่น การตรวจจับวัตถุสด การตอบกลับด้วยเสียง การแจ้งเตือนความผิดปกติ) โดยไม่ต้องรอการส่งข้อมูลไปกลับคลาวด์
  ความหน่วงต่ำนี้เป็นประโยชน์อย่างมากสำหรับแอปพลิเคชันอย่างความจริงเสริม ยานยนต์อัตโนมัติ และหุ่นยนต์
• ลดแบนด์วิดท์และค่าใช้จ่าย: ด้วย Edge AI จะส่งเฉพาะผลลัพธ์สรุปหรือเหตุการณ์ผิดปกติผ่านอินเทอร์เน็ตเท่านั้น ช่วยลดค่าใช้จ่ายในการโอนข้อมูลและเก็บข้อมูลบนคลาวด์
  ตัวอย่างเช่น กล้องวงจรปิดอาจอัปโหลดคลิปเฉพาะเมื่อพบภัยคุกคาม แทนที่จะสตรีมวิดีโอตลอดเวลา
• เพิ่มความเป็นส่วนตัว: การเก็บข้อมูลไว้บนอุปกรณ์ช่วยเพิ่มความปลอดภัย ข้อมูลส่วนตัวหรือข้อมูลละเอียดอ่อนไม่ถูกส่งออกนอกอุปกรณ์หากประมวลผลที่ปลายทาง
  สิ่งนี้สำคัญมากสำหรับแอปพลิเคชันที่มีกฎความเป็นส่วนตัวเข้มงวด (เช่น สุขภาพ การเงิน) เพราะ Edge AI สามารถเก็บข้อมูลไว้ภายในประเทศหรือสถานที่ได้
• ประหยัดพลังงานและค่าใช้จ่าย: AI บนอุปกรณ์ช่วยประหยัดพลังงาน การรันโมเดลขนาดเล็กบนชิปพลังงานต่ำมักใช้พลังงานน้อยกว่าการส่งข้อมูลไปกลับเซิร์ฟเวอร์คลาวด์
  ยังช่วยลดค่าใช้จ่ายเซิร์ฟเวอร์ เพราะงาน AI ขนาดใหญ่มีค่าใช้จ่ายสูงในการโฮสต์บนคลาวด์
• ความสามารถทำงานแบบออฟไลน์และความทนทาน: Edge AI สามารถทำงานต่อได้แม้การเชื่อมต่อขัดข้อง อุปกรณ์ยังคงทำงานด้วยความชาญฉลาดในเครื่อง แล้วซิงค์ข้อมูลภายหลัง
  ทำให้ระบบมีความทนทานมากขึ้น โดยเฉพาะในพื้นที่ห่างไกลหรือการใช้งานที่สำคัญ (เช่น การตรวจสอบอุตสาหกรรม)

Red Hat และ IBM ต่างเน้นย้ำข้อดีเหล่านี้ Edge AI “นำความสามารถการประมวลผลประสิทธิภาพสูงสู่ปลายทาง” ช่วยให้ วิเคราะห์แบบเรียลไทม์ และ เพิ่มประสิทธิภาพ.
รายงานหนึ่งสรุปว่า การติดตั้ง edge ช่วยลดความหน่วงและความต้องการแบนด์วิดท์ พร้อมทั้งเพิ่มความเป็นส่วนตัวและความน่าเชื่อถือ

ความท้าทายของ Edge AI

แม้จะมีข้อดีมากมาย Edge AI ก็เผชิญกับอุปสรรคบางประการ:

• ข้อจำกัดด้านฮาร์ดแวร์: อุปกรณ์ edge มักมีขนาดเล็กและทรัพยากรจำกัด อาจมี CPU ที่จำกัดหรือ NPU ที่ใช้พลังงานต่ำเฉพาะทาง และหน่วยความจำจำกัด
  ทำให้นักพัฒนา AI ต้องใช้เทคนิคบีบอัดโมเดล การตัดแต่ง หรือ TinyML เพื่อให้โมเดลพอดีกับอุปกรณ์ โมเดลเรียนรู้ลึกที่ซับซ้อนมักไม่สามารถรันเต็มรูปแบบบนไมโครคอนโทรลเลอร์ จึงอาจต้องแลกกับความแม่นยำบางส่วน
• การฝึกและอัปเดตโมเดล: การฝึกโมเดล AI ที่ซับซ้อนยังคงทำในคลาวด์ ซึ่งมีข้อมูลและพลังประมวลผลมหาศาล หลังฝึกเสร็จ โมเดลต้องถูกปรับแต่ง (เช่น การควอนไทซ์ การตัดแต่ง) และนำไปติดตั้งบนอุปกรณ์ edge แต่ละเครื่อง
  การดูแลให้อุปกรณ์นับพันหรือนับล้านอัปเดตอยู่เสมอเป็นเรื่องซับซ้อน การซิงค์เฟิร์มแวร์และข้อมูลเพิ่มภาระการจัดการ
• แรงดึงดูดของข้อมูลและความหลากหลาย: สภาพแวดล้อม edge มีความหลากหลาย สถานที่ต่าง ๆ อาจเก็บข้อมูลประเภทต่างกัน (เซ็นเซอร์แตกต่างตามแอปพลิเคชัน) และนโยบายอาจแตกต่างกันตามภูมิภาค
  การรวมและมาตรฐานข้อมูลทั้งหมดนี้เป็นเรื่องท้าทาย IBM ระบุว่าการติดตั้ง edge AI อย่างกว้างขวางเผชิญกับปัญหาเรื่อง “แรงดึงดูดของข้อมูล ความหลากหลาย ขนาด และข้อจำกัดทรัพยากร” กล่าวคือ ข้อมูลมักเก็บไว้ในพื้นที่ ทำให้ยากต่อการมองภาพรวมระดับโลก และอุปกรณ์มีรูปแบบและขนาดหลากหลาย
• ความปลอดภัยที่ปลายทาง: แม้ Edge AI จะช่วยเพิ่มความเป็นส่วนตัว แต่ก็สร้างความกังวลด้านความปลอดภัยใหม่ ๆ อุปกรณ์หรือโหนดแต่ละตัวเป็นเป้าหมายของแฮกเกอร์ได้
  การรับประกันว่าโมเดลในเครื่องไม่ถูกแก้ไขและเฟิร์มแวร์ปลอดภัยต้องมีมาตรการป้องกันที่เข้มงวด
• การพึ่งพาการเชื่อมต่อสำหรับบางงาน: แม้การอนุมานจะทำได้ในพื้นที่ ระบบ edge ยังต้องพึ่งพาการเชื่อมต่อคลาวด์สำหรับงานหนัก เช่น การฝึกโมเดลใหม่ การวิเคราะห์ข้อมูลขนาดใหญ่ หรือการรวบรวมผลลัพธ์จากหลายแหล่ง
  การเชื่อมต่อที่จำกัดอาจเป็นคอขวดสำหรับฟังก์ชันหลังบ้านเหล่านี้

ในทางปฏิบัติ โซลูชันส่วนใหญ่ใช้โมเดล ไฮบริด: อุปกรณ์ edge ดูแลการอนุมาน ขณะที่คลาวด์ดูแลการฝึก การจัดการโมเดล และการวิเคราะห์ข้อมูลขนาดใหญ่
สมดุลนี้ช่วยแก้ไขข้อจำกัดด้านทรัพยากรและทำให้ Edge AI ขยายตัวได้

กรณีการใช้งานของ Edge AI

Edge AI ถูกนำไปใช้ในหลายอุตสาหกรรม ตัวอย่างในโลกจริง ได้แก่:

• ยานยนต์อัตโนมัติ: รถยนต์ขับเคลื่อนเองใช้ Edge AI บนอุปกรณ์ในรถเพื่อประมวลผลข้อมูลจากกล้องและเรดาร์ทันทีสำหรับการนำทางและหลีกเลี่ยงสิ่งกีดขวาง
  ไม่สามารถรอความล่าช้าจากการส่งวิดีโอไปยังเซิร์ฟเวอร์ได้ ดังนั้นทุกอย่าง (การตรวจจับวัตถุ การจดจำคนเดินถนน การติดตามเลน) จึงเกิดขึ้นในเครื่อง
• การผลิตและอุตสาหกรรม 4.0: โรงงานติดตั้งกล้องอัจฉริยะและเซ็นเซอร์บนสายการผลิตเพื่อตรวจจับข้อบกพร่องหรือความผิดปกติแบบเรียลไทม์
  เช่น กล้อง Edge AI สามารถตรวจจับสินค้าชำรุดบนสายพานและสั่งการทันที เช่นเดียวกับเครื่องจักรอุตสาหกรรมที่ใช้ AI ในพื้นที่เพื่อทำนายความเสียหายของอุปกรณ์ (การบำรุงรักษาเชิงคาดการณ์) ก่อนเกิดการเสียหาย
• สุขภาพและการตอบสนองฉุกเฉิน: อุปกรณ์ทางการแพทย์แบบพกพาและรถพยาบาลใช้ Edge AI วิเคราะห์ข้อมูลผู้ป่วยทันที
  เครื่องอัลตราซาวด์หรือเครื่องวัดสัญญาณชีพบนรถพยาบาลสามารถใช้ AI ตรวจจับการบาดเจ็บภายในหรือแจ้งเตือนพนักงานฉุกเฉินเกี่ยวกับสัญญาณผิดปกติ ในโรงพยาบาล Edge AI สามารถตรวจสอบผู้ป่วย ICU อย่างต่อเนื่องและส่งสัญญาณเตือนโดยไม่ต้องรอเซิร์ฟเวอร์กลาง
• เมืองอัจฉริยะ: ระบบเมืองใช้ Edge AI ในการจัดการจราจร การเฝ้าระวัง และการตรวจวัดสิ่งแวดล้อม
  ไฟจราจรอัจฉริยะปรับเวลาการทำงานโดยใช้ AI ท้องถิ่นวิเคราะห์ภาพจากกล้อง ช่วยลดความแออัดแบบเรียลไทม์ กล้องถนนสามารถตรวจจับเหตุการณ์ (อุบัติเหตุ ไฟไหม้) และแจ้งเจ้าหน้าที่ทันที การประมวลผลในพื้นที่ช่วยให้เมืองตอบสนองได้รวดเร็วโดยไม่ทำให้เครือข่ายส่วนกลางล้น
• ค้าปลีกและ IoT สำหรับผู้บริโภค: Edge AI ช่วยเพิ่มประสบการณ์และความสะดวกสบายของลูกค้า
  ในร้านค้า กล้องอัจฉริยะหรือเซ็นเซอร์บนชั้นวางใช้ AI ติดตามพฤติกรรมลูกค้าและระดับสินค้าคงคลังทันที ที่บ้าน สมาร์ทโฟน แท็บเล็ต และลำโพงอัจฉริยะรันการจดจำเสียงหรือใบหน้าบนอุปกรณ์ เช่น สมาร์ทโฟนสามารถปลดล็อกหรือจดจำท่าทางโดยไม่ต้องเชื่อมต่อคลาวด์ เครื่องติดตามสุขภาพวิเคราะห์ข้อมูลสุขภาพ (อัตราการเต้นของหัวใจ ก้าวเดิน) ในเครื่องเพื่อให้ผลตอบรับแบบเรียลไทม์

การใช้งานอื่น ๆ ที่กำลังเกิดขึ้น ได้แก่ เกษตรแม่นยำ (โดรนและเซ็นเซอร์ใช้ Edge AI ตรวจสอบสุขภาพดินและพืช) และ ระบบความปลอดภัย (การจดจำใบหน้าบนอุปกรณ์สำหรับล็อก) ตามการศึกษาของ IEEE Edge AI มีความสำคัญสำหรับแอปพลิเคชันอย่างการเกษตรอัจฉริยะ การควบคุมจราจร และระบบอัตโนมัติในอุตสาหกรรม
โดยสรุป ทุกสถานการณ์ที่ได้ประโยชน์จากการวิเคราะห์ทันทีในพื้นที่เป็นผู้สมัครที่เหมาะสมสำหรับ Edge AI

เทคโนโลยีและแนวโน้มที่สนับสนุน

การเติบโตของ Edge AI ได้รับแรงหนุนจากความก้าวหน้าในฮาร์ดแวร์และซอฟต์แวร์:

• ฮาร์ดแวร์เฉพาะทาง: ผู้ผลิตกำลังพัฒนาชิปที่ออกแบบมาสำหรับการอนุมานที่ปลายทาง รวมถึงตัวเร่งประสิทธิภาพประสาทเทียมที่ใช้พลังงานต่ำในสมาร์ทโฟน (NPU) และโมดูล Edge AI เฉพาะทาง เช่น Google Coral Edge TPU, NVIDIA Jetson Nano และบอร์ดไมโครคอนโทรลเลอร์ราคาประหยัด (Arduino, Raspberry Pi พร้อม AI เสริม)
  รายงานอุตสาหกรรมล่าสุดระบุว่าความก้าวหน้าใน โปรเซสเซอร์ใช้พลังงานต่ำมาก และอัลกอริทึมที่ออกแบบสำหรับ edge กำลังขยายขีดจำกัดของฮาร์ดแวร์อุปกรณ์
• TinyML และการปรับแต่งโมเดล: เครื่องมืออย่าง TensorFlow Lite และเทคนิคเช่น การตัดแต่งโมเดล การควอนไทซ์ และการกลั่นกรอง ช่วยให้เครือข่ายประสาทเทียมมีขนาดเล็กพอที่จะรันบนอุปกรณ์ขนาดเล็ก
  “TinyML” เป็นสาขาที่เกิดใหม่ที่เน้นการรัน ML บนไมโครคอนโทรลเลอร์ วิธีการเหล่านี้ขยายขอบเขต AI ไปยังเซ็นเซอร์และอุปกรณ์สวมใส่ที่ใช้แบตเตอรี่
• 5G และการเชื่อมต่อ: เครือข่ายไร้สายยุคใหม่ (5G และต่อไป) ให้แบนด์วิดท์สูงและความหน่วงต่ำ ซึ่งเสริมกับ Edge AI
  เครือข่ายท้องถิ่นที่รวดเร็วช่วยให้ประสานงานกลุ่มอุปกรณ์ edge ได้ง่ายขึ้น และช่วยถ่ายโอนงานหนักเมื่อจำเป็น ความร่วมมือระหว่าง 5G กับ AI เปิดทางสู่แอปพลิเคชันใหม่ ๆ (เช่น โรงงานอัจฉริยะ การสื่อสารยานยนต์กับทุกสิ่ง)
• การเรียนรู้แบบกระจายและร่วมมือ: วิธีการรักษาความเป็นส่วนตัว เช่น การเรียนรู้แบบ federated ช่วยให้อุปกรณ์ edge หลายเครื่องฝึกโมเดลร่วมกันโดยไม่ต้องแชร์ข้อมูลดิบ
  แต่ละอุปกรณ์ปรับปรุงโมเดลในพื้นที่และแชร์เฉพาะการอัปเดต แนวโน้มนี้ (ที่มีในแผนเทคโนโลยีอนาคต) จะช่วยเพิ่มประสิทธิภาพ Edge AI โดยใช้ข้อมูลกระจายพร้อมรักษาความเป็นส่วนตัว
• แนวคิดใหม่ ๆ: ในอนาคต งานวิจัยกำลังสำรวจการประมวลผลแบบ neuromorphic และ AI สร้างสรรค์บนอุปกรณ์เพื่อเพิ่มความชาญฉลาดที่ปลายทาง
  รายงานหนึ่งคาดการณ์ว่า นวัตกรรมเช่น ชิปที่เลียนแบบสมองและโมเดลภาษาขนาดใหญ่ในเครื่อง อาจปรากฏที่ปลายทาง

เทคโนโลยีเหล่านี้ยังคงผลักดันขอบเขตของสิ่งที่ Edge AI สามารถทำได้ ร่วมกันช่วยนำสู่ยุคของ “การอนุมาน AI” – การย้ายความชาญฉลาดเข้าใกล้ผู้ใช้และเซ็นเซอร์มากขึ้น

>>> คุณอาจสนใจ:

ปัญญาประดิษฐ์เชิงสร้างสรรค์คืออะไร?

การเรียนรู้แบบเสริมแรงคืออะไร?

Edge AI กำลังเปลี่ยนแปลงวิธีการใช้ปัญญาประดิษฐ์โดยการย้ายการประมวลผลไปยังแหล่งข้อมูล ช่วยเสริม AI บนคลาวด์ โดยมอบการวิเคราะห์ที่ รวดเร็วขึ้น มีประสิทธิภาพมากขึ้น และเป็นส่วนตัวมากขึ้น บนอุปกรณ์ท้องถิ่น
วิธีนี้ช่วยแก้ปัญหาความท้าทายด้านเวลาตอบสนองและแบนด์วิดท์ที่มีในสถาปัตยกรรมที่เน้นคลาวด์ ในทางปฏิบัติ Edge AI ขับเคลื่อนเทคโนโลยีสมัยใหม่หลากหลาย ตั้งแต่เซ็นเซอร์อัจฉริยะและโรงงาน ไปจนถึงโดรนและรถยนต์ขับเคลื่อนเอง โดยเปิดใช้งานความชาญฉลาดในที่เกิดเหตุ

เมื่ออุปกรณ์ IoT เพิ่มจำนวนและเครือข่ายพัฒนา Edge AI ก็พร้อมเติบโต ความก้าวหน้าในฮาร์ดแวร์ (ไมโครชิปทรงพลัง TinyML) และเทคนิค (การเรียนรู้แบบ federated การปรับแต่งโมเดล) ทำให้ง่ายขึ้นในการติดตั้ง AI ทุกที่
ตามคำกล่าวของผู้เชี่ยวชาญ Edge AI นำมาซึ่งประสิทธิภาพ ความเป็นส่วนตัว และการใช้แบนด์วิดท์ที่ดีขึ้น โดยสรุป Edge AI คืออนาคตของความชาญฉลาดฝังตัว – มอบสิ่งที่ดีที่สุดของ AI ในรูปแบบกระจายและรันบนอุปกรณ์