AI di Edge: Dari Inovasi Konsumen hingga Solusi Tingkat Enterprise

Pengalaman berbasis data menjanjikan kedalaman, seketika, dan imersi—tetapi mereka juga meminta aliran data massal yang instan yang tidak dapat menahan latensi cloud.

Pertimbangkan pengiriman pizza oleh drone, kamera pemantauan lalu lintas yang menangkap kecelakaan secara langsung, atau truk pengiriman yang mencegah kegagalan sistem secara real time.

Tugas yang intensif data dan cepat ini memerlukan pemrosesan di lokasi. Mengirim semua data ke cloud menunda yang dapat membahayakan keselamatan dan kinerja. Edge computing menjaga komputasi tetap dekat dengan sumber data, menghilangkan latensi perjalanan pulang.

"Kendaraan otonom tidak dapat menunggu bahkan sepertiga detik untuk mengaktifkan rem darurat ketika AI memprediksi tabrakan," menjelaskan profesor Mohanbir Sawhney dari Northwestern University dalam Why Apple and Microsoft Are Moving to the Edge. "Dalam skenario ini, AI harus berada di edge, di mana keputusan dibuat secara instan tanpa mengandung konektivitas jaringan atau memindahkan sejumlah besar data melalui jaringan."

"Prosesor edge AI memungkinkan perangkat itu sendiri atau server di dekatnya untuk menangani beban kerja, daripada mengalihkan semuanya ke cloud," kata Aditya Kaul, direktur penelitian di Omdia.

AI di Edge: Adopsi Enterprise vs. Konsumen

Kemajuan terbaru dalam chip AI—terutama GPU yang menyampaikan lebih dari 10 teraflops (10 triliun operasi titik mengambang per detik)—telah mengubah smartphone, kamera, dan drone menjadi perangkat AI yang mampu. Beberapa tahun lalu, inferensi di perangkat semacam itu tidak terdengar lagi; saat ini, perangkat edge rutin menangani beban kerja kompleks.

Chipset pembelajaran mendalam, termasuk GPU dan ASIC khusus, telah memicu lonjakan pasar yang cepat. Laporan Deloitte Bringing AI to the Device memperkirakan chip AI edge akan menghasilkan lebih dari $2,5 miliar pendapatan baru pada 2020, tumbuh dengan laj 20% per tahun selama beberapa tahun ke depan.

Laporan Deep Learning Chipsets dari Tractica memproyeksikan pasar chip AI mencapai $72,6 miliar pada 2025.

Elektronik konsumen saat ini mendominasi lanskap chip AI edge, mewakili sekitar 90% unit yang dijual dan nilai dolar pada 2020. Smartphone saja menanggung 40%–50% pasar.

Kaul mencatat bahwa adopsi enterprise mempercepat, terutama dalam IoT industri, ritail, perawatan kesehatan, dan manufaktur—yang ia sebut “AI edge tingkat enterprise.”

Kasus penggunaan yang jelas dan berdampak tinggi mendorong pergeseran ini. Penglihatan mesin, misalnya, mengotomatisasi inspeksi produk dan kontrol proses di lantai pabrik, meningkatkan kualitas dan efisiensi. Industri sekarang menggunakan pembelajaran mendalam untuk mendeteksi cacat di baris perakitan otomotif, mendeteksi kerusakan pada produk pertanian, dan membentuk baris produksi biskuit.

Ritail mendapat manfaat dari AI edge melalui analitik pelanggan berbasis kamera, mengidentifikasi waktu tinggal produk dan pola keterlibatan.

AI di Edge Bekerja Sama dengan Cloud Computing

Kebangkitan edge computing menyoroti fokus baru pada hardware. Seperti yang dicatat dalam laporan McKinsey Artificial Intelligence: The Time To Act Is Now, hardware telah memenuhi kembali kedudukan utama setelah tahun-talannya didominasi oleh inovasi perangkat lunak.

Arsitektur edge menawarkan latensi rendah dan keamanan data yang ditingkatkan dengan menjaga informasi sensitif di lokasi. "Keputusan harus terjadi secara lokal, bukan melalui cloud pihak ketiga, baik untuk kecepatan maupun keamanan," jelas Kaul.

Akhirnya, AI edge melengkapi, bukan menggantikan, AI cloud. Sawhney mengilustrasikan ini dengan kendaraan Tesla: AI edge waktu nyata mengelola rem, pengarahan, dan perubahan jalur, sementara unggahan data di malam hari menyempurnakan model di cloud.

Harapan Pertumbuhan Berkelanjutan dalam AI di Edge

Kemajuan kinerja chip, dikombinasikan dengan sikap industri yang berevolusi terhadap AI, menjadi dasar pertumbuhan berkelanjutan. Sektor manufaktur tradisional, yang sebelumnya hati-hati terhadap integrasi AI, kini melihat AI edge sebagai penggerak ROI kunci, menyematkan analitik big data dan terus melatih model untuk akurasi yang lebih tinggi.

"Model yang akurat bergantung pada data pelatihan berkualitas tinggi," tegas Kaul. "Di mana dua tahun lalu data pelatihan adalah hal yang baru, saat ini ini adalah praktik standar di seluruh sektor."

Tractica memperkirakan titik infleksi pada 2021–2022, dengan transisi cepat ke akselerator AI dan chip ASIC. Sementara inovasi secara historis telah tertinggal di banyak pasar, gelombang saat ini sudah terlihat dalam penglihatan industri, citra medis, dan ritail—meski momentum penuh masih terbangun.