Em alguns anos, o mundo será povoado por bilhões de dispositivos conectados que serão colocados em nossas casas, cidades, veículos e indústrias. Dispositivos com recursos limitados irão interagir com o ambiente ao redor e com os usuários. Muitos desses dispositivos serão baseados em modelos de Machine Learning capazes de decodificar o significado e o comportamento dos dados gerados pelos sensores, para fazer previsões e orientar a tomada de decisão.
O Edge Machine Learning (Edge ML) é um dos avanços tecnológicos mais comentados desde a Internet das Coisas (IoT). Dispositivos localizados na ponta (ou borda) da rede podem processar e analisar dados localmente, usando complexos algoritmos de aprendizado de máquina que antes só rodavam nos data centers.
O poder de processamento é movido para perto da origem dos dados para reduzir o congestionamento e a latência da rede e extrair valor máximo desses dados. Ao adotar essa abordagem, as empresas podem usar essas informações para aprimorar ainda mais os resultados de negócios.
Quer exemplos? Há alguns bem corriqueiros, como o funcionamento do Echo, da Amazon. Se você disser ao dispositivo, “Alexa, vamos jogar” ou “Alexa, conte uma piada”, os jogos e piadas disponíveis serão armazenados e processados nele. O Echo poderá executar a função (e manter o usuário feliz) sem sobrecarregar a rede, e a nuvem.
A classificação de imagem simples, o reconhecimento de gesto, a detecção acústica e a análise de movimento também são exemplos de Machine Learning rodando nos dispositivos da borda da rede.
Aliás, o uso de Edge ML geralmente se enquadra em duas tecnologias emergentes: o Processamento de Linguagem Natural e a Convolutional Neural Network (Rede Neural Convolucional).
O processamento de linguagem natural envolve a análise da fala e da escrita humanas. Também incorpora classificação de texto. Alguns casos de uso comuns incluem:
- Varejo inteligente: a IA analisa conversas de atendimento ao cliente e reconhece interações historicamente bem-sucedidas;
- Call centers: AI analisa chamadas e cria metadados que oferecem previsões e sugestões para respostas automatizadas ao cliente;
- Segurança inteligente: no caso dos consumidores, ouvir ruídos como os de vidros quebrados; para segurança pública, detectar tiros;
- Assistentes jurídicos: revisar documentos jurídicos e fazer sugestões melhorar a linguagem.
Já as Redes Neurais Convolucionais focam em algoritmos de visualização. Eles podem identificar rostos, pessoas, placas de rua e outras formas de dados visuais. Alguns casos de uso comuns incluem:
- Controle de qualidade: Inspecionar defeitos nas fábricas e outras instalações;
- Reconhecimento facial: encontrar pessoas em risco em uma multidão; controlar o acesso a uma instalação ou local de trabalho;
- Varejo inteligente: observar os atributos pessoais dos compradores para fazer sugestões de produtos que elevem a experiência do cliente e sejam usados para recomendar itens adicionais;
- Assistência médica: ajudar os médicos a analisar uma imagem para verificar a ocorrência de tumores;
- Industrial: para segurança em ambiente de fábrica – procurar a localização dos trabalhadores se alguém se ferir; identificar máquinas perigosas e desligá-las se houver um mau funcionamento.
Impulsionadores
Para levar o aprendizado de máquina à borda da rede, a inovação e os avanços tecnológicos cobriram um pouco de tudo, desde uma arquitetura computacional mais eficiente até protocolos de comunicação mais inteligentes.
Um dos principais habilitadores do Edge Machine Learning é o hardware compacto, barato e poderoso. Alguns anos atrás, seria impossível executar IA localmente, pois o tamanho e o custo do hardware seriam proibitivos.
A Deloitte prevê que 750 milhões de chips de IA de ponta serão integrados aos dispositivos somente em 2020. E esse número continuará a crescer, com uma estimativa de 1,5 bilhão de chips de IA para dispositivos de borda sendo vendidos em 2024.
Isso significa que a Edge Computing acabará substituindo a computação em nuvem? A maioria dos analistas e técnicos diz que não. Elas serão complementares. Sempre existirão tarefas de computação intensiva que vão requerer o uso de um data center. O Big Data sempre será operado na nuvem. No entanto, os dados instantâneos gerados pelos usuários e relacionados apenas aos usuários podem ser calculados e operados na borda. O Gartner espera que, em 2025, 75% de todo o processamento ocorra na borda da rede.
Além disso, com o 5G em implantação hoje, as oportunidades para desenvolver e implantar aplicativos de alta velocidade e baixa latência que exigem transferência de dados em frações de segundo impulsionarão ainda mais a Edge Machine Learning.
Cientistas de dados, engenheiros de aprendizado de máquina, desenvolvedores de front-end, operações de rede, DevOps, desenvolvedores de IoT e desenvolvedores de back-end, todos já têm um pouco do conhecimento necessário para trabalhar com Edge Machine Learning.
Conceitos que foram úteis para aprender a operar no mundo do Big Data ou da computação em nuvem podem ser aplicados prontamente. A convergência entre a programação em dispositivo no mundo IoT e a programação na nuvem do mundo Big Data / IA permitirá que todos liberem sua criatividade.
