萬物互聯新機遇將出現於邊緣人工智慧里

人工智慧、物聯網都是當前的「網紅辭彙」，兩者在實際應用中的落地與融合將人們帶入到「萬物智能互聯」時代。據Gartner預測，到2020年，全球物聯網設備的數量將超過200億台，隨之產生的數據將呈井噴式爆發，並帶動海量數據分析、實時決策、快速響應，由此推動人工智慧向邊緣側遷移並不斷演進，使之與邊緣計算相融合，並催生邊緣智能新形態。

邊緣人工智慧興起

人工智慧彷彿距離我們還很遙遠，但其實早已來到人們的日常生活當中。許多人在每天使用智能手機的語音文本轉換助手或者指紋識別等應用時，就會接觸到人工智慧。在物聯網應用中，人工智慧可以幫助識別物聯網邊緣設備的模式並檢測相關參數的變化。這些物聯網邊緣設備通常搭載感測器，能夠感知溫度、壓力等環境因素的變化。

通常，簡單的嵌入式邊緣設備通過應用環境中的感測器採集數據，並將數據傳輸到雲端，由雲基礎設施中的人工智慧系統對數據進行分析和推理。但隨著物聯網實施過程中對實時決策的需求不斷增長，對連接和數據處理的需求也在增加，而且不可能總是將所有的數據都傳輸到雲端進行人工智慧處理。此文旨在探討在邊緣部署人工智慧如何能夠提高物聯網的運作和實施效率並降低成本。

物聯網解決方案中的AI

在人工智慧的應用階段，可以通過Tensorflow等標準框架，將自邊緣設備採集的數據輸入從可用數據模型中選出的模型。建模過程需要相當強大的數據處理能力，通常雲站點和大型數據中心等核心節點位置才具備這樣的處理能力。

在大多數情況下，由於受技術或能耗的限制，數據不可能全都傳輸到人工智慧所在的雲。例如語音或視頻識別等應用，需要立即對內容進行辨識並做出推論，而且不能出現通信延遲。在有些情況下，部署無法提供穩定的連接，因此需要一種可擴展的混合架構，將所需的模型構建在雲上但推理任務在邊緣執行。這種方式只需將少量數據傳輸到核心節點位置，從而能夠優化帶寬效率並降低延時、提高響應速度。

如何部署邊緣人工智慧

典型的邊緣人工智慧模型的基本組成部分包括：用於捕捉感測器數據的硬體和軟體，不同應用場景下的訓練模型所使用的軟體，以及在物聯網設備上運行人工智慧模型的應用軟體。在邊緣設備上運行的微服務軟體負責根據用戶的要求啟動邊緣設備上的人工智慧程序包。在邊緣設備內，用到的是在訓練階段確定的特徵選擇和特徵變換。這些模型可以定製為合適的功能組合，這些功能組合可以擴展為包含聚合和工程特性。

智能邊緣設備部署在帶寬窄且網路連接斷斷續續的電池供電應用中。因而邊緣設備製造商正在構建這樣的感測器，它們具有集成處理和存儲功能，採用BLE、Lora和NB-IoT等被廣泛使用的低速通信協議，佔用空間小且功耗低。

邊緣人工智慧優勢凸顯

雖然此類設計的複雜性可能會使邊緣設備變得昂貴，但它所帶來的裨益遠遠超出了相關成本。除了實時快速響應之外，邊緣人工智慧還具有諸多的顯著優勢，比如邊緣設備本身更高的安全性以及在網路間往返傳輸的數據較少等。由於每個應用程序都構建了定製的解決方案，因而邊緣人工智慧非常靈活。

此外，邊緣設備當中預置了推斷功能，因此對操作和維護技能的要求比較低。在邊緣計算中，開發人員還可以將一些複雜的操作轉移到由本地網路中的邊緣處理器（如路由器、網關和伺服器）執行，從而將計算分布到整個網路當中。由於數據在本地存儲以及智能也在本地引入，這些邊緣處理器具有良好的操作可靠性，這有助於在連接時斷時續或沒有網路連接的區域進行部署。

未來人工智慧會讓本已十分複雜的物聯網空間變得更加複雜，而邊緣人工智慧更是讓物聯網的複雜度翻倍。但是藉助合適的平台和合作夥伴的支持，開發者便可以駕馭這一複雜性，並實現遠遠超越語音識別和指紋識別的創新。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！