人工智能和5克是更好的在边缘

这世界充满了令人兴奋的技术,保证为企业开启新的可能性。在某些情况下,两个新兴技术放大的融合这两种技术的好处。人工智能和5克这样的互补技术的完美例子。每一个都有巨大的潜力,但他们一起使用时更好。

为什么AI的位置问题

AI工作流需要摄取大量的来自多个数据源的数据,用这些数据来训练模型,然后利用这些模型生产自动化,数据驱动的结果。越来越多,随着越来越多的数据生成边缘,不同的步骤(工作量)人工智能工作流通常基于性能表现在不同的位置,隐私,灵活性和成本要求。这一趋势被称为分布式人工智能。现在很多企业都使用分布式人工智能协调器来帮助他们把人工智能训练和推理工作负载到适当的位置。

模型推理和模型训练两个工作负载组成工作流图形上面所示的迭代过程非常不同的需求。简而言之,模型训练更多的资源密集型,因此它通常运行在一个大型数据中心或公共云。相比之下,模型推理更对延迟敏感的,所以它通常在运行数字边缘,更接近数据源。

为什么5 g的位置问题

像AI, 5 g的成功取决于拥有正确的基础设施在正确的地方。5 g的承诺都是关于使企业级无线服务,而前几代无线网络只能支持消费级语音和文本服务。时,使这些企业服务,用户平面函数(UPF)是最5 g网络基础设施的重要组成部分。趟车负责de-encapsulating 5 g用户流量,以便可以移动无线网络和外部网络如互联网或云生态系统。

自从5 g用户想要访问的应用程序以外的网络生活,要有可靠的、低延迟连接UPF值所在。由于这个原因,移动upf值从核心网络的数字边缘是最重要的步骤之一,电信运营商可以解锁5 g的全部价值的基础设施。

5克帮助AI远离设备和备用的基础设施

许多人工智能的用例有严格的性能要求;满足这些需求的一个方法是对设备本身执行推论或使用一个本地服务器存储设备非常接近。这些服务器是经常发现在体育场的壁橱,零售商店,机场和其他人工智能数据需要迅速处理。这种方法有其局限性:做复杂的人工智能推理处理设备可以迅速耗尽电池,和设备上的人工智能硬件通常是不足以做所需的处理。

此外,许多AI用例需要聚合来自多个数据源的数据。在许多情况下,不会有足够的内存和存储空间在设备上举办不同的数据集。同样,做人工智能推测本地壁橱的人身安全问题,物理空间的限制,无法提供所需的电力,和更高的运营维护的硬件。

因为5 g网络提供高带宽连接,现在可以主机AI也推论的基础设施和缓存所需的数据集在5 g基础设施靠近数据生成。因此,人工智能推理任务可以从设备和备用的位置转移到5克多路存取边缘计算(MEC)位置在附近的基础设施网络服务提供者(NSP) 5 g在同一个地铁。

被托管的5 g网络可以满足应用程序的延迟和带宽的需求同时也允许企业将其人工智能基础设施从设备或备用的壁橱里。根据承运人5 g部署架构和应用程序延迟需求,5 g MEC基础设施可以位于一个微观数据中心(如细胞塔),云5 g区(如AWS波长)或宏观数据中心(比如一个Equinix IBX®)。

用例:数据聚合优势的智能停车

一个用例的一个例子,需要许多不同来源的数据聚合智能停车场场景:

• 低功耗停车位传感器可以生成一条消息,一辆车刚停。
• 摄像机可以开始流媒体的视频驱动程序卸载购物袋的车。
• 在视频分析工具确定司机的居民建筑,门会自动打开。

在这个例子中,不同的数据集每会由不同的网络(例如,罗拉的停车传感器,5 g的视频和无线智能门)。使智能行为正确的序列,AI推论需要摄取数据从所有这些不同的网络。

边缘是许多不同的网络相交;最初也是交通的聚合和加工使用边缘计算应用程序。因此需要部署AI推论在同一地点部署计算资源,和不同的网络相交的地方。

此外,典型的边缘部署构建使用混合架构。这意味着一些处理发生在边缘和一些核心云计算基础设施。相同的混合架构相关的人工智能,用于模型训练的核心基础设施与基础设施用于推断法。这使得两者之间的动态链接,因此,更准确的结果。

人工智能实现更好的切片和维护5 g网络

5 g技术最强大的一个方面是,它允许NSPs执行网络切片,本质上提供不同类型的网络服务为不同类型的用户和应用程序。今天的NSPs可以应用预测分析支持人工智能模型,使智能网络分割比以往任何时候都要多。

为此,NSPs可以收集元数据在不同的应用程序,这些应用程序包括如何在特定的网络条件下执行。当5 g基础设施和人工智能模型都是位于边缘,是很容易预测的见解关于服务质量(QoS)的不同的应用程序可能需要,并相应地划分成不同的网络片。

此外,NSPs可以把日志和利用数据的网络,用它来训练人工智能模型,支持积极的维护和管理。这些模型可以帮助检测条件,表明可能的服务中断或用户流量激增。网络可以自动反应防止停机或提供额外的能力。再一次,同时拥有5 g和人工智能在数字边缘关键基础设施充分利用这种能力。

用例:AR / VR预测性维护

公司车队越来越装备上执行维护他们的技术人员与AR / VR护目镜。这些护目镜允许技术人员来捕获视频,直接流到一个视频分析工具。得到最好的分析结果,人工智能实时处理需要发生。这意味着需要计算基础设施部署在靠近视频捕获。

正如前面提到的,做人工智能推测护目镜本身并不实用。存储服务器在一个壁橱也不是最理想的,因为各种原因:

• 它可以导致更高的运营成本之间如果有多个维修地点在地铁,因为该公司将派技术人员去维护的硬件在每个位置。
• 它限制了灵活性,因为没有简单的方法来扩大产能需求增加。
• 它创造了物理安全头痛,因为公司为了保护服务器本身。
• 最后,还有一个简单的事实:大多数企业宁愿没有他们的壁橱空间的服务器。

5 g提供了一个更好的方法。5 g MEC服务器可以放置远离维护设施,同时仍然提供高带宽和满足非常严格的延时要求。维护公司可以部署他们的5 g MEC服务器主机托管数据中心在相应的设施,附近地铁的位置,以确保他们没有在的设施。这可以帮助他们实现所有本地硬件不能的好处:投资效率、灵活性和人身安全。

用例:AI-assisted预测负载搬迁车辆服务

车辆services-commonly称为vehicle-to-everything (V2X),层出不穷的依靠飞船稳定性极强,低延迟(所需)移动车辆之间的通信和临界边缘计算工作负载。这些工作负载负责提供增强的自治水平,从预测的见解(L3 -自适应和L4 -半自治)完全智能操作(L5 -自主)所设想的汽车行业。

NSPs架构和设计他们的5 g网络支持所需通信车载移动服务。如果应用程序工作负载运行在边缘位置不佳(如边缘数据中心),它可能会产生过度的工作负载之间的距离和移动车辆。这个距离关键应用程序的性能可能有负面影响交通和车辆控制系统之间的应用程序工作负载运行在MEC资源。

人工智能模型可以帮助预测计算(MEC)边缘位置应用程序工作负载及其上下文应该是为了满足延迟,吞吐量和可靠性要求。这AI-assisted工作负载转移的决定可以基于收集的数据来自多个系统,包括:

• 5 g网络遥测技术(例如,信号条件下,回归事件,可用QoS)
• 车辆遥测数据(如位置、速度、航向)
• MEC遥测数据(如位置、容量、可靠性)
• 地铁包/光学网络遥测数据(例如,路线之间的延迟和带宽MEC位置)

AI-assisted计算的结果可以确定最优MEC位置复制关键应用程序工作负载与车辆运动协调,5 g网络条件和MEC资源。相反,如果这个计算的结果是负的(不可能满足要求),可以减少车辆的自治水平。

部署在边缘Equinix的平台

平台Equinix®提供数据中心在六大洲的70 +地铁,我们可以很容易地部署人工智能推理和5 g基础设施在所有的边缘位置,为你提供最好的结果5 g和人工智能工作负载。我们还提供数字作为服务基础设施可以帮助简化和加速你的5 g / AI推广,包括:

• Equinix的金属®单租户的计算和存储能力需要时间和地点
• Equinix的织物®随需应变的虚拟连接自己的分布式基础设施和在你的合作伙伴生态系统
• 网络边缘虚拟网络功能(VNFs)从上供应商,包括5 g虚拟路由器

最后,Equinix的充满活力的合作伙伴生态系统需要你5 g的价值最大化和艾城的部署。例如,我们在全球范围内与2100 + NSPs合作。我们非常熟悉如何帮助那些NSPs现代化他们的网络5 g的时代,我们也知道如何将5 g网络的力量传递给我们的企业客户。

此外,我们提供cloud-adjacent数据中心可以提供接近所有主要云hyperscalers。这使得分布式人工智能的更好的结果。客户可以做他们的AI在云中训练,随后他们的模型移动到一个Equinix的数据中心在同一个地铁。他们可以在云层和边缘位置之间移动数据使用私人安全Equinix的织物连接。

AI和5克只是两个例子的领先企业如何使用分布式的、相互关联的数字基础设施实现转型的结果。仔细看看他们是如何做的,以及如何你可以做同样的事情,读了领导人的数字基础设施指南今天。