مما لا شك فيه أنك قد قرأت أو سمعت عنه ، نظرًا لتكاثر عدد أجهزة حافة الشبكة ، فقد تم زيادة تدفق البيانات بشكل مستمر. تشمل هذه الأجهزة السيارات ذاتية القيادة ، وأجهزة إنترنت الأشياء ، والإلكترونيات الاستهلاكية ، وحتى أجهزة الكمبيوتر المحمولة والكمبيوتر الشخصي. وفقًا لتقديرات متعددة ، بحلول عام 2025 ، سيكون هناك عشرات المليارات من أجهزة إنترنت الأشياء قيد التشغيل. ترسل هذه الأجهزة أشكالًا مختلفة من البيانات إلى السحابة في شكل تدفقات بيانات مستمرة ، وتختلف معدلات البيانات على نطاق واسع. بشكل عام ، ستنتج هذه الأجهزة قدرًا كبيرًا من البيانات الأولية ، وسيستمر مقدار البيانات في الزيادة بمرور الوقت.
تعمل مسجلات الفيديو في الكاميرات الأمنية والسيارات ذاتية القيادة وأجهزة الكمبيوتر على إنشاء تدفقات فيديو عالية الدقة وعالية الدقة. تنشئ أجهزة إنترنت الأشياء بيانات ذات معدل بت متوسط وتجمعها في تدفقات بيانات كبيرة. العديد من الأنواع الأخرى من مستشعرات إنترنت الأشياء (تقيس درجة الحرارة ، والضغط ، والموقع ، ومستوى الضوء ، وما إلى ذلك) ستولد تدفقات بيانات منخفضة معدل البت ، ولكن قريبًا سيصل عدد هذه المستشعرات إلى المليارات. لذلك ، يمكن حتى تجميع تدفقات البيانات ذات معدل البت المنخفض هذه في تدفقات بيانات ذات معدل بتات أكبر وأكبر قبل الدخول إلى السحابة.
ظهور شبكات 5G اللاسلكية وتقنيات الشبكات عالية السرعة الأخرى ، بما في ذلك الخلايا الصغيرة وشبكات إنترنت الأشياء لمسافات طويلة (مثل LoRaWAN) وشبكات الأقمار الصناعية للشبكات العالمية (مثل شبكة Starlink عريضة النطاق التابعة لشركة SpaceX وشبكة إنترنت الأشياء عبر الأقمار الصناعية من Swarm Technologies ) ، والذي يوفر وصولاً شاملاً وسريعًا إلى السحابة (ملاحظة: استحوذت Starlink على Swarm Technologies في أغسطس 2021). تعمل تقنيات الاتصالات والشبكات هذه على تسريع حافة الشبكة الناشئة
. لا تتسامح تطبيقات الوقت الفعلي على حافة الشبكة عادةً مع زمن انتقال عالٍ ، لذلك يجب نقل المعالجة والتحليل واتخاذ القرار إلى الجهاز نفسه. تشتمل أجهزة حافة الشبكة هذه على مركبات مستقلة ، ومستشعرات إنترنت الأشياء ، وكاميرات الأمان ، والهواتف الذكية ، وأجهزة الكمبيوتر المحمولة ، وأجهزة الكمبيوتر الشخصية. لذلك ، فإن إمكانات حوسبة حافة الشبكة هائلة.
تحت وطأة البيانات ، لا تستطيع السحابة أن تفعل كل شيء
عزز النمو الهائل للهواتف الذكية وأجهزة إنترنت الأشياء من تطوير الحوسبة المتطورة على الشبكة. هذه الأجهزة موجودة في كل مكان ويجب أن تكون متصلة بالإنترنت لإرسال أو استقبال المعلومات من وإلى السحابة. تولد بعض أجهزة إنترنت الأشياء (مثل الكاميرات) كميات كبيرة من البيانات أثناء التشغيل.
تولد أجهزة إنترنت الأشياء الأخرى ، مثل مستشعرات درجة الحرارة ، كمية صغيرة من البيانات ، ولكن نظرًا لأن عدد هذه المستشعرات يمكن أن يصل إلى المليارات ، فإنه يمثل عبئًا كبيرًا على المعالجة السحابية. لذلك ، فإن المعالجة على أساس حافة الشبكة ضرورية للغاية ، ليس فقط لتقليل تكلفة اتصالات الشبكة والتخزين السحابي في السحابة ، ولكن أيضًا لتجنب الحمل الزائد على قناة البيانات السحابية.
يعتمد مطورو منتجات وتطبيقات حافة الشبكة بشكل متزايد خوارزميات الذكاء الاصطناعي والتعلم الآلي (AI/ML) لمطابقة الأنماط المعقدة والتعرف عليها للمساعدة في تحليل البيانات واتخاذ القرارات بناءً على ذلك. في الواقع، استخدام الذكاء الاصطناعي/التعلم الآلي التكنلوجيا لقد نمت بسرعة كبيرة.
في الوقت الحاضر ، تعتبر خوارزميات الذكاء الاصطناعي / تعلم الآلة وسيلة ضرورية لمعالجة البيانات الخام بكفاءة ، لأنها يمكن أن تحدد أنماط البيانات المعقدة والمتعددة الأبعاد التي يصعب تحليلها والتعرف عليها بواسطة برامج الخوارزمية التقليدية. تتضمن بعض تطبيقات الذكاء الاصطناعي / تعلم الآلة المحددة اكتشاف الأشخاص أو الأشياء والتعرف عليهم وتحديد هويتهم وعدهم ؛ تتبع الأصول والمخزون ، والإدراك البيئي ، والكشف عن الصوت والصوت والتعرف عليه ، ومراقبة صحة النظام ، وجدولة صيانة النظام. تطوير أجهزة وتطبيقات الحوسبة.
تشمل الأجهزة والتطبيقات الناشئة للشبكات المركبات الذاتية ، والروبوتات ، والإنتاج الآلي ، والمراقبة عن بعد ، وسلسلة التوريد وأنظمة الخدمات اللوجستية ، والمراقبة بالفيديو لضمان الأمن العام والخاص. يتزايد طلب السوق على أنظمة حافة الشبكة هذه بسرعة لأنها يمكن أن تزيد من الكفاءة وتقليل تكاليف التشغيل وتحسين تجربة المستخدم. ولكن بغض النظر عن مقدار البنية التحتية للاتصالات السلكية واللاسلكية التي نبنيها ، فإن اضطراب البيانات الزائدة قد يطغى على خطوط أنابيب البيانات هذه أو يمنعها من الوصول إلى السحابة.
تساعد المعالجة المترجمة على حافة الشبكة في إلغاء حظر خط أنابيب البيانات
تشير هذه الاتجاهات إلى أنه من الضروري الآن إجراء المزيد من المعالجة حيث يتم إنشاء البيانات على حافة الشبكة وتقليل كمية البيانات المنقولة إلى السحابة. يعد النمو الهائل لإنترنت الأشياء والأجهزة الأخرى المتصلة بالشبكة القوة الدافعة الرئيسية لتطوير أجهزة حافة الشبكة الجديدة ، والتي تحفز بشكل أكبر على تطوير تطبيقات جديدة ، وبالتالي تحويل البيانات الأولية إلى معلومات مفيدة وقابلة للتنفيذ لدعم اتخاذ القرار السريع - صنع والاستجابة للمواقف المتغيرة في الوقت الحقيقي.
في المراحل الأولى من تطوير حوسبة حافة الشبكة ، ركزت الشركات على تكلفة نقل البيانات إلى مراكز البيانات عبر مسافات طويلة. في البداية ، كانت الميزة الرئيسية لتطبيقات حافة الشبكة هي الحاجة إلى الوصول إلى البيانات المخزنة في السحابة وأجهزة الكمبيوتر الأخرى المتصلة بالسحابة. لا تكون هذه التطبيقات المبكرة عادةً تطبيقات في الوقت الفعلي ؛ أوقات الاستجابة من مئات المللي ثانية أو حتى الثواني مقبولة. ومع ذلك ، فإن تطوير أجهزة إنترنت الأشياء والطلب المتزايد على المعالجة والتحليل والاستجابة في الوقت الفعلي على حافة الشبكة قد عزز التطور القوي لتقنية حافة الشبكة ، إلى جانب تحديات تصميم أكبر.
تجعل معالجة حافة الشبكة الحوسبة وتخزين البيانات أقرب وأقرب إلى الجهاز الذي يجمع البيانات ، بدلاً من التحليل واتخاذ القرارات في مركز البيانات على بعد آلاف الأميال
الشكل 1. الاتجاهات في حوسبة حافة الشبكة (مصدر الصورة: شعرية)
تحتاج العديد من تطبيقات حافة الشبكة التي يمكنها الاستفادة من إمكانات الذكاء الاصطناعي / التعلم الآلي إلى العمل في ظل قيود شديدة الصرامة لاستهلاك الطاقة. تعتمد هذه الأجهزة الموزعة على نطاق واسع عادةً على طاقة البطارية. تكثر هذه التطبيقات في بيئات مختلفة من أطراف الشبكات ، بما في ذلك المصانع والمزارع ومباني المكاتب ومتاجر البيع بالتجزئة والمستشفيات والمستودعات والشوارع والمساكن. مع زيادة عددها ، تحتاج هذه الأجهزة إلى العمل لفترة طويلة ، حتى لأشهر أو سنوات ، بشحنة واحدة فقط أو بالاعتماد فقط على تجميع الطاقة وتخزينها.
لذلك ، يجب أن تكون العديد من الأجهزة في حالة السكون أو الإسبات معظم الوقت ، ويجب أن تكون معظم الدوائر في وضع الاستعداد منخفض الطاقة عندما يكون الجهاز في حالة غير نشطة. ثم سيبدأ حدث التنشيط تشغيل الجهاز عند الحاجة. في هذا النوع من التطبيقات ، الأساسيات الدارة الكهربائية يجب أن يظل النظام الذي يعمل باستهلاك طاقة منخفض للغاية في وضع الاستعداد ، في انتظار حدث التنشيط ، ثم تشغيل بقية الجهاز حسب الحاجة.
FPGA يدرك AL / ML مع انخفاض استهلاك الطاقة
يبدو أن متطلبات الاستهلاك المنخفض للطاقة التشغيلية وتنفيذ خوارزمية الذكاء الاصطناعي / التعلم الآلي تتعارض مع متطلبات تصميم جهاز حافة الشبكة منخفض الطاقة. ومع ذلك ، فإن هذين المطلبين من متطلبات التصميم المعقدة ليسا متناقضين. تم تصميم أحدث FPGA من Lattice - سلسلة أجهزة CertusPro-NX منخفضة الطاقة وصغيرة الحجم وعالية الأداء - لتلبية متطلبات التصميم العديدة لأجهزة حافة الشبكة منخفضة الطاقة. يمكن أن تدعم FPGAs أجهزة استشعار متعددة وشاشات عرض وفيديو عالي الدقة واتصال بالشبكة ومعالجة AI / ML على حافة الشبكة.
في الوقت نفسه ، يوفر الإصدار 4.1 الذي تم إصداره حديثًا من Lattice من مجموعة حلول sensAI أدوات AI / ML جاهزة للاستخدام ، ونواة IP ، ومنصات للأجهزة ، وتصميمات مرجعية وعروض توضيحية ، وخدمات تصميم مخصصة لمساعدة فرق التصميم على تطوير معدات طرفية جديدة للشبكة وإحضاره بسرعة إلى السوق. يدعم أحدث إصدار من sensAI CertusPro-NX FPGA.
تعمل مجموعة حلول Lattice sensAI على تسريع تدريب نموذج AI / ML الشامل والتحقق والتجميع. أضافت Lattice بيئة تصميم sensAI Studio إلى sensAI 4.0 التي تم إصدارها في أوائل عام 2021 ، وهي أداة تستند إلى واجهة مستخدم رسومية (GUI) تساعد المطورين على بناء تطبيقات التعلم الآلي بسرعة. عند استخدام الأدوات في Lattice sensAI 4.1 لإعداد تصميم الحوسبة الطرفية للشبكة ، واستخدام Lattice iCE40 UltraPlus و CrossLink-NX و ECP5 و CertusPro-NX FPGA ، يمكن تحقيق وظائف AI / ML في الوقت الفعلي باستهلاك منخفض للغاية للطاقة ―― استهلاك الطاقة منخفض من 1 ميجا واط إلى 1 واط.
الشكل 2. تسرّع بيئة تصميم استوديو sensAI Studio في Lattice تدريب نموذج AI / ML الشامل والتحقق والتجميع. (مصدر الصورة: شعرية)
مع دعم sensAI 4.1 لمنتجات سلسلة Lattice CertusPro-NX FPGA ، تم أيضًا تحسين أداء sensAI بشكل كبير. بالإضافة إلى تطبيقات الكشف عن الكائنات وتتبعها الحالية ، تمت أيضًا إضافة تطبيقات مثل التصنيف في الوقت الفعلي لكائنات متعددة. تشتمل مجموعة حلول sensAI 4.1 على مترجم محدث للشبكة العصبية ومتوافق أيضًا مع منصات التعلم الآلي الأخرى المستخدمة على نطاق واسع ، بما في ذلك أحدث إصدارات Caffe و Keras و TensorFlow و TensorFlow Lite.
تشتمل نوى IP في مجموعة حلول Lattice sensAI 4.1 على ثلاثة أنواع من مسرعات الشبكة العصبية التلافيفية (CNN) - CNN و CNN Plus و CNN Compact - ومحرك وحدة المعالجة المركزية CNN. يسمح CNN IP core للمطورين باستخدام العديد من شبكات CNN المستخدمة على نطاق واسع والتي تم إصدارها من قبل الآخرين ، مثل Mobilenet v1 / v2 و Resent و SSD و VGG أو تخصيص نموذج CNN حسب الحاجة. يستخدم مسرع سينس إيه آي 4.1 سي إن إن إمكانيات المعالجة المتوازية والذاكرة الموزعة وموارد معالج الإشارة الرقمية لشبكات FPGAs لتبسيط تنفيذ تصميمات الذكاء الاصطناعي منخفضة الطاقة للغاية. يستخدم قلب المسرع منطق FPGA القابل للبرمجة لتنفيذ شبكات عصبية منخفضة الطاقة ، بما في ذلك الشبكات العصبية الثنائية الفعالة للغاية (BNN) ، والتي يمكنها تنفيذ CNN باستهلاك منخفض للغاية للطاقة في نطاق ملي واط.
الشكل 3. يمكن لمجموعة حلول Lattice sensAI تطوير أجهزة AI / ML بناءً على شبكة FPGA. (مصدر الصورة: شعرية)
تصميم مرجع شعرية sensAI 4.1
توفر FPGAs شعرية إدخال / إخراج قابلة للبرمجة ، والتي يمكن تهيئتها لدعم مجموعة متنوعة من معايير الواجهة الكهربائية المستخدمة بشكل شائع في مدخل بطاقة الذاكرة : نعم واجهات. توفر الشركة أيضًا العديد من وحدات IP ذات النواة الصلبة واللينة لدعم بروتوكولات اتصال المستشعرات المختلفة. نظرًا لأن FPGAs تتمتع منذ فترة طويلة بمزايا كبيرة في اندماج المستشعرات ، فإن تصميم Lattice sensAI 4.1 يهدف إلى تبسيط تطوير وظائف الاستدلال AI / ML استنادًا إلى أجهزة استشعار متعددة في أجهزة حافة الشبكة وتحقيق اندماج مستشعر ذكي. تتضمن مجموعة حلول sensAI 4.1 العديد من أمثلة التصميم المرجعي ، مما يدل على مجموعة متنوعة من حالات تطبيق دمج أجهزة الاستشعار الذكية ، والتي يمكن تشغيلها في نفس الوقت لتحقيق وعي متعمق بالموقف. تشمل هذه التصاميم المرجعية:
• كشف الإيماءات
يستخدم هذا التصميم المرجعي مستشعر صور الأشعة تحت الحمراء لتنفيذ نظام الكشف عن إيماءات الطاقة المنخفضة المستند إلى الذكاء الاصطناعي. يوفر التصميم المرجعي مجموعة بيانات تدريبية ونصوصًا يمكن تدريبها باستخدام أدوات تدريب الشبكة العصبية شائعة الاستخدام ونموذج الشبكة العصبية للمستخدمين لتعديله.
• الكشف عن الكلمات الرئيسية
يستخدم هذا التصميم المرجعي ميكروفون MEMS رقمي للكشف المستمر عن الكلمات المفتاحية. يمكن للمصممين استخدام أطر عمل التعلم العميق (مثل Caffe أو Tensorflow أو Keras) لتحديث مجموعة بيانات التدريب المقدمة لإضافة وظائف كلمات التنبيه إلى النظام. يتضمن التصميم المرجعي مجموعة بيانات تدريبية ، ونصوصًا يمكن تدريبها باستخدام أدوات تدريب الشبكة العصبية شائعة الاستخدام ، ونموذج الشبكة العصبية للمستخدمين لتعديله.
•الكشف عن الوجه
يستخدم هذا التصميم المرجعي مستشعرات الصور لتنفيذ التعرف على الوجوه المستند إلى CNN ، ويمكنه تعديل قاعدة بيانات التدريب للتعرف على الأنواع الأخرى من الأهداف.
• الكشف عن الموظفين
يستخدم هذا التصميم المرجعي مستشعرات صور CMOS لاكتشاف وجود الأشخاص بشكل مستمر. يمكن لنظام الذكاء الاصطناعي المعتمد على هذا التصميم استخدام إطار عمل تعليمي عميق (مثل Caffe أو Tensorflow) لتحديث نموذج التدريب المقدم لاكتشاف وتحديد أي هدف موضع اهتمام. يتضمن التصميم المرجعي نموذج شبكة عصبية ومجموعة بيانات تدريب ونصوص يمكن تدريبها باستخدام أدوات تدريب مشتركة.
• الكشف عن الهدف وتصنيفه وتتبعه وعده
يقدم هذا التصميم المرجعي أمثلة على اكتشاف الهدف وتصنيفه وتتبعه وحسابه. لديها تصميم كامل ، بما في ذلك FPGA RTL للوحات تطوير الشبكة ، ونماذج الشبكة العصبية ، ومثال مجموعات بيانات التدريب ، وإعادة إنشاء وتحديث البرنامج النصي للتصميم.
تطبيقات حافة الشبكة الشائعة والمحتملة حيث يمكن استخدام الذكاء الاصطناعي
يتمتع استخدام خوارزميات AI / ML لتحسين أداء العديد من أجهزة حافة الشبكة (مثل الروبوتات المستقلة ، والتحكم البيئي ، وكاميرات أمان الفيديو) بمزايا واضحة ، في حين أن الأنواع الأخرى من أجهزة حافة الشبكة يمكن أن تستفيد منها أيضًا ، مثل أجهزة الكمبيوتر وأجهزة الكمبيوتر المحمولة . تعمل Lattice مع الشركاء والعملاء لاستخدام انصهار المستشعر الذكي متعدد الأوضاع وتقنية AI / ML لتحسين تجربة مستخدمي الكمبيوتر / الكمبيوتر المحمول بشكل مستمر وتقليل استهلاك الطاقة التشغيلية لأجهزة الكمبيوتر المحمولة بشكل كبير. في بعض التطبيقات ، زاد عمر البطارية بنسبة تصل إلى 28٪.
ما هي ميزات المعدات التي لها قيمة محتملة؟
يختلف استخدام أجهزة الكمبيوتر الشخصية وأجهزة الكمبيوتر المحمولة بشكل كبير خلال 24 ساعة ، ويتم استخدامها بشكل مكثف خلال ساعات العمل أثناء النهار. ومع ذلك ، حتى أثناء ساعات العمل ، سيكون لديهم حالة راحة. يأخذ الناس فترات راحة من حين لآخر ويتناولون وجبات الطعام في الظهيرة. خلال هذه الأوقات ، عادةً ما يحافظون على تشغيل الكمبيوتر لضمان عدم إغلاق التطبيقات المختلفة التي يفتحونها.
اجمع بين تحليل AI / ML واتخاذ القرار مع أجهزة الاستشعار الموجودة في الكمبيوتر (الكاميرات والميكروفونات) لتحقيق اندماج المستشعر الذكي ، مما يسمح لأجهزة الكمبيوتر أو أجهزة الكمبيوتر المحمولة بإدراك البيئة المحيطة لتحديد وقت إيقاف تشغيل الشاشة ووحدة المعالجة المركزية ، ومتى يتم إعطائها يعاد بالطاقة.
إن أبسط استخدام لاكتشاف التواجد هو إيقاف تشغيل الكمبيوتر عندما لا يكون هناك أحد في الجوار. عندما يكون المستخدم بعيدًا عن ملف شاشة لفترة طويلة ، يمكن لوظيفة تتبع الانتباه تعتيم شاشة الكمبيوتر وتنشيط وضع الطاقة المنخفضة. يمكن لجهاز FPGA منخفض الطاقة وصغير الحجم الذي يعمل كمركز للمستشعر الذكي تلقي مدخلات من مستشعرات الكمبيوتر ، ثم تحديد المكونات التي تزود الطاقة وفقًا للموقف.
حل مشاكل الخصوصية والأمان
وبالمثل ، يمكن لهذه الوظائف أيضًا تحسين خصوصية الكمبيوتر وأمانه. يمكن استخدام كاميرا المؤتمرات المدمجة بالكمبيوتر لمراقبة الخلفية خلف المستخدم واكتشاف ما إذا كان شخص ما يختلس النظر من خلف كتف المستخدم. إذا تم تكوين الكمبيوتر لحماية الخصوصية ، فعند الاشتباه في قيام شخص ما خلف مستخدم مصرح له باختلاس النظر على شاشة الكمبيوتر ، يمكن أن يظهر تحذيرًا لتذكير المستخدم بل وحتى تعتيم الشاشة تلقائيًا. وتجدر الإشارة إلى أنه باستخدام هذه الحلول ، يتم تخزين جميع بيانات الاستدلال محليًا في FPGA. يتم فقط تمرير البيانات الوصفية إلى SoC ، مما يعزز الخصوصية ويحسن الأمان.
تحسين تجربة المستخدم
يمكن لوظائف AI / ML أيضًا تحسين التجربة العامة لمستخدمي الكمبيوتر. على سبيل المثال ، يمكن لوظيفة معين منظر الوجه المستندة إلى AI / ML استخدام دقة أعلى لكاميرا مؤتمرات الفيديو المدمجة لاقتصاص الصورة الرمزية للمستخدم وتوسيطها ، مما يوفر صورة أفضل لمؤتمر الفيديو. يمكن للمشاركين أيضًا التحرك أثناء الاجتماع بينما تظل صورهم في المنتصف. وبالمثل ، يمكن أن تضيف ميزة التعرف على الإيماءات إمكانات التشغيل بدون اتصال لأجهزة الكمبيوتر المحمولة أو أجهزة الكمبيوتر أو أي أجهزة إنترنت الأشياء التي تدعم الفيديو.
فوائد صحية
توضح العديد من الشركات الآن أنها تريد حماية صحة موظفيها. يمكن أن تساعد وظائف الإدراك القائمة على الذكاء الاصطناعي / التعلم الآلي في تجنب إصابات الإجهاد المتكررة من خلال التذكيرات المنبثقة والتدابير الأخرى ، واستخدام مستشعرات الفيديو بالكمبيوتر للتأكد من أن الموظفين قد تبنوا بالفعل توصيات الراحة المقدمة.
يمكن أيضًا استخدام تطبيقات AI / ML لاكتشاف وضع المستخدم ، والذي قد يكون عاملاً آخر يسبب إصابات الإجهاد المتكررة. يمكن استخدام هذه الميزات التي تستخدم ردود فعل المستشعر النشطة لتطوير التطبيقات الصحية ، والتي تعد أفضل بكثير من تذكيرات التوقيت البسيطة المستخدمة حاليًا في المؤسسات ، ويمكنها التعامل بشكل فعال مع إصابات العمل المرتبطة بالإجهاد.
يمكن أن تساعد كل هذه الوظائف التي يتم تنفيذها من خلال AI / ML الموردين على إنشاء أجهزة كمبيوتر شخصية وأجهزة كمبيوتر محمولة أكثر جاذبية للمشترين من الشركات ، ويمكن تحقيق كل هذه الوظائف من خلال مجموعة حلول sensAI 4.1 وميزات شبكة FPGAs منخفضة الطاقة لتحقيقها.
يتجاوز استخدام هذا النوع من FPGA الوظيفة الأيقونية لتطوير FPGA لاتصال وانصهار مستشعر وقت طويل ، واستنادًا إلى خوارزميات AI / ML الناضجة ، فإنه يضيف تحليل إشارة المستشعر ووظائف اتخاذ القرار. تجعل إضافة AI / ML من FPGA وحدة تحكم في النظام منخفضة الطاقة يمكنها إدارة وظائف النظام ، وتعزيز تجربة المستخدم ، وإطالة عمر البطارية بشكل كبير عن طريق تقليل استهلاك طاقة تشغيل النظام بشكل عام.
الخلاصة: سوق ضخمة من مليارات الأجهزة الطرفية للشبكة لم يتم تطويرها بعد
من خلال منتجاتها المتعددة من سلسلة FPGA منخفضة الطاقة ومجموعة من حلول sensAI 4.1 التي تدعم سلسلة المنتجات هذه ، تلتزم Lattice بجلب تقنية AI / ML لمليارات من أجهزة حافة الشبكة. لذلك ، تعد تطبيقات حافة الشبكة سوقًا مستهدفًا محتملًا للغاية.
وفقًا لتقديرات مختلفة ، هناك حاجة إلى عشرات المليارات من أجهزة حافة الشبكة في منطقة واسعة من العالم لتلبية احتياجات عدد كبير من أسواق حافة الشبكة ، والتي تعد جذابة جدًا لأعمال FPGA - بالطبع هذا النطاق مناسب مناسب لأية صناعة بهذه الطريقة. يهدف إصدار Lattice لمجموعة حلول sensAI 4.1 وسلسلة FPGA منخفضة الطاقة وصغيرة الحجم بشكل مباشر إلى تطبيقات وأسواق حافة الشبكة. مجموعة حلول sensAI 4.1 من Lattice هي أداة تطوير مبتكرة لتطبيقات حافة الشبكة ، والتي تسمح لمطوري الأنظمة بتطوير حلول استدلال AI / ML مرنة ، خاصة بالتطبيقات ، قائمة على FPGA لمختلف الأسواق.