Confluence of Machine Learning with Edge Computing for IoT Accession

Abstract

Every day, the estimated volume of data which is generated per day is 2.6 quintillion bytes. From the last two years, there is a lot of data generation and execution is taking rise due to feasible technologies and devices. To make the information accessible with ease, we need to classify the information data and predict an accurate or at least an approximate expected result which is forwarded to the end user client. To achieve the said process, the information technology industries are more concerned with machine learning and edge computing. Machine learning is a integral subset of artificial intelligence. In machine learning, the foremost step towards achieving the above task is to observe the data which is produced in large amount, later classify the data to make the system learn (train) from the old data (experience) that is stored at the server level and finally predict an estimation as a result. The obtained result is been transformed onto the devices which have made a request for a particular data. These devices are remotely located at the corner of the central data center. The process in which the execution of the information data is done at the corner of the data center is called as edge computing. In today’s world of high computation, these two technologies i.e machine learning and edge computing are creating an overwhelming significance for its usage in the business market and end user clients. Here, we try to explain few possibilities of integrating the two technologies.

Виконання Граничних Обчислень На Пристроях Інтернету Речей.

“…Аналіз сучасної літератури [6], [7], [8] дозволив сформувати дві основні структури побудови граничних обчислень, а саме: коли граничний сервер знаходиться на території постачальника послуг, максимально наближені до кінцевого користувача, що наведено на рисунку 1a, та коли граничний сервер знаходиться в локальній мережі, що представлено на рисунку 1b. Додатково можна виділити випадок, коли розрив зв'язку між пристроєм та граничним сервером може призвести до небезпечних наслідків, як, наприклад, у випадку системи керування рухомими об'єктами.…”

“…Одним із варіантів подальшого розвитку структури граничних обчислень є використання вільних обчислювальних ресурсів пристроїв Інтернету Речей, які знаходяться в тій самій мережі, що і пристрій, який виконує великий обсяг обчислень. Оскільки одним з основних сценаріїв використання зовнішніх обчислень пристроями Інтернету Речей є виконання алгоритмів машинного навчання [3], [7], а однією з найбільш поширених операцій, що входять в процес машинного навчання є матричне множення [12], оцінимо співвідношення часу передачі даних між модулями та часу виконання операції матричного множення над переданими даними.…”

Real-Time Lightweight Detection of Lychee Diseases with Enhanced YOLOv7 and Edge Computing

“…For example, researchers have modified the YOLOV4 model for tomato pest detection [9], combined the YOLOV5 model with dual Feature Pyramid Networks (FPN) to improve feature representations [10], and incorporated GhostNetV1 into the SSD model to accelerate detection speed [11]. The integration of modern computer vision technology with cloud computing and edge computing has also provided increased flexibility for efficiently managing agricultural tasks [12]. Yang et al combined autonomous scouting and lodged rice detection with edge computing [13].…”