論文の概要: Embedded Development Boards for Edge-AI: A Comprehensive Report
- arxiv url: http://arxiv.org/abs/2009.00803v1
- Date: Wed, 2 Sep 2020 03:34:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 19:36:51.009986
- Title: Embedded Development Boards for Edge-AI: A Comprehensive Report
- Title（参考訳）: Edge-AIの組み込み開発ボード: 総合レポート
- Authors: Hamza Ali Imran, Usama Mujahid, Saad Wazir, Usama Latif, Kiran Mehmood
- Abstract要約: IoTアプリケーションの処理の大部分は、中央クラウドで行われている。
ネットワークの端でデータを処理する新しいトレンドが生まれつつある。
本稿では,Edge上で人工知能アルゴリズムを実行するための開発ボードをレビューした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The use of Deep Learning and Machine Learning is becoming pervasive day by
day which is opening doors to new opportunities in every aspect of technology.
Its application Ranges from Health-care to Self-driving Cars, Home Automation
to Smart-agriculture, and Industry 4.0. Traditionally the majority of the
processing for IoT applications is being done on a central cloud but that has
its issues; which include latency, security, bandwidth, and privacy, etc. It is
estimated that there will be around 20 Million IoT devices by 2020 which will
increase problems with sending data to the cloud and doing the processing
there. A new trend of processing the data on the edge of the network is
emerging. The idea is to do processing as near the point of data production as
possible. Doing processing on the nodes generating the data is called Edge
Computing and doing processing on a layer between the cloud and the point of
data production is called Fog computing. There are no standard definitions for
any of these, hence they are usually used interchangeably. In this paper, we
have reviewed the development boards available for running Artificial
Intelligence algorithms on the Edge
- Abstract（参考訳）: ディープラーニングと機械学習の利用は日々広まってきており、テクノロジーのあらゆる面で新しい機会が開けている。
応用範囲はヘルスケアから自動運転車、ホームオートメーションからスマート農業、産業用4.0。
従来、iotアプリケーションの処理の大部分は中央クラウドで行われているが、レイテンシ、セキュリティ、帯域幅、プライバシといった問題が発生している。
2020年までに約2000万台のIoTデバイスが登場し、クラウドにデータを送り、そこで処理する際の問題を増大させると見積もられている。
ネットワークの端でデータを処理する新しいトレンドが生まれています。
この考え方は、可能な限りデータ生産のポイント近くで処理を行うことである。
データを生成するノードの処理をエッジコンピューティング(edge computing)と呼び、クラウドとデータ生成のポイントの間の層で処理をフォグコンピューティング(fog computing)と呼ぶ。
これらのどれにも標準的な定義はなく、通常は交換的に使用される。
本稿では,Edge上で人工知能アルゴリズムを実行するための開発ボードをレビューした。
関連論文リスト
- On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
AI技術の信頼性に関する深刻な懸念があった。
機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。
本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-24T14:01:53Z) - Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。
私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。
我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文 参考訳（メタデータ） (2021-11-11T05:58:23Z) - Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。
私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
論文 参考訳（メタデータ） (2021-08-30T08:03:29Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - Sampling Training Data for Continual Learning Between Robots and the
Cloud [26.116999231118793]
ロボットに搭載され、システムのボトルネックを低減するインテリジェントなサンプリングアルゴリズムであるHarvestNetを紹介します。
これは、道路建設現場の新しいデータセット、自動運転車のフィールドテスト、およびストリーミング顔認識上の機械学習モデルの精度を大幅に改善します。
ベースラインアルゴリズムよりも1.05-2.58倍正確であり、sscalablyは組み込みディープラーニングハードウェア上で動作する。
論文 参考訳（メタデータ） (2020-12-12T05:52:33Z) - Cost-effective Machine Learning Inference Offload for Edge Computing [0.3149883354098941]
本稿では,インストール・ベース・オンプレミス(edge)計算資源を活用した新しいオフロード機構を提案する。
提案するメカニズムにより、エッジデバイスは、リモートクラウドを使用する代わりに、重い計算集約的なワークロードをエッジノードにオフロードすることができる。
論文 参考訳（メタデータ） (2020-12-07T21:11:02Z) - Empowering Things with Intelligence: A Survey of the Progress,
Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。
まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。
最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
論文 参考訳（メタデータ） (2020-11-17T13:14:28Z) - CLAN: Continuous Learning using Asynchronous Neuroevolution on Commodity
Edge Devices [3.812706195714961]
我々は、NeuroEvolutionary(NE)学習と推論を実行するWiFiを介して通信するRaspberry Piのプロトタイプシステムを構築した。
本研究では,このような協調システムの性能を評価し,システムの異なる配置の計算/通信特性について詳述する。
論文 参考訳（メタデータ） (2020-08-27T01:49:21Z) - KubeEdge.AI: AI Platform for Edge Devices [4.337396433660794]
KubeEdge.AIはKubeEdge上のエッジAIフレームワークである。
データ処理と処理エンジン、簡潔なAIランタイム、決定エンジン、分散データクエリインターフェースなど、主要なモジュールとインターフェースのセットを提供する。
論文 参考訳（メタデータ） (2020-07-07T23:36:23Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z) - Communication-Efficient Edge AI: Algorithms and Systems [39.28788394839187]
エッジデバイス(IoTデバイスなど)の大規模展開は、前例のない規模のデータを生成する。
このような巨大なデータはすべて、処理のためにエンドデバイスからクラウドに送信することはできない。
AIモデルの推論とトレーニングプロセスをエッジノードにプッシュすることで、エッジAIは有望な代替手段として浮上した。
論文 参考訳（メタデータ） (2020-02-22T09:27:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。