Maytinhnhung.com xin chào bạn, bài viết này chúng ta sẽ đề cập tới khái niệm điện toán tại biên, nơi tài nguyên để máy tính xử lý được lưu trữ rất gần với nơi dữ liệu được tạo ra thông qua máy tính tại biên. Edge computer là các máy tính nhúng rất nhỏ gọn, tiêu thụ điện năng thấp trong một mạng lưới IoT hoặc mesh network.
Để hiểu hơn về tính toán tại biên, chúng ta cần đề cập về sự bùng nổ và thành công của điện toán đám mây. Hầu hết các thiết bị truy cập dịch vụ đám mây là máy tính cá nhân và người dùng cuối. Nhưng ngày càng nhiều, các thiết bị truy cập dịch vụ đám mây lại là phần cứng IoT để tải lên dữ liệu cảm biến.
Thu thập dữ liệu từ cảm biến và camera là nhiệm vụ đầu tiên của IoT. Tuy nhiên, việc dữ liệu lớn với khối lượng khổng lồ được thu thập liên tục từ xa trở thành bài toán khó cho các mạng lưới truyền tải. Khiến cho các dịch vụ xử lý và nhận dạng dữ liệu của đám mây có thể bị quá tải, không còn khả năng đưa ra kết quả chính xác trong thời gian ngắn. Đây là lý do cho việc tính toán tại biên trở nên cần thiết.
Tính toán tại biên cho phép máy tính khả năng tự phân tích, sàng lọc dữ liệu mà không phải phụ thuộc vào dịch vụ đám mây. Ví dụ, một ứng dụng thu thập dữ liệu có chức năng tính toán tại biên, sẽ chỉ tải lên đám mây lưu trữ những dữ liệu khi có biến động vượt ngưỡng cho phép. Điều này có thể cải thiện độ trễ và giảm chi phí của đường truyền.
Chúng ta hãy xem xét sâu hơn các ứng dụng của tính toán tại biên của mạng lưới neural nhân tạo trong các ứng dụng nhận dạng. Thông thường, dữ liệu vẫn được đào tạo tại các máy chủ trung tâm và đòi hỏi rất nhiều sức mạnh tính toán.
Amazon, Google, IBM và Microsoft đều đã ra mắt dịch vụ nhận dạng Cloud Vision. Người dùng có thể tải lên một hình ảnh tĩnh hoặc một video và được trả lại một kết quả nhận thức. Các dịch vụ đám mây AI dựa trên mạng neural đã được đào tạo sẵn trên các máy chủ ở trung tâm dữ liệu. Khi nhận được dữ liệu đầu vào, chúng sẽ thực hiện ảnh hưởng một lần nữa trên một máy chủ Trung tâm dữ liệu đám mây để xác định kết quả.
Trong một kịch bản điện toán tại biên trong sản xuất, một mạng neural trong một nhà máy có thể thu được hình ảnh sản xuất một cách chính xác và sau đó triển khai học máy để phát hiện lỗi sản phẩm. Một khi hoàn tất quá trình đào tạo, một bản sao của mạng neural sẽ được triển khai đến một camera của một máy tính nhúng tại biên. Điều này cho phép máy tính đó xác định các sản phẩm bị lỗi mà không cần tải bất kỳ video qua mạng. Độ trễ chắc chắn được cải thiện và băng thông được giải phóng. Dữ liệu chỉ được báo cáo trở lại đám mây khi các sản phẩm lỗi được xác định. Như vậy, ta sẽ training một neural network từ server máy chủ trung tâm và triển khai bản sao của mạng neural đó để thực hiện xử lý dữ liệu tại máy tính edge ở các biên.
Trong các ví dụ trên, chúng ta đã thấy sự tối ưu của việc xử lý, phân tích dữ liệu trên máy tính nhúng, máy tính công nghiệp đặt ở biên trong các ứng dụng IoT và Trí tuệ nhân tạo. Việc không quá phụ thuộc vào sức mạnh xử lý của máy chủ Deep learning và đường truyền, băng thông khiến cho các máy tính công nghiệp công suất thấp thực hiện chức năng xử lý tại biên trở nên rất hữu dụng.