Zestaw prognoz HPC o smaku sztucznej inteligencji na rok 2023

W ostatnich tygodniach pojawiło się wiele prognoz dotyczących HPC-AI w 2023 r., oto fragmenty tych, które uznaliśmy za najbardziej interesujące, świeże, wnikliwe, a nawet sprzeczne.

Altair Główny naukowiec Rosemary Francis:
Go Big or Go Home — większe obciążenia HPC.Ponieważ obciążenia HPC przejmują aplikacje do obsługi dużych zbiorów danych, na przykład w naukach przyrodniczych i akceleratorach cząstek, takich jak Źródło diamentowego światła w Wielkiej Brytanii (dla większych badań i eksperymentów) obserwujemy eksplozję narzędzi przepływu pracy. W 2023 r. ta transformacja w wielowymiarowe planowanie będzie największym motorem zmian w HPC, ponieważ branża dąży do modernizacji i dostosowania się do tych dużych, połączonych aplikacji.

HPC zajmuje się głębokim uczeniem:W miarę jak głębokie uczenie się stanie się bardziej powszechne w 2023 r., będziemy świadkami dalszych zmian w obciążeniach HPC. Podczas gdy początkowo większość obciążeń związanych z uczeniem maszynowym była uruchamiana na Kubernetes lub innych platformach orkiestracji kontenerów, stało się jasne, że systemy te są przeznaczone do mikrousług, a nie do gwałtownych, intensywnie korzystających z komputera obciążeń maszynowych, które są obecnie wymagane do głębokiego uczenia. Komercyjne menedżery obciążeń HPC potrzebują kompleksowej obsługi kontenerów, aby organizacje mogły buforować swoje moce obliczeniowe i zacząć korzystać z planowania wsadowego, rozrywania chmury i współdzielenia taryf — wszystkich kluczowych aspektów wydajnego HPC.

Joe Fitzsimons, dyrektor generalny ds Horyzontowe obliczenia kwantowe, w sprawie śmierci NISQ i przejścia na tolerancję błędów w komputerach kwantowych
„W ciągu ostatnich kilku lat rozwój aplikacji dla obliczeń kwantowych koncentrował się w szczególności na reżimie NISQ, odnosząc się do procesorów kwantowych Noisy Intermediate Scale. „Szum” w tym tytule odnosi się do podatności kubitów na zakłócenia spowodowane czynnikami środowiskowymi, od bliskości innych kubitów po zderzenia promieni kosmicznych. Ta hałaśliwość wprowadza potencjalnie śmiertelne błędy w procesach obliczeń kwantowych. Od dawna wiadomo, że przynajmniej teoretycznie możliwe jest zbudowanie komputerów kwantowych z korekcją błędów, tak aby zasadniczo doskonały komputer można było zbudować z niedoskonałych komponentów. Jednak badania NISQ koncentrowały się na opracowaniu algorytmów wariacyjnych, które mają być odporne na drobne zakłócenia spowodowane hałasem środowiskowym, pozwalając na uzyskanie przewagi kwantowej bez korekcji błędów.

„Niestety istnieje stosunkowo niewiele dowodów na to, że takie algorytmy NISQ faktycznie dadzą przewagę nad konwencjonalnymi komputerami w szerokim zakresie zadań optymalizacji i uczenia maszynowego, dla których są rozważane. Chociaż istnieje dobry powód, by sądzić, że wczesna przewaga kwantowa może być widoczna w dziedzinach takich jak chemia, gdzie problem do rozwiązania ma charakter mechaniki kwantowej, istnieją oznaki ponownego skupienia się na osiągnięciu reżimu tolerancji błędów, w którym błędy są aktywnie korygowane i dla których istnieją znacznie silniejsze dowody na przewagę kwantową”.

Dell TechnologiesJohn Roese, globalny CTO — postanowienie noworoczne Quantum
Opracuję wczesne zestawy umiejętności, aby skorzystać z technologii kwantowej. Obliczenia kwantowe stają się rzeczywistością i jeśli nie masz w swojej firmie kogoś, kto rozumie, jak ta technologia działa i jak wpływa na Twój biznes, przegapisz tę falę technologiczną. Zidentyfikuj zespół, narzędzia i zadania, które poświęcisz Quantum, i zacznij eksperymentować. W zeszłym miesiącu ogłosiliśmy lokalne rozwiązanie Dell Quantum Computing, które umożliwia organizacjom z różnych branż rozpoczęcie korzystania z przyspieszonych obliczeń dzięki technologii kwantowej, która w innym przypadku byłaby dla nich niedostępna. Inwestowanie w symulacje kwantowe i umożliwienie zespołom analityki danych i sztucznej inteligencji uczenia się nowych języków i możliwości kwantowych ma kluczowe znaczenie w 2023 roku.

Contrarian Views on ML Gideon Mendels, CEO i współzałożyciel platformy MLOps kometa
Gdy dane się wyczerpią: Większość ulepszeń obserwowanych w ML pochodzi z modeli szkoleniowych z coraz większą ilością danych, ale zbliżamy się do punktu, w którym nie będziemy w stanie tego zrobić. Właśnie opublikowano interesujące badania, które pokazują, że do 2026 r. możemy zabraknąć danych. Jeśli ta teza się utrzyma, przestaniemy dostrzegać ulepszenia, chyba że uda nam się zbudować lepsze modele na tym samym zbiorze danych.

Wpływ modeli generatywnych na środowisko: Modele generatywne dają niezwykle imponujące wyniki, ale nie jest jasne, jaki mają wpływ na rzeczywisty biznes. Jasne jest, jaki wpływ na emisję dwutlenku węgla ma trening tych masywnych modeli. Wymagania obliczeniowe są szalone. Nasuwa się więc pytanie: „Czy wyniki są warte kosztów środowiskowych?”

Odejdź od myślenia programowego: ML podążał do tej pory zgodnie z kierunkiem rozwoju oprogramowania, ale wraz z dojrzewaniem ML podejście to się rozpada. Żaden pojedynczy sprzedawca nie jest w stanie zrobić wszystkiego. Dzisiejsze zespoły wybierają najlepsze dostępne narzędzia, które są odpowiednie do tego, co próbują zrobić. Dostawcy, którzy próbowali być wszystkim dla zespołu, zawodzą. Aby ML mogło osiągnąć swój potencjał, musimy myśleć inaczej, aby zbudować odpowiedni stos ML dla naszych konkretnych potrzeb biznesowych.

Odchylenie jest przereklamowane: Odchylenie to koncepcja, która cieszy się dużym zainteresowaniem – i będzie nadal zyskiwać więcej dzięki karcie praw AI – nie jest to coś, czym wielu praktyków ML zajmuje się na co dzień. Oczywiście są za to odpowiedzialni, ale solidni praktycy ML rozumieją te problemy i wiedzą, co zrobić, aby zapobiec negatywnemu wpływowi uprzedzeń na wyniki.

Jonas Kubilius z Rada Doradcza Oxylabs w sprawie generatywnej sztucznej inteligencji
Jonas Kubilius, współzałożyciel i dyrektor generalny firmy Three Thirds oraz członek Rady Doradczej Oxylabs, przewiduje rosnącą ewolucję Stable Diffusion, GPT-3, GitHub Copilot i innych technik generowania treści w dochodowe produkty wykorzystywane przez programistów i twórców treści w rzeczywistych światowe aplikacje. Dodał, że zaobserwowalibyśmy zwiększone zainteresowanie modelami multimodalnymi, które mogą obsługiwać tekst, obrazy, dźwięk i inne dane wejściowe dla wielu zadań.

„Zaczniemy obserwować przejście od wykorzystywania sztucznej inteligencji do zadań statycznych, takich jak klasyfikacja, do interaktywnych przepływów pracy opartych na modelach językowych, które pomogą ludziom wykonywać zadania bardziej efektywnie” – powiedział Kubilius.

Peter Mattson, prezes ds MLCommons, w publicznych zbiorach danych
„Będziemy musieli stawić czoła kombinacji nowych, wymagających wyzwań badawczych związanych z multimodalną i konwersacyjną sztuczną inteligencją, a także kwestiami prawnymi, etycznymi i dotyczącymi uczciwości w przypadku danych pochodzących z Internetu w obecnych publicznych zbiorach danych. Branża jako całość będzie również musiała lepiej wspierać nie tylko badania, ale także szeroko stosowane aplikacje ML i nowe przepisy (np. poprzez zestawy testów jakości przemysłowej).”

Aby wesprzeć „następną generację danych publicznych”, Mattson przewiduje potrzebę znacznych inwestycji w zestawy danych dotyczące najpilniejszych problemów społecznych i technicznych oraz skierowania tych inwestycji za pośrednictwem infrastruktury typu open source, która umożliwia całej społeczności wnoszenie wkładu i przegląd dane.

Moses Guttmann, CEO i współzałożyciel platformy MLOps WyczyśćML, w Trendy ML do obejrzenia

Automatyzacja i niedobór umiejętności ML Chociaż widzieliśmy, jak wiele czołowych firm technologicznych ogłasza zwolnienia w drugiej połowie 2022 r., prawdopodobnie żadna (z nich) nie zwalnia najbardziej utalentowanego personelu zajmującego się uczeniem maszynowym. Jednak, aby wypełnić lukę… w zespołach głęboko technicznych, firmy będą musiały jeszcze bardziej pochylić się nad automatyzacją, aby utrzymać produktywność i zapewnić ukończenie projektów. Spodziewamy się również, że firmy korzystające z technologii uczenia maszynowego wprowadzą więcej systemów do monitorowania i zarządzania wydajnością oraz podejmowania bardziej opartych na danych decyzji dotyczących sposobu zarządzania zespołami uczenia maszynowego lub analityki danych….

Gromadzenie talentów ML dobiegło końca  Zwolnienia pracowników ML są prawdopodobnie jednymi z ostatnich zatrudnień, w przeciwieństwie do bardziej długoterminowych pracowników ML…. Ponieważ ML i AI stały się bardziej powszechną technologią w ostatniej dekadzie, wiele dużych firm technologicznych zaczęło zatrudniać tego typu pracowników, ponieważ byli w stanie poradzić sobie z kosztami finansowymi i trzymać ich z dala od konkurencji – niekoniecznie dlatego, że byli potrzebni. (Więc) nie jest zaskakujące, że tak wielu pracowników ML zostaje zwolnionych… Jednak wraz z końcem ery gromadzenia talentów ML może zapoczątkować nową falę innowacji i możliwości dla startupów. Przy tak wielu talentach szukających pracy, prawdopodobnie zobaczymy, jak wielu z tych ludzi przesiąka z wielkich technologii do małych i średnich firm lub start-upów.

Priorytetyzacja projektów ML  Widzę, że projekty uczenia maszynowego sprowadzają się do dwóch rodzajów: sprzedawalnych funkcji, które zdaniem kierownictwa zwiększą sprzedaż i wygrają z konkurencją, oraz projektów optymalizacji przychodów… Projekty przydatnych funkcji prawdopodobnie zostaną odroczone, ponieważ trudno je szybko wydostać, a zamiast tego , mniejsze obecnie zespoły ML będą bardziej koncentrować się na optymalizacji przychodów, ponieważ może to generować realne przychody. W tej chwili wydajność jest niezbędna dla wszystkich jednostek biznesowych, a uczenie maszynowe nie jest na to odporne.

Ujednolicona ML  Jednym z czynników spowalniających adopcję MLOps jest mnogość rozwiązań punktowych. Nie oznacza to, że nie działają, ale że mogą nie integrować się dobrze i pozostawiać luki w przepływie pracy. Z tego powodu mocno wierzę, że rok 2023 będzie rokiem, w którym branża zmierza w kierunku ujednoliconych, kompleksowych platform zbudowanych z modułów, które mogą być używane indywidualnie, a także bezproblemowo integrować się ze sobą (a także łatwo integrować z innymi produktami) . Tego rodzaju podejście platformowe, z elastycznością poszczególnych komponentów, zapewnia zwinne doświadczenie, którego poszukują dzisiejsi specjaliści. To łatwiejsze niż kupowanie produktów punktowych i łatanie ich razem; jest to szybsze niż budowanie własnej infrastruktury od podstaw (kiedy powinieneś wykorzystać ten czas na budowanie modeli)….

NVIDIA zaoferował wiele prognoz w różnych dziedzinach sztucznej inteligencji i uczenia maszynowego:

Anima Anandkumar, dyrektor ML Research i profesor Bren w Caltech
Cyfrowe bliźniaki stają się fizyczne: Zobaczymy na dużą skalę bliźniaki cyfrowe złożonych i wieloskalowych procesów fizycznych, takich jak modele pogodowe i klimatyczne, zjawiska sejsmiczne i właściwości materiałów. Przyspieszy to obecne symulacje naukowe nawet o milion razy i umożliwi nowe spostrzeżenia i odkrycia naukowe.

Ogólni agenci AI: Agenci AI będą rozwiązywać otwarte zadania za pomocą instrukcji w języku naturalnym i uczenia się przez wzmacnianie na dużą skalę, jednocześnie wykorzystując podstawowe modele — te duże modele AI wytrenowane na ogromnej ilości nieoznakowanych danych na dużą skalę — aby umożliwić agentom analizowanie dowolnego typu żądań i z czasem dostosowywać się do nowych rodzajów pytań.

Manuvir Das, wiceprezes, Enterprise Computing
Postępy w oprogramowaniu zakończą silosy sztucznej inteligencji: Przedsiębiorstwa od dawna muszą wybierać między przetwarzaniem w chmurze a architekturą hybrydową na potrzeby badań i rozwoju sztucznej inteligencji — praktyka, która może ograniczać produktywność programistów i spowalniać innowacje.

W 2023 r. oprogramowanie umożliwi firmom ujednolicenie potoków sztucznej inteligencji we wszystkich typach infrastruktury i zapewnienie jednego, połączonego środowiska dla praktyków sztucznej inteligencji. Pozwoli to przedsiębiorstwom zbilansować koszty z celami strategicznymi, niezależnie od wielkości i złożoności projektu oraz zapewni dostęp do praktycznie nieograniczonych możliwości elastycznego rozwoju.

Generative AI przekształca aplikacje korporacyjne: Szum wokół generatywnej sztucznej inteligencji stanie się rzeczywistością w 2023 r. Dzieje się tak, ponieważ fundamenty prawdziwej generatywnej sztucznej inteligencji są wreszcie gotowe, dzięki oprogramowaniu, które może przekształcić duże modele językowe i systemy rekomendacji w aplikacje produkcyjne, które wykraczają poza obrazy, aby inteligentnie odpowiadać na pytania, tworzyć treści, a nawet iskrowe odkrycia….

Kimberly Powell, Wiceprezes ds. Opieki zdrowotnej
Chirurgia 4.0: Symulatory lotu służą do szkolenia pilotów i badania nowych systemów sterowania samolotami. To samo dotyczy teraz chirurgów i producentów robotów chirurgicznych. Cyfrowe bliźniaki, które mogą symulować w każdej skali, od środowiska sali operacyjnej po robota medycznego i anatomię pacjenta, otwierają nowe możliwości w spersonalizowanych próbach chirurgicznych i projektowaniu opartych na sztucznej inteligencji interakcji człowieka i maszyny. Długie staże nie będą jedynym sposobem na wykształcenie doświadczonego chirurga. Wielu zostanie doświadczonymi operatorami, gdy wykonają pierwszą operację z udziałem robota na prawdziwym pacjencie.

Danny Shapiro, wiceprezes ds. motoryzacyjnych
Szkolenie autonomicznych pojazdów w Metaverse: Ponad 250 producentów samochodów i ciężarówek, start-upów, dostawców transportu i mobilności jako usługi opracowujących pojazdy autonomiczne stawia czoła jednemu z najbardziej złożonych wyzwań AI naszych czasów. Po prostu nie jest możliwe napotkanie każdego scenariusza, z którym muszą sobie poradzić, testując na drodze, więc większość branży w 2023 roku zwróci się o pomoc do świata wirtualnego. Gromadzenie danych na drogach zostanie uzupełnione przez wirtualne floty, które generują dane do szkolenia i testowania nowych funkcji przed wdrożeniem. Symulacja o wysokiej wierności przeprowadzi autonomiczne pojazdy w praktycznie nieskończonej gamie scenariuszy i środowisk…

Wielebny Lebardedian, wiceprezes Omniverse i technologii symulacji
Uniwersalny tłumacz Metaverse: Tak jak HTML jest standardowym językiem sieci 2D, Uniwersalny opis sceny ma stać się najpotężniejszym, rozszerzalnym, otwartym językiem dla sieci 3D. Jako standard 3D do opisywania wirtualnych światów w Metaverse, USD umożliwi przedsiębiorstwom, a nawet konsumentom, poruszanie się między różnymi światami 3D przy użyciu różnych narzędzi, przeglądarek i przeglądarek w najbardziej płynny i spójny sposób.

Ronnie Vasishta, starszy wiceprezes ds. Telekomunikacji
Przecinanie przewodu w sieciach AR/VR w sieciach 5G: Podczas gdy wiele firm przeniesie się do chmury w celu opracowywania sprzętu i oprogramowania, projektowanie brzegowe i współpraca również będą się rozwijać, ponieważ sieci 5G będą w pełni wdrażane na całym świecie. Na przykład projektanci z branży motoryzacyjnej mogą zakładać zestawy słuchawkowe rzeczywistości rozszerzonej i przesyłać strumieniowo te same treści, które widzą przez sieci bezprzewodowe, do kolegów z całego świata, przyspieszając wspólne zmiany i opracowując innowacyjne rozwiązania z rekordową szybkością. 5G doprowadzi również do przyspieszonego wdrażania połączonych robotów w różnych branżach — używanych do uzupełniania zapasów na półkach sklepowych, czyszczenia podłóg, dostarczania pizzy oraz zbierania i pakowania towarów w fabrykach.

Bob Pette, wiceprezes ds. profesjonalnej wizualizacji
Rewolucja przemysłowa poprzez symulację: Wszystko, co zbudowano w świecie fizycznym, będzie najpierw symulowane w świecie wirtualnym, który przestrzega praw fizyki. Cyfrowe bliźniaki — w tym środowiska o dużej skali, takie jak fabryki, miasta, a nawet cała planeta — oraz przemysłowy metaverse mają stać się kluczowymi składnikami inicjatyw transformacji cyfrowej. Przykładów jest już mnóstwo: Siemens przenosi automatyzację przemysłową na nowy poziom. BMW symuluje całe hale fabryczne, aby optymalnie planować procesy produkcyjne. Lockheed Martin symuluje przebieg pożarów lasów, aby przewidzieć, gdzie i kiedy rozmieścić zasoby. DNEG, SONY Pictures, WPP i inne firmy zwiększają produktywność dzięki rozproszonym na całym świecie działom artystycznym, które umożliwiają twórcom, artystom i projektantom wirtualną iterację scen w czasie rzeczywistym.

Ponowne przemyślenie architektury IT przedsiębiorstwa: Tak jak wiele firm starało się dostosować swoją kulturę i technologie, aby sprostać wyzwaniom pracy hybrydowej, nowy rok przyniesie przeprojektowanie całej infrastruktury IT wielu firm. Firmy będą poszukiwać wydajnych urządzeń klienckich zdolnych do sprostania stale rosnącym wymaganiom aplikacji i złożonych zestawów danych. I przyjmą elastyczność, przenosząc się do chmury w celu wykładniczego skalowania. Przyjęcie platform oprogramowania do przetwarzania rozproszonego umożliwi rozproszonej na całym świecie sile roboczej współpracę i utrzymanie produktywności w najbardziej zróżnicowanych środowiskach pracy.

Podobnie opracowywanie i szkolenie złożonych modeli sztucznej inteligencji będzie wymagało wydajnej infrastruktury obliczeniowej w centrum danych i na komputerze stacjonarnym. Firmy przyjrzą się wyselekcjonowanym stosom oprogramowania AI do różnych zastosowań przemysłowych, aby ułatwić im wprowadzanie sztucznej inteligencji do swoich przepływów pracy i szybsze dostarczanie klientom produktów i usług wyższej jakości.

Azita Martin, wiceprezes ds. sztucznej inteligencji w grupie produktów detalicznych i konsumenckich
Sztuczna inteligencja do optymalizacji łańcuchów dostaw: Nawet najbardziej wyrafinowani detaliści i firmy zajmujące się handlem elektronicznym miały przez ostatnie dwa lata problemy ze zrównoważeniem podaży z popytem. Konsumenci przyjęli zakupy domowe podczas pandemii, a następnie po zniesieniu blokad wrócili do sklepów stacjonarnych. Po uderzeniu inflacji ponownie zmienili swoje nawyki zakupowe, przyprawiając menedżerów łańcucha dostaw o dreszcze. Sztuczna inteligencja umożliwi częstsze i dokładniejsze prognozowanie, zapewniając, że właściwy produkt znajdzie się we właściwym sklepie we właściwym czasie. Ponadto sprzedawcy detaliczni zastosują oprogramowanie do optymalizacji tras i technologię symulacji, aby zapewnić bardziej całościowy obraz możliwości i pułapek.

Malcolm deMayo, wiceprezes ds. usług finansowych
Cloud-First dla usług finansowych: Banki mają nowy imperatyw: szybko osiągnij zwinność. W obliczu rosnącej konkurencji ze strony nietradycyjnych instytucji finansowych, zmieniających się oczekiwań klientów wynikających z ich doświadczeń w innych branżach i obarczonych przestarzałą infrastrukturą, banki i inne instytucje przyjmą podejście AI oparte na chmurze. Ale jako wysoce uregulowana branża, która wymaga odporności operacyjnej, termin branżowy, który oznacza, że ​​twoje systemy mogą absorbować i przetrwać wstrząsy (takie jak pandemia), banki będą szukać otwartych, przenośnych, wzmocnionych, hybrydowych rozwiązań. W rezultacie banki są zobowiązane do zakupu umów wsparcia, gdy są dostępne.

David Reber, szef ochrony
Analitycy danych to Twój nowy cyberzasób: Tradycyjni cyberprzestępcy nie są już w stanie skutecznie bronić się przed najbardziej wyrafinowanymi zagrożeniami, ponieważ szybkość i złożoność ataków oraz obrony skutecznie przekroczyły ludzkie możliwości. Analitycy danych i inni analitycy wykorzystają sztuczną inteligencję do obiektywnego spojrzenia na wszystkie dane i wykrycia zagrożeń. Naruszenia będą się zdarzać, więc techniki analizy danych wykorzystujące sztuczną inteligencję i ludzi pomogą znaleźć igłę w stogu siana i szybko zareagować.

Kari Briski, wiceprezes ds. oprogramowania AI i HPC
Nieoznaczone dane znajdują swój cel: Duże modele językowe i ustrukturyzowane dane zostaną również rozszerzone na ryzy zdjęć, nagrań dźwiękowych, tweetów i nie tylko, aby znaleźć ukryte wzorce i wskazówki wspierające przełomy w opiece zdrowotnej, postęp naukowy, lepsze zaangażowanie klientów, a nawet duże postępy w transporcie autonomicznym. W 2023 r. dodanie wszystkich tych nieustrukturyzowanych danych do miksu pomoże opracować sieci neuronowe, które mogą na przykład generować syntetyczne profile naśladujące dokumentację medyczną, z której się nauczyli. Ten rodzaj nienadzorowanego uczenia maszynowego stanie się równie ważny jak nadzorowane uczenie maszynowe.

Nowe centrum telefoniczne: Miej oko na call center w 2023 r., w którym przyjmowanie coraz łatwiejszych do wdrożenia przepływów pracy sztucznej inteligencji zapewni biznesową elastyczność na każdym etapie potoku interakcji z klientem — od modyfikowania architektur modeli po dostrajanie modeli na zastrzeżonych danych i dostosowywanie potoków. Wraz ze wzrostem dostępności przepływów pracy związanych ze sztuczną inteligencją mowy będziemy świadkami coraz szerszej adopcji w przedsiębiorstwach i gigantycznego wzrostu produktywności call center dzięki skróceniu czasu rozwiązywania problemów. Sztuczna inteligencja pomoże agentom wyciągnąć odpowiednie informacje z ogromnej bazy wiedzy we właściwym czasie, minimalizując czas oczekiwania klientów.

Deepu Talla, wiceprezes ds. systemów wbudowanych i przetwarzania brzegowego
Roboty zyskują milion żyć: Więcej robotów będzie szkolonych w wirtualnych światach, ponieważ fotorealistyczne renderowanie i dokładne modelowanie fizyczne łączą się z możliwością równoległej symulacji milionów wystąpień robota na procesorach graficznych w chmurze. Techniki generatywnej sztucznej inteligencji ułatwią tworzenie wysoce realistycznych scenariuszy symulacji 3D i jeszcze bardziej przyspieszą wdrażanie danych symulacyjnych i syntetycznych do opracowywania bardziej wydajnych robotów.

 Marc Spieler, starszy dyrektor ds. energii
Sieć energetyczna zasilana sztuczną inteligencją: Ponieważ sieć staje się coraz bardziej złożona ze względu na bezprecedensowe tempo dodawania rozproszonych zasobów energii, przedsiębiorstwa energetyczne będą wymagać sztucznej inteligencji w celu poprawy wydajności operacyjnej, zwiększenia bezpieczeństwa funkcjonalnego, zwiększenia dokładności prognozowania obciążenia i zapotrzebowania oraz przyspieszenia czasu podłączenia energii odnawialnej , jak słońce i wiatr. Sztuczna inteligencja na krawędzi zwiększy odporność sieci, jednocześnie zmniejszając straty energii i koszty.