邊緣人工智慧

出自 MBA智库百科(https://wiki.mbalib.com/)

　　人工智慧在很大程度上依賴於複雜機器學習演算法的數據傳輸和計算。邊緣計算建立了一個新時代的計算模式，將人工智慧和機器學習轉移到數據生成和計算實際發生的地方：網路邊緣。邊緣計算和人工智慧的融合催生了一個新領域：邊緣人工智慧。

　　邊緣人工智慧可以提供更快的計算和洞察力、更好的數據安全性以及對持續運營的有效控制。因此，它可以提高支持人工智慧的應用程式的性能，並降低運營成本。邊緣人工智慧還可以幫助人工智慧剋服與之相關的技術挑戰。

　　邊緣人工智慧促進機器學習、深度學習模型的自主應用以及物聯網設備本身的高級演算法。

　　高效的邊緣人工智能模型通常擁有優化的邊緣計算基礎設施，可以在邊緣和靠近邊緣處理更龐大的人工智慧工作負載。邊緣人工智慧與存儲解決方案相結合，可以提供行業領先的性能和無限的可擴展性，使企業能夠有效地使用他們的數據。

　　許多企業已經從邊緣人工智慧中獲益。從改進裝配線的生產監控到駕駛自動駕駛汽車，邊緣人工智慧可以使各個行業受益。此外，最近在許多國家和地區推出5G技術為邊緣人工智慧提供了額外的推動，因為該技術的更多工業應用不斷涌現。

　　由人工智慧驅動的邊緣計算對企業的一些好處包括：

　　·高效的預測性維護和資產管理

　　·縮短每個產品的檢查時間

　　·減少現場問題

　　·更好的客戶滿意度

　　·確保大規模邊緣人工智慧基礎設施和邊緣設備生命周期管理

　　·改善城市交通管制措施

　　實施邊緣人工智慧是一個明智的商業決策，因為估計未來三年工業邊緣人工智慧部署的平均投資回報率(ROI)為5.7%。

　　數據科學、機器學習和物聯網開發等知識的發展在邊緣人工智慧領域發揮著更重要的作用。然而，真正的挑戰在於嚴格遵循電腦科學發展的軌跡。特別是可以完美融入人工智慧和機器學習生態系統的下一代人工智慧應用程式和設備。

　　幸運的是，邊緣計算領域正在見證有希望的硬體開發，這將緩解邊緣人工智慧目前的限制。Sima.ai、Esperanto Technologies和AIStorm等初創公司是少數開發可以處理繁重人工智慧工作負載的微晶元的企業之一。

　　2017年8月，英特爾公司以153億美元收購了以色列視覺安全技術開發商Mobileye公司。近日，科技巨頭百度公司啟動了第二代昆侖人工智慧晶元的量產，這是一種用於邊緣計算的超快微晶元。

　　除了微晶元之外，谷歌的Edge TPU、英偉達的Jetson Nano以及亞馬遜、微軟、英特爾和華碩也開始了主板開發的浪潮，以增強邊緣計算的實力。亞馬遜的AWS DeepLens是世界上第一個支持深度學習的攝像頭是這方面的一項重大發展。

　　·數據質量差：全球主要互聯網服務提供商的數據質量差是邊緣人工智慧研發的主要障礙。最近的一份Alation報告顯示，87%的受訪者（主要是IT公司的員工）確認數據質量差是他們的組織未能實施邊緣人工智慧基礎設施的原因。

　　·易受攻擊的安全功能：一些數字專家聲稱邊緣計算的去中心化特性增加了其安全功能。但實際上，本地彙集的數據需要更多位置的安全性。這些增加的物理數據點使邊緣人工智慧基礎設施容易受到各種網路攻擊。

　　·有限的機器學習能力：機器學習需要在邊緣計算硬體平臺上有更大的計算能力。在邊緣人工智慧基礎設施中，計算性能僅限於邊緣或物聯網設備的性能。在大多數情況下，大型複雜的邊緣人工智能模型必須在部署到邊緣人工智能硬體之前進行簡化，以提高其準確性和效率。

　　·虛擬助理

　　亞馬遜公司的Alexa或蘋果公司的Siri等虛擬助手是邊緣人工智慧發展的巨大受益者，這使他們的機器學習演算法能夠從存儲在設備上的數據中快速進行深度學習，而不是依賴於存儲在雲中的數據。

　　·自動光學檢測

　　自動光學檢測在生產線中發揮著重要作用。藉助自動化的邊緣人工智慧視覺分析，它可以檢測生產線組裝部件的故障部件。自動光學檢測允許高度準確的超快速數據分析，而無需依賴大量基於雲的數據傳輸。

　　·自動駕駛汽車

　　支持邊緣人工智慧的自動駕駛汽車具有更快、更準確的決策能力，可以比人類更好地識別道路交通元素並更輕鬆地導航旅行路線。它可以在沒有人工干預的情況下實現更快、更安全的運輸。