Dlaczego urządzenia Edge AI potrzebują pamięci RAM i nośników danych klasy przemysłowej?

Zadania obliczeniowe związane ze sztuczną inteligencją są coraz częściej rozdzielane pomiędzy scentralizowane ośrodki przetwarzania danych, platformy chmurowe oraz urządzenia pracujące na brzegu sieci. Dzięki temu możliwe jest analizowanie danych i podejmowanie decyzji niemal natychmiast, bez konieczności ciągłej komunikacji z chmurą. Taka zmiana stawia jednak większe i bardziej złożone wymagania wobec pamięci i nośników danych. Zawierająca modele i dane pamięć RAM umożliwia prowadzenie wnioskowania AI, nośniki informacji zaś przechowują system operacyjny, aplikacje, modele AI oraz zgromadzone dane. Razem stały się one kluczowymi elementami nowoczesnych systemów Edge AI.

Internet Rzeczy już dawno przestał być wyłącznie koncepcją techniczną. Miliony urządzeń wykorzystywanych w przemyśle, ochronie zdrowia, transporcie, energetyce czy inteligentnych budynkach nieustannie zbierają i analizują dane, wspierając automatyzację procesów oraz podejmowanie decyzji w czasie rzeczywistym. Wraz ze wzrostem liczby takich urządzeń rośnie również ilość generowanych informacji, a tym samym wymagania dotyczące szybkości ich przetwarzania, przechowywania i przesyłania.

Dlatego współczesne środowiska IoT coraz rzadziej bazują wyłącznie na modelu chmurowym. Zadania wymagające natychmiastowego reagowania realizowane są lokalnie przez urządzenia brzegowe, natomiast chmura odpowiada za długoterminowe przechowywanie danych, analizę dużych zbiorów informacji oraz centralne zarządzanie całą infrastrukturą. Taki podział pozwala ograniczyć opóźnienia, zmniejszyć wykorzystanie łączy oraz zapewnić ciągłość działania nawet wtedy, gdy połączenie z centralnym systemem jest ograniczone lub chwilowo niedostępne. W takim modelu jednak wydajność całego systemu coraz częściej zależy od możliwości zapewnianych przez samo urządzenie brzegowe.

Edge AI zaczyna się od sprzętu

Przeniesienie obliczeń bliżej miejsca powstawania danych sprawia, że urządzenia brzegowe muszą realizować znacznie bardziej złożone zadania niż jeszcze kilka lat temu. Dotyczy to zarówno analizy obrazu, monitorowania parametrów pracy maszyn, jak i działania systemów medycznych czy infrastruktury telekomunikacyjnej. Oprócz odpowiedniej mocy obliczeniowej potrzebują one również wysokowydajnej pamięci RAM do przetwarzania AI oraz niezawodnych nośników informacji do przechowywania oprogramowania, modeli AI i danych, co pozwala zapewnić szybkie, przewidywalne działanie oraz odporność na wymagające warunki eksploatacji. To właśnie dlatego jednym z fundamentów nowoczesnych platform Edge AI stały się „wbudowane” rozwiązania embedded klasy przemysłowej.

– Przez wiele lat pamięć była postrzegana przede wszystkim jako komponent uzupełniający projekt urządzenia. W systemach wdrażanych w modelu Edge AI jej rola wyraźnie się zmienia. To właśnie parametry pamięci i nośników danych, takie jak pojemność, przepustowość, opóźnienia, trwałość i niezawodność, decydują obecnie nie tylko o szybkości działania aplikacji, ale również o stabilności całego systemu, możliwości lokalnego przetwarzania informacji oraz niezawodności pracy w środowiskach, gdzie nie ma miejsca na przestoje – mówi Robert Sepeta, Business Development Manager w firmie Kingston.

Urządzenia brzegowe pracują często w miejscach o ograniczonej przestrzeni montażowej, przy niewielkim budżecie energetycznym, a jednocześnie są narażone na wahania temperatury, drgania czy nieprzerwaną pracę przez wiele lat. Z tego powodu wykorzystywane w nich komponenty muszą łączyć wysoką wydajność z trwałością i przewidywalnością działania. W takich zastosowaniach znajdują zastosowanie przemysłowe rozwiązania embedded, w tym nośniki flash eMMC przeznaczone do ekonomicznych konstrukcji o ograniczonej przestrzeni, nośniki flash UFS do zastosowań wymagających większej przepustowości i niższych opóźnień, przemysłowe karty microSD oraz energooszczędne pamięci RAM LPDDR. Bezpieczeństwo danych zapewniają także rozwiązania zaprojektowane z myślą o rozszerzonym zakresie temperatur pracy, większej trwałości podczas zapisu, równomiernym zużywaniu komórek pamięci (wear levelling), zarządzaniu uszkodzonymi blokami, korekcji błędów (ECC), ochronie przed utratą zasilania, deterministycznej wydajności przy ciągłym obciążeniu oraz długim cyklu życia produktu. Zapewnia to niezawodne działanie przez cały okres eksploatacji urządzenia.

Pamięć embedded decyduje o niezawodności inteligentnych urządzeń

Rosnące możliwości systemów Edge AI znajdują odzwierciedlenie w coraz szerszym spektrum zastosowań. W przemyśle urządzenia analizują dane z czujników i wspierają predykcyjne utrzymanie ruchu, w placówkach ochrony zdrowia obsługują systemy monitorowania pacjentów oraz aparaturę diagnostyczną, a w transporcie odpowiadają za analizę parametrów pojazdów i infrastruktury. Podobne rozwiązania wykorzystywane są również w sieciach telekomunikacyjnych, inteligentnych miastach czy handlu detalicznym. We wszystkich tych środowiskach dane muszą być przetwarzane lokalnie szybko, bezpiecznie i w sposób zapewniający ciągłość działania systemu.

– Projektując urządzenia dla przemysłu czy medycyny nie można zakładać idealnych warunków pracy. Sprzęt często działa przez całą dobę, w miejscach o podwyższonej temperaturze, narażony na wibracje lub niestabilne zasilanie. Dlatego rozwiązania embedded powinny być dobierane nie tylko pod kątem wydajności, ale również odporności i długoterminowej niezawodności. W praktyce to właśnie te cechy decydują o całkowitym koszcie eksploatacji urządzenia oraz jego bezawaryjnej pracy przez wiele lat – podkreśla ekspert Kingston.

Wraz ze wzrostem liczby urządzeń Edge AI rośnie również znaczenie jakości wykorzystywanych komponentów. Pamięć RAM tymczasowo przechowuje aktywne dane, dzięki czemu umożliwia pracę modeli AI i aplikacji, natomiast trwałe nośniki danych (takie jak eMMC, UFS czy SSD) przechowują system operacyjny, aplikacje, modele AI oraz zgromadzone dane nawet po odłączeniu zasilania. W kontekście faktu, że nawet krótkotrwałe zakłócenia mogą prowadzić do utraty danych lub ograniczenia funkcjonalności całego systemu, oba rodzaje komponentów są niezbędne do zapewnienia nieprzerwanego działania systemów wykorzystujących AI. Dlatego rozwiązania przeznaczone do zastosowań przemysłowych projektowane są z myślą o zachowaniu spójności danych, stabilnych parametrów pracy oraz wysokiej trwałości w wymagających środowiskach.

Rozwój sztucznej inteligencji na brzegu sieci będzie postępował wraz z upowszechnianiem sieci 5G oraz rosnącą liczbą urządzeń Internetu Rzeczy. Coraz więcej danych będzie analizowanych bezpośrednio tam, gdzie powstają, co pozwoli ograniczyć opóźnienia oraz zmniejszyć obciążenie sieci i infrastruktury chmurowej. Jednocześnie oznacza to konieczność stosowania pamięci RAM zdolnej do obsługi coraz bardziej wymagających zadań obliczeniowych związanych z wnioskowaniem AI oraz rozwiązań pamięci masowej, które niezawodnie przechowują systemy operacyjne, aplikacje, modele AI i rosnące ilości danych generowanych lokalnie, zapewniając nieprzerwane działanie w rozproszonych środowiskach. W efekcie komponenty embedded stają się jednym z kluczowych elementów architektury nowoczesnych systemów Edge AI.

foto, źródło. Kingston