O que é IA de borda? Entenda a inteligência artificial na borda

A IA de borda representa a implantação de algoritmos e modelos de inteligência artificial em um ambiente de computação de borda, aproximando o poder computacional e a inteligência do local onde as decisões são tomadas, em parte para reduzir o fluxo contínuo de comunicação entre os locais de borda e a nuvem. A IA de borda permite que dispositivos na periferia da rede processem dados localmente, possibilitando a tomada de decisões em tempo real sem depender de conexões com a Internet ou de servidores centralizados na nuvem para o processamento, aumentando a velocidade computacional e aprimorando a privacidade e a segurança dos dados.

Entendendo a IA de borda

A IA de borda é a convergência de várias tecnologias, incluindo inteligência artificial, Internet das Coisas (IoT), computação de borda, e sistemas embarcados, cada uma desempenhando um papel crucial para viabilizar o processamento inteligente e a tomada de decisões na borda da rede. A IA de borda envolve o uso de algoritmos embarcados para monitorar a atividade de um sistema remoto, bem como o processamento dos dados coletados por dispositivos como sensores e outros rastreadores de dados não estruturados, incluindo temperatura, linguagem, rostos, movimento, imagens, proximidade e outras entradas analógicas.

Esses sistemas remotos podem assumir diversas formas, incluindo sensores, smartphones, dispositivos de IoT, drones, câmeras e até mesmo veículos e eletrodomésticos inteligentes. Os dados coletados desses sistemas servem como entrada para os algoritmos de IA de borda, fornecendo informações valiosas sobre o estado do sistema ou de seu entorno, permitindo que os sistemas de IA de borda respondam rapidamente a mudanças ou anomalias e compreendam o ambiente em que operam. Essas aplicações de IA de borda seriam inviáveis ou até mesmo impossíveis de operar em um ambiente centralizado de nuvem ou de data center corporativo devido a questões relacionadas a custo, latência, largura de banda, segurança e privacidade.

A IA de borda abrange uma ampla variedade de casos de uso, incluindo:

Veículos autônomos. A IA de borda permite que os veículos analisem dados de sensores em tempo real para tomar decisões em frações de segundo em tarefas como detecção de objetos, monitoramento de faixa e prevenção de colisões, sem depender constantemente da conectividade com a nuvem.
Cidades inteligentes. Dados de sensores e câmeras instalados em toda a área urbana podem viabilizar diversas aplicações para cidades inteligentes, incluindo gestão de tráfego, monitoramento da segurança pública, gestão de resíduos e otimização energética.
Monitoramento agrícola. A IA de borda viabiliza a agricultura de precisão ao analisar dados de sensores, drones e imagens de satélite para monitorar a saúde das plantações, otimizar a irrigação, detectar infestações de pragas e analisar as condições ambientais em tempo real.
IoT industrial. Ao implementar algoritmos de IA diretamente em equipamentos e sensores de fabricação, os dispositivos de borda podem monitorar as condições das máquinas, detectar defeitos e otimizar os processos de produção sem depender de servidores centralizados.
Monitoramento da saúde. A IA de borda viabiliza o monitoramento remoto de pacientes e cuidados de saúde personalizados ao analisar dados de dispositivos vestíveis, sensores médicos e equipamentos de diagnóstico por imagem para realizar análises de dados médicos em tempo real e alertar os profissionais de saúde sobre possíveis problemas de saúde.

IA de borda vs. IA na nuvem

Há dois paradigmas principais para a implantação de algoritmos e modelos de IA: na borda ou na nuvem. As estratégias para integrar sistemas que abrangem ambientes de nuvem e de borda são chamadas de “cloud-in” ou “edge-out”, e ambas têm implicações para o desempenho, a segurança e as operações.

A IA de borda envolve a implantação de IA em dispositivos remotos para permitir o processamento e a tomada de decisões em tempo real na borda da rede ou em ambientes descentralizados. Esses sistemas podem analisar grande parte dos dados localmente, sem depender da conectividade de rede nem transmitir dados para servidores centralizados, o que reduz a latência e agiliza os tempos de resposta. Os sistemas de IA de borda também mantêm os dados confidenciais no próprio local, reduzindo o risco de violações de privacidade ou os riscos de segurança associados à transmissão de dados para a nuvem.

Exemplos de IA de borda incluem veículos autônomos que usam IA implantada localmente para analisar dados de sensores e tomar decisões de condução em tempo real, além de dispositivos domésticos inteligentes que usam IA de borda para processar comandos de voz ou monitorar o ambiente em busca de invasores.

Por outro lado, a IA na nuvem se caracteriza pela implantação de algoritmos e modelos de IA em servidores centralizados na nuvem, permitindo o processamento, o treinamento e a inferência de dados em larga escala. Os recursos de nuvem oferecem uma capacidade computacional significativa, viabilizando tarefas complexas de IA, como o treinamento de aprendizado profundo ou a análise de big data, que exigem enorme poder computacional. As soluções de IA na nuvem podem ser facilmente dimensionadas para comportar grandes volumes de dados e usuários, o que as torna adequadas para aplicações com alta taxa de processamento ou requisitos que demandam muitos recursos.

Mecanismos de recomendação, como os usados pela Amazon ou Netflix para oferecer aos consumidores opções de produtos novos ou alternativos com base em uma grande quantidade de dados dos usuários, são exemplos de sistemas de IA em nuvem de grande escala que exigem recursos computacionais substanciais para funcionar de maneira ideal.

Outros casos de uso de IA abrangem tanto a IA de borda quanto a IA em nuvem para atender às necessidades específicas dos clientes. Exemplos reais incluem a Sentient.io, uma provedora de plataforma de IA e dados sediada em Singapura, que desenvolveu o Sentient Marketplace, um centro de serviços inovadores de IA que permite às empresas integrar facilmente a IA aos seus fluxos de trabalho existentes. No entanto, o rápido sucesso do marketplace trouxe vários desafios complexos, incluindo a dificuldade de operar e implantar serviços de IA em ambientes distribuídos — locais, em nuvem pública, em nuvem privada e na borda.

Ao operar com vários provedores nas instalações dos clientes, as soluções de cada provedor de nuvem podem oferecer distribuições proprietárias do Kubernetes, o que pode ser desafiador para organizações que precisam utilizar essas plataformas em seus respectivos ambientes de nuvem. O processo de implantação dos modelos de IA da Sentient nas instalações dos clientes também era complexo, pois exigia a configuração de ambientes Kubernetes locais para cada site de borda, além do gerenciamento manual das atualizações e da sincronização de novos modelos. Isso resultava em maior complexidade operacional e em políticas inconsistentes de orquestração de fluxos de trabalho e segurança.

A Sentient.io firmou uma parceria com a F5 para oferecer soluções completas de IA de nível empresarial “como serviço” a clientes de diversos setores usando o F5 Distributed Cloud App Stack, uma plataforma Kubernetes pronta para uso empresarial que simplifica as implantações em ambientes locais, na nuvem e na borda. A solução otimizou as operações da Sentient, reduzindo a latência e viabilizando o processamento de IA em tempo real na borda. A execução de inferências na borda elimina as limitações de rede e largura de banda decorrentes da localização geográfica e garante a entrega imediata de inferências às aplicações em tempo real. Essa mudança na implantação de modelos permitiu que a Sentient.io fornecesse aplicações de IA de alto desempenho aos seus clientes, acelerando o retorno sobre o investimento, otimizando a alocação de recursos, reduzindo os custos operacionais gerais e integrando nativamente a segurança de aplicações e APIs.

A colaboração também proporcionou uma economia significativa em comparação com o processo anterior de gerenciamento manual de várias plataformas de nuvem, que exigia equipes dedicadas e gerava custos substanciais com recursos. Com o F5 Distributed Cloud Services, a Sentient simplificou as operações, reduzindo custos por meio da otimização de recursos e da simplificação do gerenciamento de aplicações, liberando recursos para outras iniciativas estratégicas.

Acessando a IA de borda

O acesso à IA de borda envolve a implantação de uma combinação de dispositivos, tecnologias, componentes de infraestrutura e integrações para permitir o acesso e o uso eficientes dos recursos de IA na borda da rede. Isso inclui:

Dispositivos de borda. Equipados com sensores e microcontroladores, os dispositivos de borda coletam dados do mundo físico e podem hospedar modelos de IA de borda para processamento local. Alguns exemplos de dispositivos de IoT são termostatos inteligentes, câmeras de vigilância, monitores de umidade do solo e sensores industriais. Os dispositivos de borda também podem incluir smartphones e tablets, que não apenas detectam o ambiente ao redor, mas também podem aproveitar sua capacidade de processamento e conectividade para executar tarefas de IA de borda.
Tecnologias. A operação de sistemas de IA na borda da rede exige diversas tecnologias especializadas, incluindo algoritmos treinados e modelos de IA otimizados para implantação em dispositivos com recursos limitados. Também estão disponíveis frameworks e plataformas de IA de borda que oferecem ferramentas e bibliotecas para simplificar o desenvolvimento e a implantação de sistemas.
Infraestrutura. Uma conectividade de rede confiável, com ou sem fio, é necessária para que os dispositivos de IA de borda se comuniquem entre si e, quando necessário, com servidores centralizados. Essa infraestrutura pode incluir componentes de hardware como servidores de borda, gateways e roteadores. Além disso, as APIs são o elemento central das arquiteturas de IA, permitindo que diferentes componentes e serviços se comuniquem e troquem dados e instruções.
Integrações. Os sistemas de IA de borda devem ser capazes de se integrar às redes e à infraestrutura existentes para garantir a acessibilidade dos dados, permitir a escalabilidade e a compatibilidade com outros componentes do sistema e simplificar a complexidade do gerenciamento.

Além disso, esteja ciente dos seguintes desafios e limitações relacionados à implantação e ao acesso à IA de borda.

Capacidade computacional e conectividade limitadas. A maioria dos dispositivos de borda tem capacidade de processamento, memória e armazenamento limitados, o que pode restringir a complexidade e o tamanho dos modelos de IA que podem operar na borda. Além disso, os dispositivos de borda geralmente operam em ambientes com opções limitadas de conectividade de rede, o que também pode afetar a capacidade de resposta, o desempenho e a confiabilidade dos sistemas de IA de borda.
Custo e disponibilidade. Muitos modelos de IA se beneficiam de aceleradores de carga de trabalho, como unidades de processamento gráfico (GPUs) e unidades de processamento de dados (DPUs), para agilizar o processamento. No entanto, as GPUs, em particular, são caras e, devido a limitações físicas, podem ser grandes demais para uso em formatos miniaturizados. Isso pode limitar os tipos de algoritmos de IA que podem ser implantados em dispositivos de borda e exigir técnicas alternativas de otimização.
Privacidade de dados. Alguns sistemas de IA de borda geram e processam localmente dados confidenciais ou protegidos, o que levanta preocupações quanto à privacidade dos dados e à conformidade com regulamentações como a HIPAA ou o GDPR. Garantir a privacidade dos dados e a conformidade com os requisitos legais pode exigir a implementação de medidas adequadas de anonimização e criptografia de dados, bem como de controle de acesso.
Gerenciamento de dispositivos. Implantar, monitorar, atualizar e manter sistemas de IA de borda distribuídos em locais geograficamente dispersos pode ser desafiador e exige ferramentas e plataformas de gerenciamento eficientes.

Medidas de segurança para IA na borda

Proteger os dados e mitigar os riscos de segurança em implantações de IA de borda exige uma abordagem holística, com ênfase em uma estratégia de segurança em várias camadas. Embora a IA de borda seja diferente das cargas de trabalho de computação tradicionais em aspectos importantes, como sua capacidade de aprender com os dados e adaptar seu comportamento com base na experiência, em termos de requisitos de segurança, ela tem muito em comum com sistemas de IoT mais convencionais e compartilha muitos dos mesmos riscos, incluindo:

Malware e ataques cibernéticos. Os dispositivos de IA de borda estão sujeitos a infecções por malware, ataques cibernéticos e exploração remota se não forem devidamente protegidos. A implementação de software antivírus, sistemas de detecção de intrusões e atualizações regulares de software deve fazer parte de toda estratégia de segurança de IA de borda.
Segurança de rede. Os dispositivos de IA de borda normalmente se comunicam entre si e com servidores centralizados por meio de redes, o que os torna possíveis alvos de ataques baseados em rede. Proteja as comunicações de rede com mecanismos de criptografia, autenticação e controle de acesso para proteger os dados em trânsito e impedir o acesso não autorizado aos recursos da rede.
Integridade dos dados. Para manter a precisão e a confiabilidade dos modelos de IA e dos processos de tomada de decisão, é necessário proteger a integridade dos dados processados por dispositivos de IA de borda. A detecção e a mitigação de adulterações, manipulações ou corrupção de dados exigem a implementação de validação de dados, somas de verificação e verificações de integridade para confirmar a autenticidade e a consistência dos dados de entrada.
Segurança física. Os dispositivos de IA de borda são frequentemente implantados em ambientes remotos ou hostis, o que os torna vulneráveis a danos, adulteração física, roubo ou vandalismo. Medidas de proteção física, como invólucros resistentes a adulterações ou câmeras de vigilância, ajudam a proteger os dispositivos contra danos, manipulação ou acesso não autorizado.
Segurança de APIs. Os ecossistemas de IA, incluindo plugins, são viabilizados por meio de APIs, que estão sujeitas a vulnerabilidades, uso indevido, configurações incorretas e ataques que contornam controles de autenticação e autorização inadequados.
Segurança de modelos de linguagem de grande escala (LLMs). Os LLMs e os respectivos processos de treinamento e inferência associados à tomada de decisões em aplicações baseadas em IA generativa estão sujeitos a inúmeros riscos, incluindo injeção de prompts, envenenamento de dados, alucinações e vieses.

Para uma análise aprofundada dos riscos de segurança envolvidos na implantação e no gerenciamento de sistemas de IA baseados em LLMs, incluindo aplicações de IA na borda, consulte o OWASP Top 10 para aplicações de modelos de linguagem de grande porte, que promove a conscientização sobre suas vulnerabilidades, sugere estratégias de mitigação e busca aprimorar a postura de segurança das aplicações de LLMs.

Estratégias de otimização para IA de borda

Devido à sua implantação na borda da rede ou em outros locais remotos, é importante otimizar a infraestrutura de IA de borda em termos de desempenho, utilização de recursos, segurança e outros aspectos. No entanto, otimizar a eficiência e o desempenho de dispositivos com recursos limitados pode ser desafiador, pois reduzir os requisitos de processamento, memória e energia e, ao mesmo tempo, manter um desempenho aceitável geralmente exige concessões.

Aprimorando o desempenho da IA na borda

Existem várias estratégias para otimizar o desempenho computacional na borda e, ao mesmo tempo, limitar o consumo de energia. A implementação de técnicas de economia de energia, como modos de baixo consumo, estados de suspensão ou escalonamento dinâmico de tensão e frequência (DVFS), pode ajudar a reduzir o consumo energético. Aceleradores de hardware, como GPUs e DPUs, podem transferir tarefas computacionalmente intensivas da CPU, aumentando a velocidade de inferência. Use técnicas como processamento dinâmico em lotes, inferência adaptativa ou esparsidade de modelos para otimizar a utilização de recursos sem comprometer o desempenho. Tarefas menos intensivas podem ser executadas por recursos de CPU, ressaltando a importância do compartilhamento de recursos em arquiteturas altamente distribuídas.

Adaptação de modelos para computação de borda

Dispositivos de IA de borda geralmente têm recursos computacionais limitados, o que torna necessário implantar modelos de IA leves e otimizados para esses dispositivos. Isso pode exigir um equilíbrio entre a complexidade do modelo, a precisão e a velocidade de inferência ao selecionar o modelo mais adequado aos recursos do dispositivo e aos requisitos da aplicação. Técnicas como quantização de modelos, poda e destilação de conhecimento podem ajudar a reduzir o tamanho dos modelos de IA sem perda significativa de desempenho.

Segurança otimizada na borda

O "perímetro em dissolução" refere-se ao fato de que os limites tradicionais das redes estão se tornando menos definidos devido a fatores como dispositivos móveis e computação em nuvem e na borda. No contexto da IA de borda, o perímetro em dissolução significa que os dispositivos de IA de borda geralmente são implantados em ambientes de rede remotos e dinâmicos, na borda da rede, e operam fora de data centers ou ambientes de nuvem e além do alcance de medidas tradicionais de segurança baseadas em perímetro, como firewalls ou sistemas de detecção de intrusão. Como resultado, a segurança da IA de borda tem requisitos específicos e deve ser otimizada para oferecer proteção contra ameaças como acesso não autorizado em locais isolados e em ambientes complexos e distribuídos, que tornam o gerenciamento e a visibilidade da segurança um desafio.

Além disso, as APIs fornecem a estrutura de conexão que permite que várias partes dos aplicativos de IA troquem dados e instruções. A proteção dessas conexões de API e dos dados que trafegam por elas é um desafio crítico de segurança que as empresas precisam enfrentar ao implantar aplicativos habilitados para IA, o que exige a implementação de serviços de proteção de aplicações web e APIs que descobrem endpoints dinamicamente e os protegem automaticamente contra diversos riscos.

Segurança para grandes modelos de linguagem

Os LMMs são modelos de inteligência artificial baseados em grandes volumes de dados textuais e treinados para compreender e gerar conteúdo em linguagem natural com fluência e coerência notáveis, semelhantes às humanas. Os LLMs, que estão no centro das aplicações de IA generativa, geralmente são treinados com dados de entrada e conteúdos extraídos sistematicamente da Internet, incluindo livros digitais, publicações, sites e artigos. No entanto, esses dados de entrada estão sujeitos a ataques de agentes mal-intencionados, que os manipulam deliberadamente para induzir os modelos de IA generativa ao erro ou comprometer seu desempenho, resultando em vulnerabilidades, vieses, resultados não confiáveis, violações de privacidade e execução de código não autorizado.

Entre os principais riscos de segurança para os LLMs estão:

Injeção de prompt. Os invasores podem manipular os prompts de entrada de LMMs para influenciar os resultados gerados e comprometer a confiabilidade e a credibilidade dos resultados produzidos por LLMs, gerando conteúdo tendencioso, ofensivo ou impreciso.
Envenenamento de modelo. Esses ataques envolvem a inserção de dados maliciosos durante a fase de treinamento dos LLMs para manipular seu comportamento ou comprometer seu desempenho. Ao introduzir amostras de dados contaminados no conjunto de dados de treinamento, os invasores podem inserir vieses, vulnerabilidades ou backdoors no modelo de LLM treinado.
Negação de serviço do modelo (DoS). Esses ataques visam à disponibilidade e ao desempenho dos LLMs, sobrecarregando-os com solicitações ou entradas maliciosas que podem exceder os limites de tokenização de solicitações e da janela de contexto do LLM, causando lentidão, interrupções ou indisponibilidade do serviço. Esses ataques de esgotamento de recursos podem resultar em degradação do desempenho ou instabilidade do sistema, afetando a disponibilidade e a confiabilidade do sistema de IA e comprometendo a capacidade do modelo de aprender e responder aos prompts dos usuários.

Enfrentar esses desafios de segurança exige uma abordagem multifacetada que impeça injeções de prompt e empregue técnicas como sanitização de prompts, validação de entradas e filtragem de prompts para garantir que o modelo não seja manipulado por entradas maliciosamente elaboradas. Para combater ataques de DoS, crie uma estratégia de defesa em camadas que inclua limitação de taxa, detecção de anomalias e análise comportamental para detectar e identificar atividades de rede suspeitas ou maliciosas. O setor ainda está evoluindo para gerenciar esses riscos de forma eficaz, o que tem levado ao rápido desenvolvimento de proxies de LLM, firewalls, gateways e middleware seguro nas pilhas de aplicações.

O futuro da IA na borda

A IA de borda faz parte de um conjunto de tecnologias em rápida evolução na borda da rede, que está inaugurando uma nova era de ambientes computacionais inteligentes, responsivos e mais eficientes. Essas tecnologias, na convergência dos avanços em processadores, redes, software e segurança, estão abrindo novas possibilidades de inovação e transformação em diversos setores. Esses casos de uso da computação de borda aproveitam a análise e a tomada de decisões em tempo real na borda da rede, permitindo que as organizações processem e analisem os dados mais perto de sua origem e reduzam o tempo de resposta de aplicações sensíveis à latência ou garantam a entrega de conteúdo em tempo real.

A distribuição de recursos computacionais pela borda da rede também permite que as organizações se adaptem rapidamente às mudanças nas demandas das cargas de trabalho e otimizem a utilização de recursos para melhorar o desempenho e a eficiência geral do sistema. Essas possibilidades se devem, em parte, à evolução de componentes desenvolvidos especificamente para a infraestrutura de computação de borda, como servidores de borda, plataformas e bibliotecas de computação de borda e processadores com IA integrada ao chip, que fornecem os recursos de computação, armazenamento e rede necessários para dar suporte a aplicações de IA na borda.

A IA de borda tem desempenhado um papel fundamental no renascimento da infraestrutura na borda da rede, e a integração da IA com a IoT continua impulsionando a tomada de decisões inteligentes na borda, promovendo aplicações revolucionárias em saúde, automação industrial, robótica, infraestrutura inteligente e muito mais.

TinyML é uma abordagem de ML e IA que se concentra, em parte, na criação de modelos e algoritmos leves de ML em software, otimizados para implantação em dispositivos de borda com recursos limitados, como microcontroladores e dispositivos de IA de borda. Os algoritmos baseados em TinyML são projetados para oferecer eficiência energética e executar tarefas de inferência localmente, sem depender de recursos de nuvem.

Além disso, processadores compactos e potentes, como as DPUs, que são componentes de hardware especializados projetados para transferir e acelerar tarefas de processamento de dados da CPU, são cada vez mais usados em computação de borda e cargas de trabalho de IA/ML, nas quais o processamento eficiente de grandes volumes de dados é crucial para o desempenho e a escalabilidade. Essa eficiência é especialmente valiosa em ambientes de computação de borda, onde as restrições de energia podem limitar o uso de soluções de GPU com alto consumo energético.

Conectando essas inovações em um continuum da borda à nuvem e ao data center está uma nova geração de soluções de rede que permite processamento, análise e observabilidade de dados de forma integrada em arquiteturas distribuídas, incluindo recursos de computação híbrida, multinuvem e de borda. Essas redes dependerão cada vez mais de APIs, que são componentes essenciais das plataformas de computação de borda, pois facilitam a comunicação, a integração e a automação para permitir a troca e a sincronização contínuas de dados em ambientes de computação distribuída. As APIs também possibilitam a interoperabilidade entre diversos dispositivos, sistemas e serviços de borda ao fornecer interfaces padronizadas, o que também permite o provisionamento, o gerenciamento e o controle dinâmicos de recursos e serviços de borda.

Nessas arquiteturas distribuídas de grande abrangência, os dados podem ser processados e analisados com segurança em vários pontos ao longo do continuum, desde dispositivos de borda localizados próximos às fontes de dados até servidores de nuvem centralizados — ou dispersos — localizados em data centers. Esse continuum da borda a todos os ambientes permite que as organizações aproveitem com segurança os pontos fortes de vários ambientes de computação e integrem cargas de trabalho tradicionais e de IA para atender aos diversos requisitos das aplicações modernas.

Como a F5 pode ajudar

A F5 é a única fornecedora de soluções que protege, disponibiliza e otimiza qualquer aplicativo e qualquer API, em qualquer lugar, em todo o espectro de ambientes distribuídos, incluindo aplicações de IA na borda da rede. Os aplicativos baseados em IA são o que há de mais moderno em aplicativos e, embora existam considerações específicas para sistemas que empregam IA generativa, como riscos relacionados a LLMs e inferência distribuída, essas aplicações também estão sujeitas a latência, negação de serviço, vulnerabilidades de software e abusos por agentes mal-intencionados que usam bots e automação maliciosa.

As novas experiências digitais impulsionadas por IA são altamente distribuídas, com uma combinação de fontes de dados, modelos e serviços que se estendem por ambientes locais, de nuvem e de borda, todos conectados por uma rede crescente de APIs que traz desafios significativos de segurança. Proteger essas conexões de API e os dados que trafegam por elas é o principal desafio de segurança que as empresas precisam enfrentar à medida que implantam mais serviços habilitados por IA.

F5 Distributed Cloud Services oferece a solução de segurança de APIs preparada para IA mais abrangente do setor, com testes de código de APIs e análise de telemetria para ajudar na proteção contra ameaças sofisticadas baseadas em IA, além de facilitar a proteção e o gerenciamento de ambientes de aplicações multinuvem e de borda. Soluções F5 Multi-Cloud Networking oferecem rede baseada em SaaS com otimização de tráfego e serviços de segurança para nuvens públicas e privadas e implantações de borda por meio de um único console, reduzindo a sobrecarga de gerenciamento de serviços dependentes da nuvem e de vários fornecedores terceirizados. Com as soluções de rede da F5, você acelera as implantações de IA e obtém gerenciamento de políticas de ponta a ponta e observabilidade para uma infraestrutura totalmente automatizável e confiável.

Além disso, o novo F5 AI Data Fabric é uma base para a criação de soluções inovadoras que ajudam os clientes a tomar decisões mais embasadas e agir com mais rapidez. A telemetria do Distributed Cloud Services, do BIG-IP e do NGINX é combinada para fornecer insights incomparáveis, gerar relatórios em tempo real, automatizar ações e viabilizar agentes de IA.

A F5 também está lançando um assistente de IA que mudará a forma como os clientes interagem com as soluções da F5 e as gerenciam por meio de uma interface de linguagem natural. Com tecnologia do F5 AI Data Fabric, o assistente de IA gerará visualizações de dados, identificará anomalias, consultará e gerará configurações de políticas e aplicará medidas de correção. Ele também atuará como um gerente de suporte ao cliente integrado, permitindo que os clientes façam perguntas e recebam recomendações com base no treinamento do modelo usando bases de conhecimento completas dos produtos.

Ao viabilizar e proteger seus aplicativos baseados em IA, do data center à borda, as soluções da F5 oferecem ferramentas avançadas que proporcionam desempenho previsível e segurança, para que você possa obter o máximo valor de seus investimentos em IA.

Conteúdo relacionado