استنتاج در لبه به میدان رقابت سال ۲۰۲۶ بدل شده است
تحلیلگران از گذاری از مقیاس آموزش به جانمایی استنتاج میگویند، با این استدلال که دادهای که بیش از همه به تصمیم سریع نیاز دارد در کارخانه، فروشگاه و تاسیسات دورافتاده تولید میشود.
قاب گفتوگو درباره زیرساخت هوش مصنوعی جابهجا شده است. اگر چند سال گذشته را مقیاس آموزش در دست داشت — مدلی چقدر بزرگ، روی چند شتابدهنده، در مرکز داده چه کسی — پرسش رقابتی در سال ۲۰۲۶ بیش از پیش درباره محل انجام استنتاج است و پاسخ دارد از ابر به بیرون میرود.
استدلال، استدلال جاذبه داده است. اطلاعاتی که فوریترین نیاز را به یک تصمیم دارد در کارخانه، فروشگاه، خودرو و سایت دورافتاده تولید میشود. انتقال آن به یک مدل مرکزی، انتظار، و بازگرداندن پاسخ وقتی تصمیم چند دقیقه فرصت دارد پذیرفتنی است و وقتی چند میلیثانیه فرصت دارد گران، یا وقتی سیگنال خام جریان ویدیوی پیوسته است و پاسخ یک کلمه.
برای بهرهبرداران صنعتی این کمتر یک مکاشفه و بیشتر نامگذاری کاری است که استقرارها از پیش انجام میدادهاند. بازرسی بینایی سالهاست کنار خط اجرا میشود چون نرخ فریم هر گزینه دیگری را غیرعملی میکند. پایش وضعیت مبتنی بر ارتعاش به صورت محلی خلاصهسازی میکند چون ارسال داده نمونه خام از هر یاتاقان پیشنهاد جدیای نیست. آنچه تغییر کرده سختافزار است: رده پردازندهای که میتواند مدلی کارآمد را در جعبهای بدون فن و نصبشده در تابلو نگه دارد به شکل محسوسی بهتر شده، و فاصله میان آنچه دستگاه کف کارخانه و آنچه یک سرور میتواند اجرا کند آنقدر کم شده که جانمایی به یک انتخاب واقعی بدل شده نه یک اجبار.
هشداری که ارزش پیوست شدن دارد این است که حرکت به بیرون رایگان نیست. مدلی در مرکز داده با یک بار استقرار بهروزرسانی میشود. مدلی روی چهارصد دروازه با یک عملیات ناوگانی بهروزرسانی میشود، با انتشار مرحلهای، رصد نسخه، و طرحی برای سایتهایی که در بازه انتشار آفلاین بودهاند. سازمانهایی که تصمیم جانمایی را تنها بر پایه تاخیر گرفتهاند معمولا مسئله توزیع را بعدا کشف میکنند.
جهت حرکت واقعی است. صورتحساب عملیاتی حدود یک سال دیرتر میرسد.
منبع: R&D World