Utmaningar och lösningar vid utveckling och implementering av lokala AI-lösningar: En systematisk litteraturstudie

Sammanfattning

Artificiell intelligens (AI) som exekveras lokalt, nära datakällan, har flera fördelar såsom minskad latens, förbättrad dataintegritet och är ofta mer kostnadseffektivt gentemot molnbaserade lösningar. Denna utveckling medför dock unika utmaningar. Syftet med denna studie är att genom en systematisk litteraturstudie identifiera, analysera och sammanställa återkommande utmaningar och lösningar gällande utveckling och implementering av lokala AI-lösningar. En systematisk litteraturgenomgång genomfördes av vetenskaplig litteratur publicerad från 2020 och framåt från databasen Scopus. En tematisk analys användes senare för att extrahera och kategorisera relevanta data ur de inkluderade källorna. Studiens resultat visar att de mest framstående utmaningarna inkluderar resursbegränsningar på lokala enheter, datarelaterade utmaningar, säkerhets- och integritetsrisker, nätverks- och kommunikationsutmaningar och modellspecifika utmaningar. Centrala kategorier inom lösningar inkluderar modellkomprimering och destillering, resurshantering och optimering, distribuerade och samverkande metoder, samt robusta datahanteringstekniker. Studien erbjuder en strukturerad översikt av det aktuella forskningsläget, och belyser sambanden mellan utmaningar och lösningar inom lokala AI-lösningar i en sammanställning som kan användas av såväl praktiker som för framtida forskning.