Editorial Ilmu Komputer & AI
Open AccessOA2022
Edge Computing dengan Kecerdasan Buatan: Perspektif Machine Learning
Makalah ACM Computing Surveys ini menelaah bagaimana edge computing (EC) menjawab keterbatasan cloud computing untuk data IoT, dan bagaimana kecerdasan buatan, khususnya machine learning, dapat meningkatkan kinerja EC dan membuka aplikasi baru.
H. Hua; Yu-Tong Li; Tonghe Wang; Nan-Qing Dong; Wei Li; Jun-Wei Caoยท ACM Computing Surveysยท 2022ยท DOI 10.1145/3555802
Masalah inti
Adopsi luas Internet of Things (IoT) telah menghasilkan data dalam jumlah masif, yang pada gilirannya mendorong perkembangan kecerdasan buatan (AI). Namun, model cloud computing tradisional sulit menangani volume, latensi, dan kebutuhan bandwidth data IoT secara mandiri. Edge computing (EC) muncul sebagai paradigma menjanjikan yang membawa komputasi lebih dekat ke sumber data, menjawab tantangan tersebut. Meskipun penelitian EC awal mengandalkan metode tradisional (non-AI), pendekatan ini menunjukkan keterbatasan dalam mengoptimalkan kinerja EC. Mengingat keberhasilan AI di berbagai domain, peneliti EC semakin beralih ke AI, terutama machine learning (ML), untuk meningkatkan EC. Artikel ini menyajikan survei komprehensif tentang persinggungan antara EC dan AI, menjelaskan definisi formal EC, membahas masalah utama dalam EC, merangkum solusi tradisional dan keterbatasannya, serta menyoroti bagaimana AI dapat digunakan untuk mengoptimalkan EC dan bagaimana aplikasi AI dapat memperoleh manfaat dari arsitektur EC. Tujuannya adalah memandu penelitian mendatang dengan memanfaatkan hubungan saling menguntungkan antara AI dan EC.
Inovasi
Penulis melakukan tinjauan literatur sistematis tentang edge computing dan kecerdasan buatan, dengan fokus pada machine learning. Mereka terlebih dahulu memformalkan definisi EC dan menguraikan alasan kemunculannya. Kemudian, mereka mengidentifikasi masalah inti dalam EC, seperti alokasi sumber daya, minimalisasi latensi, efisiensi energi, dan pelestarian privasi. Untuk setiap masalah, mereka merangkum solusi tradisional dan menganalisis keterbatasannya. Selanjutnya, mereka meninjau penelitian yang menerapkan teknik AI/ML untuk mengoptimalkan EC, dengan mengategorikan pendekatan berdasarkan jenis pembelajaran (misalnya supervised, unsupervised, reinforcement learning) dan masalah EC yang ditangani. Mereka juga menelaah bagaimana EC dapat mendukung aplikasi AI, terutama dalam skenario yang menuntut latensi rendah dan lokalitas data. Metodologi survei melibatkan pengumpulan dan sintesis studi relevan dari basis data akademik, meskipun strategi pencarian dan kriteria inklusi spesifik tidak dirinci dalam abstrak yang tersedia. Penulis juga membahas tantangan terbuka dan arah penelitian mendatang.
Pendahuluan
Adopsi luas Internet of Things (IoT) telah menghasilkan data dalam jumlah masif, yang pada gilirannya mendorong perkembangan kecerdasan buatan (AI). Namun, model cloud computing tradisional sulit menangani volume, latensi, dan kebutuhan bandwidth data IoT secara mandiri. Edge computing (EC) muncul sebagai paradigma menjanjikan yang membawa komputasi lebih dekat ke sumber data, menjawab tantangan tersebut. Meskipun penelitian EC awal mengandalkan metode tradisional (non-AI), pendekatan ini menunjukkan keterbatasan dalam mengoptimalkan kinerja EC. Mengingat keberhasilan AI di berbagai domain, peneliti EC semakin beralih ke AI, terutama machine learning (ML), untuk meningkatkan EC. Artikel ini menyajikan survei komprehensif tentang persinggungan antara EC dan AI, menjelaskan definisi formal EC, membahas masalah utama dalam EC, merangkum solusi tradisional dan keterbatasannya, serta menyoroti bagaimana AI dapat digunakan untuk mengoptimalkan EC dan bagaimana aplikasi AI dapat memperoleh manfaat dari arsitektur EC. Tujuannya adalah memandu penelitian mendatang dengan memanfaatkan hubungan saling menguntungkan antara AI dan EC.
Mengapa penting
Penulis membahas hubungan saling menguntungkan antara EC dan AI: AI dapat mengoptimalkan kinerja EC, dan EC dapat mendukung aplikasi AI. Mereka menekankan bahwa meskipun AI membawa alat yang ampuh, AI juga menghadirkan tantangan seperti interpretabilitas model, konsumsi energi, dan keamanan. Misalnya, menerapkan model ML yang kompleks pada perangkat edge dengan sumber daya terbatas memerlukan kompresi model dan teknik inferensi yang efisien. Survei ini juga mengidentifikasi arah penelitian terbuka, termasuk kebutuhan akan model AI ringan, federated learning yang tangguh dan aman, serta integrasi EC dengan jaringan 5G/6G. Penulis berargumen bahwa sinergi antara EC dan AI akan mendorong pengembangan sistem edge cerdas, yang memungkinkan aplikasi seperti kendaraan otonom, kota pintar, dan IoT industri. Mereka menyimpulkan bahwa penelitian interdisipliner yang menggabungkan AI, jaringan, dan sistem terdistribusi sangat penting untuk mewujudkan potensi edge intelligence secara penuh.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ