L'Edge AI nécessite un contrôle du cycle de vie, pas seulement l'inférence en temps réel
L'Edge AI industriel doit être géré comme un cycle de vie opérationnel continu couvrant le déploiement, la surveillance, les mises à jour et le repli.
Un IDC Spotlight publié par Wind River soutient que l'Edge AI de production devrait être conçue comme un cycle de vie continu edge-to-cloud plutôt que comme une charge de travail d'inférence autonome.
Un déploiement fiable nécessite une intégration hétérogène, une surveillance à l'exécution, des mises à jour contrôlées des modèles et des logiciels, une gestion de compatibilité et une sécurité cohérente sur les dispositifs distribués. Le document identifie l'intégration, la sécurité et la gestion du cycle de vie comme des obstacles à la mise à l'échelle au-delà des pilotes.
La décision concernée est de savoir si une recommandation physical-AI peut rester fiable après que les conditions de déploiement, les données et les modèles changent. La valeur dépend d'une gestion contrôlée du cycle de vie couvrant l'exécution edge, les mises à jour de modèles et les solutions de repli opérationnelles.
Le mode de défaillance principal consiste à traiter la latence d'inférence comme le problème de production principal tandis que la dégradation des modèles, la configuration de la flotte et l'autorité de mise à jour restent non gérées.
La recherche est sponsorisée par un fournisseur et les chiffres de l'enquête sont indicatifs plutôt que spécifiques à la Supply Chain.