AI를 사용하여 edge에서 IoT 최적화 방법

인공지능은 IoT와 에지 컴퓨팅의 결합된 애플리케이션에 혁명을 일으킬 수 있는 잠재력을 가지고 있습니다. 여기 몇 가지 생각하게 하는 가능성이 있습니다.

사물인터넷(IoT) 장치와 에지 컴퓨팅 기능을 결합하는 기업이 많아짐에 따라, 사람들은 인공지능(AI)을 사용하여 이러한 애플리케이션을 최적화하는 방법에 대해 점점 더 궁금해하고 있습니다. 여기 몇 가지 생각하게 하는 가능성이 있습니다.

 

AI를 사용하여 edge에서 IoT를 최적화 방법

 

 

머신러닝을 통한 IoT 센서 추론 정확도 향상

기술 연구원들은 기계 학습으로 에지 배치 IoT 센서의 성능을 향상시키는 방법을 조사하는 초기 단계에 있습니다. 일부 초기 응용 프로그램에는 이미지 분류 작업 또는 자연어 처리와 관련된 작업에 센서를 사용하는 것이 포함됩니다. 하지만, 한 가지 예는 사람들이 어떻게 발전하고 있는지 보여줍니다.

IMDEA Networks의 연구원들은 특정 딥 러닝 작업에 IoT 센서를 사용하면 센서가 대기 시간 및 추론 정확도와 같은 특정 서비스 품질 요구 사항을 보장할 수 없다는 것을 의미할 수 있다는 것을 인식했습니다. 하지만, 이 프로젝트에서 일하는 사람들은 이 문제를 해결하기 위해 AMR²라고 불리는 기계 학습 알고리즘을 개발했습니다.

AMR²는 에지 컴퓨팅 인프라를 활용하여 IoT 센서 추론을 보다 정확하게 하는 동시에 더 빠른 응답과 실시간 분석을 가능하게 합니다. 실험에 따르면 알고리즘은 알고리즘을 사용하지 않은 기본 스케줄링 작업의 결과에 비해 추론 정확도가 최대 40% 향상되었습니다.

에지에 배치되었을 때 IoT 센서가 제대로 작동하도록 돕는 데 이와 같은 효율적인 스케줄링 알고리즘이 필수적이라는 것을 발견했습니다. 한 프로젝트 연구원은 개발자가 이미지를 포함하는 요소로 분류하는 Google 포토와 유사한 서비스에 AMR² 알고리즘을 사용할 경우 실행 지연에 영향을 미칠 수 있다고 지적했습니다. 개발자는 사용자가 앱을 사용할 때 이러한 지연을 알아차리지 못하도록 알고리즘을 배포할 수 있습니다.

 

 

가장자리에 인공지능이 있는 연결된 장치의 에너지 사용량 감소

기술 회사의 최고 재무 책임자를 대상으로 한 2023년 연구에 따르면 80%가 내년에 매출이 증가할 것으로 예상했습니다. 그러나 직원들이 고객의 요구를 이해하고 그에 따라 제품이나 서비스를 제공하는 경우에는 이러한 현상이 발생할 가능성이 가장 높습니다.

많은 IoT 기기 제조업체들은 사람들이 거의 지속적으로 이러한 제품을 착용하기를 원합니다. 일부 웨어러블 기기는 혼자 일하는 근로자가 쓰러지거나 스트레스를 받거나 신체적으로 힘든 역할을 하는 사람들이 너무 피곤해지고 휴식이 필요한지 감지합니다. 이러한 경우 사용자는 IoT 장치가 근무일 및 그 이후에도 안정적으로 작동할 것이라는 확신을 가져야 합니다.

그것이 연구자들이 가장자리에서 인공지능을 사용하는 것이 어떻게 건강에 대한 좌식 생활 방식의 영향을 연구하기 위해 배치된 IoT 장치의 에너지 효율을 향상시킬 수 있는지와 올바른 자세가 어떻게 결과를 향상시킬 수 있는지를 탐구한 이유 중 하나입니다. 사람이 어떻게 사는지에 대한 데이터를 캡처하는 모든 IoT 장치는 지속적으로 데이터를 수집해야 하며, 장치의 배터리가 부족하여 정보 수집이 중단되는 경우가 거의 또는 전혀 없습니다.

이 경우 피실험자들은 코인 셀 배터리로 구동되는 무선 장치를 착용했습니다. 이러한 각각의 장치에는 사람들이 하루 동안 얼마나 이동했는지에 대한 정확한 데이터를 수집하기 위한 관성 센서가 있었습니다. 그러나 주요 문제는 전송되는 데이터의 양이 많아 배터리가 몇 시간밖에 지속되지 않았다는 것입니다. 예를 들어, 연구는 매초 50개의 샘플을 읽는 9채널 모션 센서가 매일 100MB 이상의 데이터를 생성한다는 것을 보여주었습니다.

하지만, 연구원들은 기계 학습이 알고리즘이 가장자리에 배치된 IoT 장치에서 사람들이 정보를 분석하는 것을 돕는 스마트폰이나 다른 장치로 중요한 데이터를 전송하는 것만 가능하다는 것을 인식했습니다. 그들은 사전 훈련된 반복 신경망을 사용하기 시작했고 알고리즘이 실시간 성능을 달성하여 IoT 장치의 기능을 향상시켰다는 것을 발견했습니다.

 

 

현장 AI 교육 기회 창출

에지 컴퓨팅의 발전은 더 많은 장소에서 스마트 장치를 사용할 수 있는 기회를 열었습니다. 예를 들어, 사람들은 실시간 트래픽 수준에 대응하여 켜지거나 꺼지는 스마트 가로등을 배치할 것을 제안했습니다. 기술 연구원과 애호가들은 에지 배치 IoT 장치에서 직접 발생하는 AI 교육과 관련된 증가된 기회에도 관심이 있습니다. 이러한 접근 방식은 에너지 소비를 줄이고 개인 정보 보호를 개선하는 동시에 이러한 제품의 기능을 향상시킬 수 있습니다.

MIT 팀은 지능형 에지 장치에서 AI 알고리즘을 훈련하는 것의 가능성을 연구했습니다. 몇 가지 최적화 기술을 시도했고 마이크로컨트롤러에서 기계 학습 알고리듬을 훈련하는 데 157KB의 메모리만 필요한 기술을 고안했습니다. 다른 경량 훈련 방법은 일반적으로 300-600MB의 메모리를 필요로 하므로, 이 혁신은 상당히 개선되었습니다.

연구원들은 훈련을 위해 생성된 모든 데이터가 기기에 남아 개인 정보 보호에 대한 우려를 줄여준다고 설명했습니다. 또한 알고리즘이 사람이 스마트 키보드에 입력하는 것으로 학습하는 경우와 같이 일반적인 사용 동안 훈련이 이루어지는 사용 사례를 제안했습니다.

이 접근법은 의심할 여지 없이 인상적인 결과를 가져왔습니다. 어떤 경우에는, 그 팀은 단지 10분 동안만 알고리즘을 훈련시켰는데, 이것은 그것이 이미지에서 사람들을 감지할 수 있게 해주기에 충분했습니다. 이 예는 최적화가 양방향으로 진행될 수 있음을 보여줍니다.

여기서 처음 두 예는 IoT 장치가 작동하는 방식을 개선하는 데 중점을 두었지만, 이 접근 방식은 AI 교육 과정을 향상시켰습니다. 그러나 개발자들이 궁극적으로 더 나은 성능을 위해 그것들을 사용할 IoT 장치에서 알고리즘을 훈련한다고 가정합니다. 접근 방식이 AI 알고리즘과 IoT 에지 장치에 상호 이익을 주는 경우입니다.

 

 

IoT-Edge 장치의 작동 방식을 개선하기 위해 인공지능을 어떻게 사용할 것입니까?

이러한 예는 인공지능이 가장자리에 배치된 IoT 장치의 기능을 어떻게 향상시킬 수 있는지 연구할 때 연구자들이 중점을 둔 몇 가지를 보여줍니다. 고객이 유사한 결과를 얻을 수 있는 방법에 대한 귀중한 통찰력과 영감을 제공하도록 합니다. 해결하고자 하는 명확하게 정의된 문제부터 시작하는 것이 거의 항상 최선입니다. 그런 다음 기술과 혁신적인 접근 방식이 이러한 목표를 달성하는 데 어떻게 도움이 될 수 있는지 탐구하기 시작합니다.