Ako odluka u proizvodnji mora stići unutar dijela ciklusa stroja, slanje podataka u cloud nije uvijek razuman put. Edge AI obrađuje podatke blizu izvora, primjerice na industrijskom računalu uz kameru ili stroj. To može omogućiti lokalnu reakciju i rad bez veze, ali uvodi obvezu održavanja uređaja, modela i verzija. Pravo pitanje nije može li se model pokrenuti na uređaju, nego koja odluka ne može čekati centralnu obradu.
Edge computing nije automatski bolji od centralne obrade. On dodaje infrastrukturu na mjestu proizvodnje: uređaje, mrežne postavke, nadzor, ažuriranja i postupke oporavka. Taj dodatni sloj ima smisla kada rješava konkretno ograničenje procesa.
Edge AI najčešće opravdava dodatnu složenost kada postoji barem jedan jak zahtjev:
Ako nijedan od tih uvjeta nije važan, centralna obrada može biti jednostavnija za razvoj i održavanje. Model se tada može ažurirati na jednom mjestu, a računalni resursi nisu ograničeni uređajem uz stroj.
Kod umjetne inteligencije u proizvodnji lako je krenuti od kamere, modela ili uređaja. Korisnije je početi od događaja i posljedice.
Zapišite odluku u jednostavnom obliku: kada sustav prepozna određeni signal, što se točno događa? Moguće radnje nisu iste po riziku:
Računalni vid može, primjerice, označiti mogući nedostatak na proizvodu. Sam signal nije poslovna odluka. Potrebno je odrediti tko pregledava slučaj, koliko dugo može trajati reakcija, što se događa kad operater nije dostupan i kako se proces vraća u normalan rad.
Tek nakon toga možete usporediti tri osnovna obrasca.
Edge obrada donosi vrlo brzu lokalnu reakciju i može nastaviti raditi offline. Sirovi podatak ostaje lokalno, ali održavanje se raspoređuje na više uređaja. Učenje modela na samom uređaju obično je ograničeno dostupnim resursima.
Cloud ili centralna obrada pojednostavljuje upravljanje modelima i daje više resursa za analizu i učenje. Međutim, vrijeme reakcije ovisi o vezi, a podaci se moraju prenijeti iz pogona.
Hibridni pristup često razdvaja hitnu odluku od naknadne analize. Edge uređaj lokalno provodi inference, odnosno primjenu već pripremljenog modela, a prema središtu šalje sažetak, metrike i pažljivo odabrane uzorke. Trening i šira analiza mogu ostati centralni. To nije automatski kompromis bez troška: treba jasno odrediti koji podaci putuju, kada i tko odgovara za svaku stranu sustava.
Dobar rezultat na demonstracijskom skupu nije dovoljan za rad uz stroj. Model je jedan dio lanca koji uključuje kameru, osvjetljenje, položaj proizvoda, brzinu linije, komunikaciju sa strojem i radni postupak operatera.
Posebno je važan prag modela. Prag određuje kada signal postaje upozorenje ili automatska radnja. Preosjetljiv sustav može stvarati mnogo lažnih alarma. Operater tada gubi vrijeme, a proizvodnja može nepotrebno stati. Preblag sustav može propustiti stvarnu grešku. Poslovna cijena tih dviju pogrešaka rijetko je jednaka.
Zato tehnički i poslovni vlasnik trebaju zajedno dogovoriti:
Automatska odluka ima više smisla kada je posljedica ograničena, pravilo jasno, a oporavak brz. Kod sigurnosti ljudi, skupog zaustavljanja ili dvojbene procjene kvalitete operater treba vidjeti kontekst i zadržati završnu odluku. Lokalni signal može osigurati pravodoban dolazak tog konteksta, ali ne uklanja odgovornost za odluku.
Edge AI nije jednokratna instalacija. Flota lokalnih uređaja s vremenom postaje sustav koji treba održavati.
Za svaki deployment modela zabilježite barem verziju modela, konfiguraciju, datum uvođenja, uređaj na kojem radi i mogućnost povratka na prethodnu verziju. Uz rezultate treba čuvati trag koji omogućuje naknadni pregled: koji je model dao signal, s kojim pragom i pod kojim uvjetima.
Potrebno je pratiti i promjene ulaznih podataka. Rasvjeta može oslabiti, kamera se može pomaknuti, materijal se može promijeniti, a brzina linije može porasti. Model koji je jučer radio prihvatljivo ne mora zauvijek ostati pouzdan. Takva promjena ne znači nužno da je model pogrešno izgrađen, ali zahtijeva postupak za otkrivanje odstupanja, pregled uzoraka i odluku o ponovnom učenju ili zamjeni modela.
Uređaji trebaju vlastiti identitet, ograničene ovlasti i kontroliran postupak ažuriranja. Potpisano ažuriranje pomaže provjeriti dolazi li paket iz predviđenog izvora i je li promijenjen. Model i podaci nisu obične datoteke koje bilo tko može zamijeniti na proizvodnom računalu.
Operativni plan treba obuhvatiti i kvar uređaja. Tko prima obavijest? Može li linija nastaviti s ručnom kontrolom? Kako se zamjenjuje uređaj? Kako se vraća prethodna verzija nakon neuspjelog ažuriranja? Odgovori na ta pitanja određuju stvarnu održivost rješenja više od same brzine inferencea.
Pilot ne treba dokazivati samo da model radi u idealnim uvjetima. Treba provjeriti ponašanje sustava kada se proizvodnja razlikuje od demonstracije.
Testirajte promjene osvjetljenja, materijala, brzine linije i položaja predmeta. Isključite mrežu ako je offline rad dio zahtjeva. Ponovno pokrenite uređaj. Provjerite može li se vratiti prethodna verzija modela i konfiguracije. Simulirajte situaciju u kojoj operater mora preuzeti proces ručno.
Uz tehnički rezultat pratite i poslovnu posljedicu:
Model može imati dobru tehničku točnost, a ipak lošu poslovnu vrijednost ako često prekida proizvodnju ili stvara više posla nego što uklanja. Zato pilot unaprijed treba definirati tehničku metriku, poslovnu posljedicu, prihvatljivu pogrešku i način ručnog preuzimanja.
Prije širenja na više strojeva izračunajte operativni teret: distribuciju verzija, zamjenu uređaja, čuvanje odabranih uzoraka, nadzor, pregled alarma i odgovornost za ponovno učenje. Ako se taj posao ne može jasno dodijeliti, edge flota još nije spremna za širenje.
Počnite s jednom odlukom koja ne može čekati cloud i opišite njezin cijeli tijek, od senzora do reakcije operatera ili stroja. Zatim usporedite potrebnu latenciju, posljedicu pogreške, dostupnost mreže, potrebu za lokalnim podacima i trošak održavanja uređaja.
Za takvu procjenu korisno je prvo mapirati proces, odgovornosti i točke na kojima se podaci stvarno stvaraju. ERP i procesni screening može dati strukturiranu osnovu prije izbora arhitekture, dok AI nadogradnja poslovnih procesa povezuje AI slučaj s radnim postupkom koji treba podržati. Edge AI pilot ima smisla kada tehnički rezultat, poslovna odluka i način održavanja zajedno ostaju izvedivi.