Theory
AIoT ના અઘરા ભાગ
AIoT સાંભળવામાં સહેલું લાગે છે, જાણે sensors અને AI બધું આપોઆપ કરી નાખતાં હોય, પણ ખરેખર સારી રીતે કામ કરે એવી system બનાવવી અઘરી છે. પડકારો વિશે પ્રામાણિક રહેવું એ AIoT ને બરાબર સમજવાનો જ ભાગ છે, અને એ જ વાસ્તવિક engineering ને ધૂમધડાકાથી અલગ પાડે છે.
ત્રણ વ્યવહારુ પડકારો ખાસ ઊપસી આવે છે: data quality, latency અને power consumption. અવગણો તો દરેક system ને ચૂપચાપ કોરી ખાઈ શકે છે. આ પાઠ એમને સમજાવે છે, અને દરેકને નક્કર બનાવવા સ્માર્ટ ખેતરનો દાખલો વાપરે છે. આ મર્યાદાઓ જાણવાથી જ તમે નિરાશ કરે એવી નહીં પણ ભરોસાપાત્ર AIoT systems રચી શકો છો.
At a glance
| પડકાર | સમસ્યા શું છે | કેમ મહત્ત્વનું છે |
|---|---|---|
| Data quality | Sensor નો data ઘોંઘાટભર્યો, ખૂટતો, અચોક્કસ કે પક્ષપાતી હોવો | ખરાબ data થી AI ના નિર્ણય ખરાબ આવે છે (કચરો નાખો તો કચરો નીકળે) |
| Latency | Data મળવા અને પ્રતિભાવ મળવા વચ્ચેનો વિલંબ | વધુ પડતો વિલંબ રીયલ-ટાઇમ નિર્ણયોને એટલા મોડા કરી દે કે એ કામના જ ન રહે |
| Power consumption | પારખવું, પ્રક્રિયા કરવી અને મોકલવું, ત્રણેય ઊર્જા વાપરે છે | Battery વાળાં ઉપકરણો પાસે મર્યાદિત શક્તિ હોય, જે એમની ક્ષમતાની હદ બાંધે છે |
Theory
Data quality અને latency
Data quality એ પાયો છે: AI ના નિર્ણય એટલા જ સારા હોય જેટલો સારો એને મળતો data હોય. જો sensor નો data ઘોંઘાટભર્યો, ખૂટતો, અચોક્કસ કે પક્ષપાતી હોય, તો AI ના નિષ્કર્ષ ખોટા જ આવશે, અને એ જ છે જાણીતું 'કચરો નાખો તો કચરો નીકળે'. ખોટી calibration વાળો soil sensor ખેતરના AI ને કહી શકે કે જમીન ભીની છે જ્યારે એ સાવ સૂકી હોય, અને એથી AI પિયત જ ન આપે અને પાક જાય. એટલે data ને સાફ કરવો, calibrate કરવો અને ચકાસવો પડે.
Latency એટલે વિલંબ, એટલે કે data પેદા થાય અને પ્રતિભાવ મળે એ બે વચ્ચેનો સમય. રીયલ-ટાઇમ કામ માટે વધુ પડતી latency નિર્ણયને એટલો મોડો કરી દે છે કે એનો અર્થ જ ન રહે: જો હિમ પડ્યાનું પારખીને પ્રતિભાવ આપતાં એક કલાક લાગે, તો પાકને નુકસાન થઈ જ ચૂક્યું હોય. એટલે જ edge computing અને કાર્યક્ષમ રચના મહત્ત્વનાં છે, જેથી વિલંબ એટલો નાનો રહે કે પ્રતિભાવ હજી કામનો હોય.
Theory
Power consumption
Power consumption સતત રહેતી મર્યાદા છે. ઘણાં IoT ઉપકરણો batteries પર કે મર્યાદિત શક્તિ પર ચાલે છે, છતાં data પારખવો, એના પર પ્રક્રિયા કરવી અને એને મોકલવો, ત્રણેય ઊર્જા વાપરે છે. જે ઉપકરણ વધુ પડતું કરે, એટલે કે બહુ વારંવાર માપે, ભારે models ગણે, કે વધુ શક્તિ ખાતાં જોડાણો પર મોટો data મોકલે, એની battery ઝડપથી ખાલી થઈ જાય અને એ બંધ પડી જાય.
એટલે શક્તિની મર્યાદા ઉપકરણ શું કરી શકે એની હદ બાંધે છે, અને એ જ કારણે AIoT માં ઓછી શક્તિ વાપરતું connectivity (જેમ કે LoRaWAN), કાર્યક્ષમ algorithms અને edge સામે cloud ના સમજી વિચારીને લેવાયેલા સોદા પસંદ કરાય છે. જે ખેતરમાં sensors ખેતરોમાં વિખરાયેલા હોય અને battery પર ચાલતા હોય, ત્યાં દરેક રચનાત્મક પસંદગીએ શક્તિના બજેટને માન આપવું પડે. (બીજા ખરા પડકારો પણ છે, જેમ કે જોડાણની ભરોસાપાત્રતા, ઘણાં ઉપકરણો સુધી વિસ્તરવું, ખર્ચ અને security, પણ મુખ્ય ત્રણ તો data quality, latency અને power જ છે.)
Quiz
ખોટી calibration વાળો soil sensor સતત જમીનને હકીકતથી વધારે ભીની બતાવે છે, એટલે ખેતરનું AI ખોટી રીતે પિયત ન આપવાનું નક્કી કરે છે. આ AIoT નો કયો પડકાર દર્શાવે છે?
- Latency, કારણ કે પ્રતિભાવ ધીમો છે
- Data quality: અચોક્કસ sensor data થી AI ના નિર્ણય ખરાબ આવે છે (કચરો નાખો તો કચરો નીકળે)
- Power consumption, કારણ કે sensor battery વાપરે છે
- આ કોઈ પડકાર જ નથી; AI ખાલી ખોટું પડ્યું છે
Show the answer
Data quality: અચોક્કસ sensor data થી AI ના નિર્ણય ખરાબ આવે છે (કચરો નાખો તો કચરો નીકળે)
ખોટી calibration વાળો sensor અચોક્કસ વાચનો આપે એ data quality ની સમસ્યા છે: AI નો નિર્ણય એટલો જ સારો હોય જેટલો એનો data સારો હોય, એટલે ખરાબ input (ખોટી રીતે 'ભીની' બતાવતાં વાચનો) ખરાબ નિર્ણય આપે છે (પિયત ન આપવું), એટલે કે જાણીતું 'કચરો નાખો તો કચરો નીકળે'. વિકલ્પ A, એટલે કે latency, પ્રતિભાવના વિલંબ વિશે છે, પણ અહીં સમય સમસ્યા નથી; data પોતે જ ખોટો છે. વિકલ્પ C, એટલે કે power consumption, ઊર્જાની મર્યાદા વિશે છે, જેને sensor ની ચોકસાઈ સાથે સંબંધ નથી. વિકલ્પ D મુદ્દો ચૂકે છે: AI ખોટું પડ્યું છે એ બરાબર એટલા માટે જ કે data ખોટો છે, અને એ જ data quality નો પડકાર છે. ઉપાય એ છે કે sensors ને calibrate કરવા અને ચકાસવા, જેથી AI ને ભરોસાપાત્ર data મળે.
Think first
બધા પડકારોમાં data quality ઘણી વાર સૌથી મહત્ત્વનો કેમ ગણાય છે?
આ પડકારોમાંથી AIoT system માટે ઘણા લોકો data quality ને સૌથી મહત્ત્વની કેમ કહે છે? વિચારીને પછી tap કરો.
Show the answer
કારણ કે AI નો દરેક નિર્ણય એને મળતા data પર જ સંપૂર્ણપણે ટકે છે. એટલે જો એ data ખામીભર્યો હોય, તો ગમે તેટલા ચતુર algorithms, ગમે તેટલી ઝડપી પ્રક્રિયા કે ગમે તેટલું સારું hardware પરિણામ બચાવી શકતાં નથી; ખરાબ data એની પછીની આખી સાંકળ બગાડી નાખે છે.
યાદ કરો કે આધુનિક AI DATA માંથી લઢણો શોધીને અને એના પરથી તર્ક કરીને કામ કરે છે; એના inputs જે કહે એની બહાર વાસ્તવિક જગત વિશે એની પોતાની કોઈ સ્વતંત્ર જાણકારી હોતી નથી. એથી system પોતાના sensor data ની ચોકસાઈ અને ભરોસાપાત્રતા પર સાવ આધારિત બની જાય છે.
જો soil sensor ની calibration ખોટી હોય, અથવા વાચનો ઘોંઘાટભર્યાં, ખૂટતાં, મોડાં કે પક્ષપાતી હોય, તો AI વાસ્તવિકતાના ખોટા ચિત્ર પર તર્ક કરે છે, અને એ ખોટા ચિત્રના આધારે પૂરા આત્મવિશ્વાસથી ખોટા નિર્ણય લે છે, બરાબર જેમ ખોટી calibration વાળા sensor ના દાખલામાં થયું: algorithm સંપૂર્ણ, છતાં પરિણામ બગડ્યું, કારણ કે input જ જૂઠું બોલ્યું.
અને ખાસ મહત્ત્વની વાત એ કે AI પાસે સામાન્ય રીતે data ખોટો છે એ જાણવાની કોઈ રીત જ હોતી નથી; એ પોતાના inputs પર ભરોસો મૂકે છે, એટલે data ની ખામી ચૂપચાપ ખરાબ પગલાં પેદા કરે છે જેને પકડવાં અઘરાં પડે.
એટલે જ 'કચરો નાખો તો કચરો નીકળે' આટલો પાયાનો સિદ્ધાંત છે: output ની ગુણવત્તાની ટોચ input ની ગુણવત્તાથી બંધાયેલી છે. તમારી પાસે સૌથી ઝડપી edge computing હોય (latency ઉકેલાઈ) અને સૌથી ઓછી શક્તિ વાપરતાં ઉપકરણો હોય (power ઉકેલાયું), છતાં AI ને પોષતો data નબળો હોય તો system નબળા નિર્ણય જ લેશે. એટલે data quality એ પાયો છે જેના પર બીજા બધા સુધારા ટકે છે.
એ જ કારણે ગંભીર AIoT engineering data ને સાચો રાખવામાં ખૂબ રોકાણ કરે છે: sensors ને calibrate કરવા અને સંભાળવા, વાચનો સાફ કરવાં અને ચકાસવાં, ખૂટતી કિંમતો સંભાળવી, ખામીઓ પકડવી, અને પક્ષપાત વિશે સજાગ રહેવું. Latency અને power સુધારવાથી system ઝડપી અને લાંબું ટકે એવી બને છે, પણ એને સાચી તો ફક્ત સારો data જ બનાવે છે; અને ખેતરમાં હો કે બીજે ક્યાંય, ખોટા નિર્ણય લેતી ઝડપી અને લાંબું ટકતી system નકામી કરતાં પણ ખરાબ છે. પહેલાં data સાચો કરો, કારણ કે AI જે કંઈ કરે છે તે બધું એના પર જ ટકે છે.
Summary
Key takeaways
- AIoT શક્તિશાળી છે પણ અઘરું છે; ત્રણ મુખ્ય પડકારો છે data quality, latency અને power consumption.
- Data quality: AI ના નિર્ણય એટલા જ સારા હોય જેટલો એનો data સારો હોય; ઘોંઘાટભર્યો, ખૂટતો, અચોક્કસ કે પક્ષપાતી data ખરાબ નિર્ણય આપે છે (કચરો નાખો તો કચરો નીકળે).
- Latency: data અને પ્રતિભાવ વચ્ચેનો વિલંબ; વધુ પડતો હોય તો રીયલ-ટાઇમ નિર્ણય એટલા મોડા થાય કે કામના જ ન રહે.
- Power consumption: પારખવું, પ્રક્રિયા કરવી અને મોકલવું, ત્રણેય ઊર્જા વાપરે છે, એટલે battery વાળાં ઉપકરણો શું કરી શકે એની હદ બંધાય છે.
- ઉપાય: data ને calibrate કરવો અને ચકાસવો; latency માટે edge computing તથા કાર્યક્ષમ રચના વાપરવી; power માટે ઓછી શક્તિ વાપરતું connectivity તથા કાર્યક્ષમ algorithms વાપરવાં.
- Data quality ઘણી વાર સૌથી મહત્ત્વની ગણાય છે, કારણ કે AI જે કંઈ કરે છે તે બધું ભરોસાપાત્ર inputs પર ટકે છે.
- યાદ રાખવાની કડી: કચરો નાખો તો કચરો નીકળે (data quality), ધીમું એટલે મોડું (latency), અને battery ઉપકરણની ક્ષમતાની હદ બાંધે (power).