Конвергенция периферийных вычислений и глубокого обучения: комплексный обзор

Convergence of Edge Computing and Deep Learning: A Comprehensive Survey
Dusit Tao Niyato, Xiaofei Wang, Yiwen Han, Victor C. M. Leung, Xueqiang Yan, Xu Chen
2020-01-01

глубокое обучениеобучение и вывод глубокого обученияпериферийные вычисленияинтеллект на периферииинтеллектуальная периферия
Повсеместно распространённые датчики и интеллектуальные устройства на предприятиях и в сообществах генерируют огромные объёмы данных, а постоянно растущие вычислительные мощности переносят центр вычислений и предоставления услуг из облака на периферию сети. Развитие приложений и сервисов на основе искусственного интеллекта (особенно глубокого обучения, DL), являющегося важным фактором, широко меняющим жизнь людей — от распознавания лиц до создания перспективных умных предприятий и городов, — стремительно ускоряется. Однако из-за проблем эффективности и задержки существующая архитектура облачных вычислительных сервисов препятствует реализации концепции «предоставления искусственного интеллекта каждому человеку и каждой организации повсюду». Поэтому использование ресурсов на периферии сети, расположенных вблизи источников данных, для предоставления сервисов глубокого обучения стало привлекательным решением. В связи с этим значительное внимание получила периферийная интеллектуализация, целью которой является содействие развёртыванию сервисов глубокого обучения посредством периферийных вычислений. Кроме того, глубокое обучение как представительский метод искусственного интеллекта может быть интегрировано в архитектуры периферийных вычислений для формирования интеллектуальной периферии, обеспечивающей динамическое и адаптивное обслуживание и управление периферийной инфраструктурой. Рассматривая взаимовыгодное взаимодействие периферийной интеллектуализации и интеллектуальной периферии, в статье представлены и обсуждаются: 1) сценарии применения обоих подходов; 2) практические методы реализации и обеспечивающие технологии, а именно обучение и вывод моделей глубокого обучения в специализированной среде периферийных вычислений; 3) проблемы и будущие тенденции развития более повсеместного и детализированного интеллекта. Мы полагаем, что благодаря объединению информации, разрозненной в областях связи, сетевых технологий и глубокого обучения, данный обзор поможет читателям понять взаимосвязи между обеспечивающими технологиями и будет способствовать дальнейшему обсуждению интеграции периферийной интеллектуализации и интеллектуальной периферии, то есть Edge DL.
1
Объединяя перспективы коммуникаций, сетевых технологий и глубокого обучения, обзор проясняет взаимосвязь между пограничным интеллектом и интеллектуальной периферией.
2
Глубокое обучение может сделать периферийные вычислительные платформы интеллектуальными, обеспечивая динамическое и адаптивное обслуживание и управление периферией.
3
Пограничный интеллект размещает сервисы глубокого обучения ближе к источникам данных, устраняя ограничения облачных архитектур по эффективности и задержке.
4
В статье выделены проблемы и будущие тенденции, связанные с более повсеместным и детализированным интеллектом на сетевой периферии.
5
Обзор систематизирует Edge DL по сценариям применения, практическим методам обучения и вывода, а также технологиям реализации в специализированных периферийных платформах.

сближение периферийных вычислений и глубокого обучения (Edge DL)

сценарии применения, методы реализации, обеспечивающие технологии, проблемы и будущие тенденции развертывания и интеграции сервисов глубокого обучения на периферии сети

Publication Details
Publication Date
2020-01-01
Journal
Publisher
ISSN
Cited by
1520
Access Type
Author Information
Authors
Dusit Tao Niyato
Xiaofei Wang
Yiwen Han
Victor C. M. Leung
Xueqiang Yan
Xu Chen
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%