Унааларда четки эсептөөлөр заматта жооп берүү үчүн маалыматтарды унаанын ичинде жергиликтүү түрдө иштетет, ал эми булутка негизделген иштетүү маалыматты оор талдоо үчүн алыскы маалымат борборлоруна жөнөтөт. Ар бир ыкма заманбап автомобиль системалары үчүн кечигүү, ишенимдүүлүк жана эсептөө кубаттуулугу боюнча айырмаланган компромисстерди сунуштайт.
Унаанын ичиндеги маалыматтарды реалдуу убакыт режиминде чечим кабыл алуу жана кечигүүнү азайтуу үчүн түздөн-түз иштетүүчү борттогу иштетүү.
Ири масштабдуу маалымат алуу үчүн борборлоштурулган серверлер аркылуу унаа маалыматын талдаган алыскы маалымат борборунун эсептөөсү.
| Мүмкүнчүлүк | Унааларда четки эсептөө | Булутка негизделген иштетүү |
|---|---|---|
| Иштетүү жайгашкан жер | Унаанын ичинде (жергиликтүү) | Алыскы маалымат борборлору (борборлоштурулган) |
| Типтүү кечигүү | 10 миллисекунддан аз | Тармакка жараша 50–200 миллисекунд |
| Интернетке көз карандылык | Негизги функциялар үчүн минималдуу | Көпчүлүк операциялар үчүн талап кылынат |
| Эсептөө күчү | Борттогу жабдыктар менен чектелген | Дээрлик чексиз масштабдалуу |
| Эң жакшы колдонуу учурлары | Коопсуздук үчүн маанилүү ADAS, автономдуу айдоо | Флотту талдоо, машиналык окутуу, OTA жаңыртуулары |
| Маалыматтардын купуялуулугу | Маалыматтар демейки шартта жергиликтүү бойдон калат | Тышкы серверлерге берилүүчү маалыматтар |
| Чыгымдардын түзүмү | Алдын ала жабдыктардын баасы жогору | Үзгүлтүксүз жазылуу жана өткөрүү жөндөмдүүлүгү үчүн төлөмдөр |
| Оффлайн мүмкүнчүлүгү | Толук функциялар жеткиликтүү | Функциясы чектелген же такыр жок |
Четки эсептөө миллисекунддар маанилүү болгондо чечүүчү жеңишке жетет. Жол ылдамдыгында бара жаткан унаа ар бир 10 миллисекундда болжол менен 1,5 метрди басып өтөт, андыктан четки системалар камсыз кылган дээрлик заматта иштетүү авариялык тормоздоо, тилкени сактоо жана жөө жүргүнчүлөрдү аныктоо үчүн абдан маанилүү. Булут негизиндеги системалар тармактын эки тараптуу кечигүүлөрүн киргизет, бул аларды коопсуздук чечимдерин кабыл алуу үчүн бир секунддун ичинде колдонууга жараксыз кылат, ал тургай оптималдаштырылган 5G туташуулары менен да.
Айылдык капчыгай аркылуу айдап бара жатсаңыз да же жер астындагы гаражда токтоп жатсаңыз да, четки системалар иштей берет. Иштетүү унаанын өзүндө жүргүзүлгөндүктөн, уюлдук мунараларга же Wi-Fiга көз карандылык жок. Ал эми булутка негизделген иштетүү байланыш үзүлгөндө начарлайт же толугу менен иштебей калат, ошондуктан автоунаа өндүрүүчүлөр, адатта, булут функцияларын маанилүү эмес ыңгайлуулук функциялары үчүн сактап коюшат.
Булут платформалары эч бир унаа реалдуу түрдө көтөрө албаган иштетүү мүмкүнчүлүктөрүн сунуштайт. Нейрон тармагын миллиондогон айдоо сценарийлери боюнча окутуу же татаал автопарк аналитикасын иштетүү үчүн маалымат борборлору гана камсыздай ала турган параллелдүү эсептөө түрү талап кылынат. Четки жабдыктар автомобиль стандарттары боюнча күчтүү, бирок дагы эле унаанын ичиндеги өлчөмдөр, салмак, жылуулуктун таралышы жана баа чектөөлөрү менен чектелген.
Унааңыздын өзүндө купуя маалыматты сактоо четки эсептөө үчүн купуялуулуктун негизги артыкчылыгы болуп саналат. Камералар жана сенсорлор жүздөрдү, номердик белгилерди жана жайгашкан жерлерди жүктөбөстөн жергиликтүү түрдө иштете алат. Булут негизиндеги системалар чийки же жарым-жартылай иштетилген маалыматтарды өткөрүп бериши керек, бул байкоо жүргүзүү, жөнгө салуучу талаптарга шайкештик жана күнүнө бир унаага терабайттарды жылдыруунун өткөрүү жөндөмдүүлүгүнүн баасы боюнча кооптонууларды жаратат.
Четки эсептөөлөр адистештирилген автоунаа классындагы чиптерге жана жылуулукту башкаруу системаларына көбүрөөк баштапкы инвестицияларды талап кылат. Булут иштетүү чыгымдарды сервер хостинги, API чалуулары жана уюлдук маалымат пландары сыяктуу учурдагы операциялык чыгымдарга которот. Унаанын иштөө мөөнөтүндө жалпы чыгым канча маалымат түзүлөрүнө жана булут ресурстарына канчалык көп кирээрине көз каранды.
Көпчүлүк заманбап унаалар чындыгында эки ыкманы тең чогуу колдонушат. Edge коопсуздук боюнча чечимдерди дароо кабыл алат, ал эми булут карта жаңыртууларын, программалык камсыздоону жаңыртууну жана узак мөөнөттүү окутууну камсыз кылат. Мисалы, Teslaнын автопаркын окутуусу четтен иштетилген сценарийлерди чогултуп, аларды борборлоштурулган моделди жакшыртуу үчүн жүктөйт, андан кийин такталган алгоритмдерди ар бир унаага кайра жөнөтөт.
Четки эсептөөлөр унаалардагы булуттук иштетүүнү толугу менен алмаштырат.
Эки технология түп-тамырынан бери ар башка максаттарды көздөйт. Edge реалдуу убакыт режиминде коопсуздук боюнча чечимдерди кабыл алса, булут олуттуу аналитиканы, программалык камсыздоону жаңыртууларды жана автопаркты үйрөнүүнү башкарат. Көпчүлүк автоунаа өндүрүүчүлөр азыр бирин экинчисинин ордуна тандагандын ордуна гибриддик системаларды иштеп чыгышат.
Булут негизиндеги иштетүү автономдуу айдоо үчүн жетиштүү тез.
5G менен да, маалымат борборуна чейинки эки тараптуу кечигүү, адатта, 20дан 50 миллисекундга чейин өзгөрөт жана бул иштетүү убактысын эске албайт. Автономдук системалар 10 миллисекунддан аз убакытта жооп берүүнү талап кылат, муну бир гана борттогу четки жабдыктар ишенимдүү түрдө жеткире алат.
Четтен эсептөө унаа эч качан маалыматтарды эч жакка жөнөтпөйт дегенди билдирет.
Четки системалар картаны жаңыртуу, көңүл ачуу жана флотту үйрөнүү сыяктуу маанилүү эмес тапшырмалар үчүн дагы эле булут менен байланышат. Айырмасы, сезимтал же убакытты талап кылган иштетүү алгач жергиликтүү түрдө жүргүзүлөт, кыскача мазмундар же тиешелүү үзүндүлөр гана жүктөлөт.
Булут иштетүү ар дайым четки эсептөөлөргө караганда арзаныраак.
Булут чыгымдары маалыматтарды колдонуу менен көбөйөт жана туташкан унаалар күнүнө бир нече терабайт түзө алат. Көп жылдык иштөө учурунда, өткөрүү жөндөмдүүлүгү жана эсептөө акысы көбүнчө жөндөмдүү четки жабдууларды орнотуунун бир жолку баасынан ашып түшөт.
Борттогу көбүрөөк иштетүү кубаттуулугу ар дайым унааны коопсуз кылат.
Чийки эсептөөнүн иштеши программалык камсыздоонун аны канчалык деңгээлде жакшы колдонгонунан анчалык деле маанилүү эмес. Орточо жабдыктары бар жакшы оптималдаштырылган четки система натыйжасыз алгоритмдерди иштеткен күчтүү чиптен ашып түшүшү мүмкүн, ошондуктан автоунаа өндүрүүчүлөр программалык камсыздоого кремний сыяктуу эле көп инвестиция салышат.
Реалдуу убакыттагы коопсуздук, оффлайн ишенимдүүлүк жана маалыматтардын купуялуулугу, айрыкча ADAS жана автономдуу айдоо функциялары үчүн артыкчылыктуу болгондо, четки эсептөөнү тандаңыз. Булутка негизделген иштетүү ири масштабдуу аналитика, программалык камсыздоону жайылтуу жана ар бир унаа башкара алгандан ашып түшкөн эсептөө жагынан оор тапшырмалар үчүн көбүрөөк мааниге ээ. Иш жүзүндө, эң акылдуу автомобиль архитектуралары экөөнү тең айкалыштырат, бул ар бир системага эң жакшы аткарган нерсени жасоого мүмкүндүк берет.
Бул салыштыруу Amazon Web Services менен Google Cloud кызматтарын алардын кызматтарынын сунуштары, баалоо моделдери, дүйнөлүк инфраструктурасы, өндүрүмдүүлүгү, разработчиктердин тажрыйбасы жана идеалдуу колдонуу учурлары боюнча талдоо аркылуу карап чыгып, уюмдарга техникалык жана бизнес талаптарына эң жакшы дал келген булут платформасын тандоого жардам берет.
Бул салыштыруу Docker контейнерлери менен виртуалдык машиналардын ортосундагы айырмачылыктарды алардын архитектурасын, ресурстарды колдонуусун, өндүрүмдүүлүгүн, обочолонуусун, масштабдуулугун жана жалпы колдонулуучу учурларын изилдөө аркылуу түшүндүрөт, бул командаларга заманбап өнүктүрүү жана инфраструктура муктаждыктарына эң жакшы келген виртуалдаштыруу жолу кандай экенин чечүүгө жардам берет.
Машиналык окутуу жумуш жүктөмдөрү үчүн курулган тейлөө торчолору динамикалык, жогорку көлөмдөгү тыянак трафигин майда-чүйдөсүнө чейин трафикти башкаруу менен иштетет, ал эми салттуу API шлюздары стандарттуу микрокызматтар үчүн суроо-талаптарды багыттоого, аутентификацияга жана ылдамдыкты чектөөгө багытталган. Алардын ортосунда тандоо сиздин негизги көйгөйүңүз MLге мүнөздүү байкоо жүргүзүү жана моделдин версиясын түзүү же жалпы максаттагы API оркестрлештирүү экендигине жараша болот.
ML системаларындагы жүктү тең салмактоо атайын жабдуулар боюнча GPU менен интенсивдүү жыйынтык чыгарууну жана окутуу жумуш жүгүн башкарат, ал эми жөнөкөй API суроо-талаптарын иштетүү жеңил HTTP трафигин жалпы максаттагы серверлерге бөлүштүрөт. Алар татаалдыгы, ресурстарга болгон муктаждыгы жана маршруттоо интеллекти боюнча кескин айырмаланат.
MLOps түтүктөрү салттуу CI/CDди кеңейтип, машиналык окутуу жумуш агымдарына ылайыкташтырылган моделди окутуу, валидациялоо жана мониторинг этаптарын кошот. Салттуу CI/CD кодду жайылтууга басым жасаса, MLOps маалыматтарды версиялоону, эксперименттерди көзөмөлдөөнү жана ML жашоо циклинин толук бөлүгүндө моделдин дрейфин аныктоону иштетет.
