ЖУРНАЛ СТА №2/2022

кого обучения со всеми необходимыми инструментами. Если говорить проще, то это, по сути своей, готовые библио- теки. Такие фреймворки позволяют пользователям быстрее и легче созда- вать модели глубокого обучения, не сильно вдаваясь в основополагающие алгоритмы. Фреймворки глубокого об- учения обеспечивают ясный и лаконич- ный способ определения моделей с ис- пользованием набора предварительно созданных и оптимизированных ком- понентов. Рассмотрим более подробно несколько подобных фреймворков. TensorFlow – это на текущий момент один из популярнейших инструментов для обучения нейросетей. Наиболее удобным клиентским языком работы с TensorFlow является Python, но доступ- ны и экспериментальные интерфейсы на JavaScript, C++, Java и Go [5]. TensorFlow обеспечивает быстрое созда- ние прототипов, исследование и подго- товку с помощью удобных API-интер- фейсов на основе Keras, которые ис- пользуются для обучения нейронных сетей. Даже такие гиганты, как Deep- Mind, Uber, AirBnB или Dropbox, выбра- ли этот фреймворк для своих нужд. PyTorch представляет собой библио- теку машинного обучения с открытым исходным кодом, основанную на биб- лиотеке Torch. Он оперирует динамиче- ски обновляемым графом, то есть поз- воляет вносить изменения в архитектуру в процессе работы. Фреймворк PyTorch был разработан для сервисов Facebook, но уже используется для собственных задач такими компаниями, как Twitter и Salesforce. В основном PyTorch исполь- зуется для приложений машинного зре- ния и обработки речи [6]. Наборы инструментов для ускорения ИИ доступны от поставщиков оборудо- вания и специально разработаны для ускорения приложений ИИ, таких как машинное обучение и компьютерное зрение, на их аппаратных платформах. Intel OpenVINO Набор инструментов Open Visual Inference and Neural Network Optimi- zation (OpenVINO) от Intel разрабо- тан, чтобы помочь разработчикам создавать надёжные приложения ком- пьютерного зрения на платформах Intel. OpenVINO также обеспечивает более быстрый вывод для моделей глубокого обучения [7]. NVIDIA CUDA CUDA Toolkit обеспечивает высоко- производительные параллельные вы- числения для приложений с ускорени- ем на GPU во встроенных системах, центрах обработки данных, облачных платформах и суперкомпьютерах, по- строенных на CUDA (Compute Unified Device Architecture) от NVIDIA [8]. У СЛОВИЯ ЭКСПЛУАТАЦИИ УСТРОЙСТВА Безусловно, одним из важнейших критериев выбора устройства для гра- ничных вычислений с ИИ являются условия эксплуатации этого самого устройства. Компьютеры, развёртывае- мые в суровых промышленных усло- виях, должны иметь широкий диапазон рабочих температур и эффективные ме- ханизмы рассеивания тепла для обес- печения надёжности в жаркую погоду. Для некоторых промышленных отрас- лей также требуются и соответствующие сертификаты или разрешения. Это мо- жет быть как взрывобезопасность, так и защита от ударов и вибраций при ис- пользовании оборудования в цеху или даже на транспорте. Зачастую при вы- боре устройств приходится иметь дело и с ограниченным пространством для монтажа, так как система может быть развёрнута в шкафу со всеми вытекаю- щими ограничениями. Тут будут более востребованы компактные решения. В некоторых случаях условия эксплуата- ции могут быть ещё суровее – компью- тер может эксплуатироваться на улице и без защиты от пыли и влаги. В таком случае компьютер должен обладать вы- сокой степенью пыле- и влагозащиты и иметь расширенный температурный диапазон. Например, такими характе- ристиками обладает компактный защи- щённый встраиваемый компьютер от AdvantiX – ERX-50. Он защищён в со- ответствии с рейтингом IP 68, имеет защищённые разъёмыM12 и может экс- плуатироваться в температурном диапа- зоне от –40 до 70 °C (рис. 10). Как правило, для устройств IIoT важ- ны и беспроводные протоколы связи, при этом с повышенной надёжностью. Речь может идти как про Wi-Fi-сети, так и про поддержку нескольких SIM-карт при работе со встроенным LTE-моде- мом. Такой модем может обеспечить га- рантированную передачу данных даже в случае выхода местной беспроводной сети из строя, поэтому может быть очень важен в критических точках на производстве. В ЫВОДЫ И ЗАКЛЮЧЕНИЕ Использование возможностей искус- ственного интеллекта и машинного об- учения в граничных вычислениях поз- воляет компаниям повысить опера- ционную эффективность и снизить риски для их промышленных приложе- ний. При этом также можно говорить и о снижении затрат на производстве при грамотном использовании ИИ с пра- вильно обученными моделями. При этом выбор правильного программного решения так же важен, как и выбор подходящей аппаратной части. При таком выборе необходимо правильно сопоставить задачу устройства и его производительность. Она должна быть достаточной, чтобы обеспечивать пол- ноценную работу устройства, но не ОБ ЗОРЫ СТА 2/2022 42 www.cta.ru Рис. 9. Модель машинного обучения Машинное обучение Без «учителя» Выделение признаков Новые данные Выделение признаков Алгоритм машинного обучения Группирование объектов Прогнозирующая модель Данные с примечаниями Рис. 10. Ультразащищённый встраиваемый ПК AdvantiX ERX-50