Blog: Qualité prédictive : solution Edge ou Cloud ?
Qualité prédictive : solution Edge ou Cloud ?
Les applications de qualité prédictive deviennent de plus en plus importantes dans la production. Le cloud offre une variété de nouvelles possibilités, mais en matière de vitesse, il est logique de s’appuyer sur l’edge. Dans ce blog, nous allons vous montrer comment utiliser les systèmes edge malgré leur faible puissance de calcul.
Avec les applications de qualité prédictive, les entreprises peuvent optimiser en permanence la qualité de leurs produits et leurs processus. Cela permet également d’identifier les problèmes de qualité. La condition préalable est un processus d’apprentissage machine capable de prédire rapidement des problèmes tels que des bourrages sur une machine ou une surchauffe d’un moteur. Les calculs analytiques des algorithmes nécessaires à cet effet peuvent être effectués à la fois via l’edge computing et via une plate-forme cloud. Dans la première partie « Qualité prédictive et Edge Computing », nous avons déjà montré les raisons pour lesquelles il n’est pas conseillé d’utiliser une plate-forme cloud pour les cas d’utilisation où le temps et critique.
Dans cette partie, nous expliquons comment vous pouvez utiliser des systèmes de périphérie malgré une puissance de calcul réduite en optimisant les modèles d’apprentissage machine :
- Pruning: En simplifiant, raccourcissant et optimisant les arbres de décision, la complexité des paramètres d’entrée peut être réduite, ce qui nécessite donc moins de puissance de calcul.
- Frameworks: La gamme de cadres est large et offre différents avantages et inconvénients. Avec un framework tel que Learn2Compress de Google, les couches de modèles de deep learning peuvent être réduites dans leur largeur et leur profondeur, économisant ainsi de la puissance de calcul.
- Langage de programmation : Les modèles d’apprentissage automatique sont généralement écrits dans le langage de programmation Python. Cependant, Python nécessite beaucoup de puissance de calcul. Des compilateurs peuvent être utilisés pour traduire le code dans un langage qui nécessite moins de puissance de traitement, tel que C #.
Grâce à ces conseils, les modèles d’apprentissage machine peuvent être optimisés et les systèmes edge peuvent être utilisés. Cependant, l’efficacité du cloud ne peut pas être atteinte par une solution edge. Il s’agit d’un inconvénient majeur, car le cloud nécessite souvent moins de capacité de calcul en raison de l’équilibrage de charge et sera donc plus rentable que la solution edge.
Le choix d’une solution cloud ou périphérique dépend de chaque cas spécifique. Une combinaison des deux solutions est également concevable et possible. Par exemple, les données peuvent être préparées et préfiltrées à la périphérie et le traitement ultérieur peut être fait dans le cloud.
Avez-vous des questions sur les différentes options ? N’hésitez pas à nous contacter.
Lien vers le premier article de blog.
- Fusion Substring et LeanBI - décembre 31, 2023
- Blog: De nouveaux potentiels d’optimisation grâce à l’IA et aux modèles physiques - juillet 14, 2023
- Blog: Accélération du développement grâce à l’IA et aux modèles physiques - juin 20, 2023