即使用戶經(jīng)常在移動(dòng)設(shè)備上訪問(wèn)這些服務(wù)，計(jì)算結(jié)果仍然存在于人工智能的云使用中。

　　隨著人工智能 (AI) 的成熟，采用率繼續(xù)增加。根據(jù)最近的研究，35% 的組織正在使用人工智能，42% 的組織正在探索其潛力。雖然人工智能在云中得到了很好的理解并大量部署，但它在邊緣仍然處于萌芽狀態(tài)，并面臨一些獨(dú)特的挑戰(zhàn)。

　　許多人全天都在使用人工智能，從汽車導(dǎo)航到跟蹤步驟，再到與數(shù)字助理交談。即使用戶經(jīng)常在移動(dòng)設(shè)備上訪問(wèn)這些服務(wù)，計(jì)算結(jié)果仍然存在于人工智能的云使用中。更具體地說(shuō)，一個(gè)人請(qǐng)求信息，該請(qǐng)求由云中的中央學(xué)習(xí)模型處理，然后將結(jié)果發(fā)送回該人的本地設(shè)備。

　　與云端 AI 相比，邊緣 AI 的理解和部署頻率更低。從一開始，人工智能算法和創(chuàng)新就依賴于一個(gè)基本假設(shè)——所有數(shù)據(jù)都可以發(fā)送到一個(gè)中心位置。在這個(gè)中心位置，算法可以完全訪問(wèn)數(shù)據(jù)。這使得算法能夠像大腦或中樞神經(jīng)系統(tǒng)一樣構(gòu)建其智能，對(duì)計(jì)算和數(shù)據(jù)擁有完全的權(quán)限。

　　但是，邊緣的人工智能是不同的。它將智能分布在所有細(xì)胞和神經(jīng)上。通過(guò)將智能推向邊緣，我們賦予這些邊緣設(shè)備代理權(quán)。這在醫(yī)療保健和工業(yè)制造等許多應(yīng)用和領(lǐng)域中至關(guān)重要。

　　在邊緣部署人工智能有三個(gè)主要原因。

　　保護(hù)個(gè)人身份信息 (PII)

　　首先，一些處理 PII 或敏感 IP(知識(shí)產(chǎn)權(quán))的組織更愿意將數(shù)據(jù)留在其來(lái)源處——醫(yī)院的成像機(jī)器或工廠車間的制造機(jī)器中。這可以降低通過(guò)網(wǎng)絡(luò)傳輸數(shù)據(jù)時(shí)可能發(fā)生的“偏移”或“泄漏”風(fēng)險(xiǎn)。

　　最小化帶寬使用

　　其次是帶寬問(wèn)題。將大量數(shù)據(jù)從邊緣傳送到云端會(huì)阻塞網(wǎng)絡(luò)，在某些情況下是不切實(shí)際的。健康環(huán)境中的成像機(jī)器生成如此龐大的文件以致無(wú)法將它們傳輸?shù)皆苹蛐枰獢?shù)天才能完成傳輸?shù)那闆r并不少見。

　　簡(jiǎn)單地在邊緣處理數(shù)據(jù)會(huì)更有效，尤其是當(dāng)洞察力旨在改進(jìn)專有機(jī)器時(shí)。過(guò)去，計(jì)算的移動(dòng)和維護(hù)難度要大得多，因此需要將這些數(shù)據(jù)移動(dòng)到計(jì)算位置。這種范式現(xiàn)在受到挑戰(zhàn)，現(xiàn)在數(shù)據(jù)通常更重要且更難管理，導(dǎo)致用例保證將計(jì)算移動(dòng)到數(shù)據(jù)位置。

　　避免延遲

　　在邊緣部署 AI 的第三個(gè)原因是延遲?；ヂ?lián)網(wǎng)速度很快，但不是實(shí)時(shí)的。如果存在毫秒很重要的情況，例如協(xié)助手術(shù)的機(jī)械臂或時(shí)間敏感的生產(chǎn)線，組織可能會(huì)決定在邊緣運(yùn)行 AI。

　　邊緣人工智能面臨的挑戰(zhàn)以及如何解決這些挑戰(zhàn)

　　盡管有這些好處，但在邊緣部署 AI 仍然存在一些獨(dú)特的挑戰(zhàn)。以下是您應(yīng)該考慮的一些提示，以幫助應(yīng)對(duì)這些挑戰(zhàn)。

　　模型訓(xùn)練的好與壞結(jié)果

　　大多數(shù) AI 技術(shù)使用大量數(shù)據(jù)來(lái)訓(xùn)練模型。然而，在邊緣的工業(yè)用例中，這通常會(huì)變得更加困難，因?yàn)榇蠖鄶?shù)制造的產(chǎn)品都沒(méi)有缺陷，因此被標(biāo)記或注釋為良好。由此產(chǎn)生的“好結(jié)果”與“壞結(jié)果”的不平衡使得模型更難學(xué)會(huì)識(shí)別問(wèn)題。

　　依賴于沒(méi)有上下文信息的數(shù)據(jù)分類的純 AI 解決方案通常不容易創(chuàng)建和部署，因?yàn)槿狈?biāo)記數(shù)據(jù)，甚至?xí)l(fā)生罕見事件。為 AI 添加上下文(或稱為以數(shù)據(jù)為中心的方法)通常會(huì)在最終解決方案的準(zhǔn)確性和規(guī)模方面帶來(lái)好處。事實(shí)是，雖然人工智能通?？梢匀〈祟愂謩?dòng)完成的平凡任務(wù)，但在構(gòu)建模型時(shí)，它會(huì)極大地受益于人類的洞察力，尤其是在沒(méi)有大量數(shù)據(jù)可供使用的情況下。

　　從經(jīng)驗(yàn)豐富的主題專家那里得到承諾，與構(gòu)建算法的數(shù)據(jù)科學(xué)家密切合作，為 AI 學(xué)習(xí)提供了一個(gè)快速啟動(dòng)。

　　AI 無(wú)法神奇地解決或提供每個(gè)問(wèn)題的答案

　　通常有許多步驟進(jìn)入輸出。例如，工廠車間可能有許多工作站，它們可能相互依賴。一個(gè)過(guò)程中工廠某個(gè)區(qū)域的濕度可能會(huì)影響稍后在不同區(qū)域的生產(chǎn)線中另一個(gè)過(guò)程的結(jié)果。

　　人們通常認(rèn)為人工智能可以神奇地拼湊所有這些關(guān)系。雖然在許多情況下可以，但它也可能需要大量數(shù)據(jù)和很長(zhǎng)時(shí)間來(lái)收集數(shù)據(jù)，從而導(dǎo)致非常復(fù)雜的算法不支持可解釋性和更新。

　　人工智能不能生活在真空中。捕捉這些相互依賴關(guān)系將把邊界從一個(gè)簡(jiǎn)單的解決方案推向一個(gè)可以隨著時(shí)間和不同部署而擴(kuò)展的解決方案。

　　缺乏利益相關(guān)者的支持會(huì)限制人工智能的規(guī)模

　　如果組織中的一群人對(duì)它的好處持懷疑態(tài)度，則很難在整個(gè)組織中擴(kuò)展 AI。獲得廣泛支持的最好(也許是唯一)方法是從一個(gè)高價(jià)值、困難的問(wèn)題開始，然后用人工智能解決它。

　　在奧迪，我們考慮解決焊槍電極更換頻率的問(wèn)題。但是電極成本低，這并沒(méi)有消除人類正在做的任何平凡的任務(wù)。相反，他們選擇了焊接工藝，這是整個(gè)行業(yè)普遍認(rèn)同的難題，并通過(guò)人工智能顯著提高了工藝質(zhì)量。這激發(fā)了整個(gè)公司工程師的想象力，他們研究如何在其他流程中使用人工智能來(lái)提高效率和質(zhì)量。

　　平衡邊緣 AI 的優(yōu)勢(shì)和挑戰(zhàn)

　　在邊緣部署 AI 可以幫助組織及其團(tuán)隊(duì)。它有可能將設(shè)施轉(zhuǎn)變?yōu)橹悄苓吘?，提高質(zhì)量，優(yōu)化制造過(guò)程，并激勵(lì)整個(gè)組織的開發(fā)人員和工程師探索他們?nèi)绾握先斯ぶ悄芑蛲七M(jìn)人工智能用例，包括預(yù)測(cè)分析、提高效率的建議或異常檢測(cè)。但它也帶來(lái)了新的挑戰(zhàn)。作為一個(gè)行業(yè)，我們必須能夠在部署它的同時(shí)減少延遲、增加隱私、保護(hù) IP 并保持網(wǎng)絡(luò)平穩(wěn)運(yùn)行。