A computação em rede representa uma abordagem transformadora para atender às crescentes demandas das cargas de trabalho de Inteligência Artificial (IA) na infraestrutura de rede. Ao aproveitar as capacidades de processamento de dispositivos de rede como switches, roteadores e Placas de Interface de Rede (NICs), esse paradigma permite que cálculos de IA sejam realizados diretamente dentro da malha da rede, reduzindo significativamente a latência, melhorando a capacidade de throughput e otimizando a utilização de recursos. Este artigo fornece uma análise abrangente da otimização da computação em rede para IA, explorando a evolução de arquiteturas de rede programáveis, como Redes Definidas por Software (SDN) e Planos de Dados Programáveis (PDPs), e sua convergência com a IA. Ele examina metodologias para mapear modelos de IA em dispositivos de rede com recursos limitados, abordando desafios como memória e capacidades computacionais limitadas por meio de design de algoritmos eficientes e técnicas de compressão de modelos. O artigo também destaca os avanços em aprendizado distribuído, particularmente na agregação em rede, e o potencial do aprendizado federado para melhorar a privacidade e a escalabilidade. Estruturas como Planter e Quark são discutidas para simplificar o desenvolvimento, juntamente com aplicações-chave, como monitoramento inteligente de rede, detecção de intrusões, gerenciamento de tráfego e IA de Edge. Direções de pesquisa futuras, incluindo programabilidade em tempo de execução, benchmarks padronizados e novos paradigmas de aplicações, são propostas para avançar neste campo em rápida evolução. Esta pesquisa enfatiza o potencial da IA em rede para criar redes inteligentes, eficientes e responsivas capazes de atender às demandas das aplicações de IA de próxima geração.
Algazinov et al. (Fri,) estudaram essa questão.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: