|
Развитие искусственного интеллекта происходит высокими темпами на устройствах с большими вычислительными ресурсами, у которых постоянно увеличивается объем хранения данных и повышается производительность. Однако, внимание к устройствам на периферии представляется низким, ввиду недостатка вычислительных ресурсов. Такие устройства обладают важным преимуществом - большим физическим количеством, что может быть использовано при построении распределенных систем с искусственным интеллектом. В связи с этим, данная статья направлена на выявление возможностей применения периферийных устройств в сложных, в том числе распределенных информационных системах. Проанализированы и описаны три подхода к таким системам: с периферийными устройствами, без них и комплексный подход, когда периферийные устройства формируют вспомогательную роль для сложной системы. Данный подход предполагает внедрение моделей машинного обучения в устройство управления и устройства сбора. Для подхода будет смоделирована ситуация применения в беспилотном транспортном средстве, где объектом детекции выступают дорожные знаки. Для моделируемой ситуации проведен эксперимент, результаты которого подтверждают целесообразность использования комплексного подхода для системы с искусственным интеллектом. По результатам выделены основные преимущества и недостатки внедрения комплексного подхода с использованием периферийных устройств в сложные системы. Данная работа будет полезна исследователям в области интернета вещей, искусственного интеллекта, а также специалистам по разработке беспилотных машин.
Ключевые слова:граничные вычисления, граничный искусственный интеллект, TinyML, распределенные системы, TinyAI, беспилотные транспортные средства, MEC
|