边缘人工智能

出自 MBA智库百科(https://wiki.mbalib.com/)

　　人工智能在很大程度上依赖于复杂机器学习算法的数据传输和计算。边缘计算建立了一个新时代的计算模式，将人工智能和机器学习转移到数据生成和计算实际发生的地方：网络边缘。边缘计算和人工智能的融合催生了一个新领域：边缘人工智能。

　　边缘人工智能可以提供更快的计算和洞察力、更好的数据安全性以及对持续运营的有效控制。因此，它可以提高支持人工智能的应用程序的性能，并降低运营成本。边缘人工智能还可以帮助人工智能克服与之相关的技术挑战。

　　边缘人工智能促进机器学习、深度学习模型的自主应用以及物联网设备本身的高级算法。

　　高效的边缘人工智能模型通常拥有优化的边缘计算基础设施，可以在边缘和靠近边缘处理更庞大的人工智能工作负载。边缘人工智能与存储解决方案相结合，可以提供行业领先的性能和无限的可扩展性，使企业能够有效地使用他们的数据。

　　许多企业已经从边缘人工智能中获益。从改进装配线的生产监控到驾驶自动驾驶汽车，边缘人工智能可以使各个行业受益。此外，最近在许多国家和地区推出5G技术为边缘人工智能提供了额外的推动，因为该技术的更多工业应用不断涌现。

　　由人工智能驱动的边缘计算对企业的一些好处包括：

　　·高效的预测性维护和资产管理

　　·缩短每个产品的检查时间

　　·减少现场问题

　　·更好的客户满意度

　　·确保大规模边缘人工智能基础设施和边缘设备生命周期管理

　　·改善城市交通管制措施

　　实施边缘人工智能是一个明智的商业决策，因为估计未来三年工业边缘人工智能部署的平均投资回报率(ROI)为5.7%。

　　数据科学、机器学习和物联网开发等知识的发展在边缘人工智能领域发挥着更重要的作用。然而，真正的挑战在于严格遵循计算机科学发展的轨迹。特别是可以完美融入人工智能和机器学习生态系统的下一代人工智能应用程序和设备。

　　幸运的是，边缘计算领域正在见证有希望的硬件开发，这将缓解边缘人工智能目前的限制。Sima.ai、Esperanto Technologies和AIStorm等初创公司是少数开发可以处理繁重人工智能工作负载的微芯片的企业之一。

　　2017年8月，英特尔公司以153亿美元收购了以色列视觉安全技术开发商Mobileye公司。近日，科技巨头百度公司启动了第二代昆仑人工智能芯片的量产，这是一种用于边缘计算的超快微芯片。

　　除了微芯片之外，谷歌的Edge TPU、英伟达的Jetson Nano以及亚马逊、微软、英特尔和华硕也开始了主板开发的浪潮，以增强边缘计算的实力。亚马逊的AWS DeepLens是世界上第一个支持深度学习的摄像头是这方面的一项重大发展。

　　·数据质量差：全球主要互联网服务提供商的数据质量差是边缘人工智能研发的主要障碍。最近的一份Alation报告显示，87%的受访者（主要是IT公司的员工）确认数据质量差是他们的组织未能实施边缘人工智能基础设施的原因。

　　·易受攻击的安全功能：一些数字专家声称边缘计算的去中心化特性增加了其安全功能。但实际上，本地汇集的数据需要更多位置的安全性。这些增加的物理数据点使边缘人工智能基础设施容易受到各种网络攻击。

　　·有限的机器学习能力：机器学习需要在边缘计算硬件平台上有更大的计算能力。在边缘人工智能基础设施中，计算性能仅限于边缘或物联网设备的性能。在大多数情况下，大型复杂的边缘人工智能模型必须在部署到边缘人工智能硬件之前进行简化，以提高其准确性和效率。

　　·虚拟助理

　　亚马逊公司的Alexa或苹果公司的Siri等虚拟助手是边缘人工智能发展的巨大受益者，这使他们的机器学习算法能够从存储在设备上的数据中快速进行深度学习，而不是依赖于存储在云中的数据。

　　·自动光学检测

　　自动光学检测在生产线中发挥着重要作用。借助自动化的边缘人工智能视觉分析，它可以检测生产线组装部件的故障部件。自动光学检测允许高度准确的超快速数据分析，而无需依赖大量基于云的数据传输。

　　·自动驾驶汽车

　　支持边缘人工智能的自动驾驶汽车具有更快、更准确的决策能力，可以比人类更好地识别道路交通元素并更轻松地导航旅行路线。它可以在没有人工干预的情况下实现更快、更安全的运输。