人工智能驅(qū)動的機器視覺每天都變得越來越強大和廣泛。機器視覺和人工智能的新應(yīng)用正在快速發(fā)展，尤其是在醫(yī)療保健、自動駕駛汽車、制造、農(nóng)業(yè)和安全等領(lǐng)域。

　　在醫(yī)療保健領(lǐng)域，機器視覺用于快速分析數(shù)以千計的 X 射線、CAT 掃描和其他醫(yī)學(xué)圖像。它通過優(yōu)先考慮醫(yī) 院急診室的患者治療來挽救生命。在交通運輸行業(yè)，人工智能驅(qū)動的機器視覺系統(tǒng)使自動駕駛汽車能夠發(fā)現(xiàn)障礙物并安全地在道路上行駛。

　　機器視覺也通過自動缺陷檢測在制造業(yè)中發(fā)揮著關(guān)鍵作用，數(shù)字農(nóng)業(yè)的快速擴展領(lǐng)域部署了計算機視覺系統(tǒng)來限制甚至消除農(nóng)藥的使用，同時可持續(xù)地增加產(chǎn)量。

　　與機器視覺系統(tǒng)一樣有用，它們是大量非結(jié)構(gòu)化數(shù)據(jù)的來源。根據(jù) IDC 的研究，它們的日益普及是推動全球收集的數(shù)據(jù)量爆 炸式增長的一個重要因素。

　　有了所有這些用途以及用于人工智能機器視覺的所有這些數(shù)據(jù)，它對企業(yè)產(chǎn)生了許多數(shù)據(jù)管理影響。今天，大多數(shù)組織都面臨著相互沖 突的數(shù)據(jù)管理需求。

　　大多數(shù)數(shù)據(jù)源自邊緣，但計算和存儲基礎(chǔ)設(shè)施通常集中在幾個大型數(shù)據(jù)中心或公共云上。將數(shù)據(jù)移動到集中位置會帶來與傳輸和存儲數(shù)據(jù)相關(guān)的大量延遲和成本。

　　據(jù)Gartner 稱，到 2025 年，大約 75% 的企業(yè)生成數(shù)據(jù)將在傳統(tǒng)數(shù)據(jù)中心或云之外創(chuàng)建和處理。在邊緣捕獲的大多數(shù)數(shù)據(jù)目前都轉(zhuǎn)移到集中位置進行處理，用于人工智能模型開發(fā)。

　　在實施機器視覺技術(shù)時必須考慮這一點。對于捕獲和集中 PB 級非結(jié)構(gòu)化數(shù)據(jù)的任何企業(yè)而言，這些負載都會顯著減慢機器學(xué)習(xí)算法的訓(xùn)練過程。這種集中式數(shù)據(jù)處理方法延遲了 AI 開發(fā)管道和生產(chǎn)模型調(diào)整。在工業(yè)環(huán)境中，這可能會導(dǎo)致遺漏產(chǎn)品缺陷，從而可能給企業(yè)造成巨額損失，甚至危及生命。

　　為了解決這個問題，越來越多的企業(yè)開始轉(zhuǎn)向分布式、去中心化的架構(gòu)。這意味著大多數(shù)數(shù)據(jù)都在邊緣保存和處理，以解決延遲和延遲挑戰(zhàn)，并解決與數(shù)據(jù)處理速度相關(guān)的問題。邊緣分析和聯(lián)合機器學(xué)習(xí)技術(shù)的部署帶來了顯著的好處，同時解決了集中式系統(tǒng)固有的安全和隱私缺陷。

　　一個不斷捕獲視頻片段的大型監(jiān)控網(wǎng)絡(luò)會編譯大量原始數(shù)據(jù)以供以后分析。為了從素材中有效地訓(xùn)練 ML 模型意味著必須對其進行審查以區(qū)分視頻中的特定對象。只需要檢測到新事物的鏡頭，而不需要可能捕獲空建筑物或街道的無變化視頻的乏味時間。通過在邊緣預(yù)先分析數(shù)據(jù)并將必要的鏡頭移動到一個集中點，企業(yè)可以節(jié)省時間、帶寬和成本。

　　雖然分布式架構(gòu)有許多優(yōu)點，但它們也引入了額外的復(fù)雜性。在邊緣選擇和部署適當(dāng)?shù)拇鎯陀嬎慊A(chǔ)設(shè)施以及集中管理至關(guān)重要，并且會顯著影響整體系統(tǒng)效率和擁有成本。

　　許多收集的主要用于 AI 模型訓(xùn)練的圖像和視頻應(yīng)該永久存儲用于不同的目的。

　　例如，在高級駕駛員輔助系統(tǒng)和自動駕駛汽車中，人工智能根據(jù)其實時收集的數(shù)據(jù)做出決策。但是，如果出現(xiàn)問題：可能是幾個月或幾年后，企業(yè)需要能夠回過頭來分析發(fā)生了什么。盡管對安全性至關(guān)重要，但這種存儲的成本很高。據(jù) Gartner 稱，平均每年每 TB 為 3,351 美元。當(dāng)您考慮到平均自動測試車輛每小時捕獲 2 TB 的數(shù)據(jù)時，很容易看出成本是如何增加的。

　　許多存儲大量非結(jié)構(gòu)化數(shù)據(jù)的企業(yè)通常依賴于網(wǎng)絡(luò)附加存儲設(shè)備或公共云存儲。但是，采用分層數(shù)據(jù)存儲架構(gòu)可以顯著節(jié)省成本。

　　在分層系統(tǒng)中，在處理和分析數(shù)據(jù)的活動期間，內(nèi)容被放置在快速存儲中，而備份副本則存儲和存檔在成本較低的存儲上，例如磁帶或?qū)ο蟠鎯?。大?guī)模的低成本存儲可低至每 TB 50 美元。在包括自動駕駛汽車在內(nèi)的許多行業(yè)中，大多數(shù)收集的數(shù)據(jù)需要無限期保存，但很少使用，可以存儲在最低成本層。

　　非結(jié)構(gòu)化數(shù)據(jù)存儲解決方案和邊緣分析的新發(fā)展不斷沖擊市場。為了利用這些優(yōu)勢，企業(yè)應(yīng)該從頭到尾專注于實施模塊化數(shù)據(jù)管理，以便在發(fā)布時將元素替換為更先進的技術(shù)。

　　使用機器視覺尋找新機會

　　即使擁有最好的技術(shù)和服務(wù)，成功傳輸、處理和存儲為機器視覺用例捕獲的大量數(shù)據(jù)仍將繼續(xù)挑戰(zhàn)各種垂直領(lǐng)域的企業(yè)。

　　然而，存儲的數(shù)據(jù)也提供了一個新興的機會。例如，可以重復(fù)使用圖像和視頻來開發(fā)新的用例。

　　因此，存儲數(shù)據(jù)將成為企業(yè)新的收入來源，而不是成本。同樣，當(dāng)更先進的分析技術(shù)投入使用時，許多企業(yè)可以重用現(xiàn)有的存檔數(shù)據(jù)來開發(fā)自己的新產(chǎn)品。一些尤其是汽車制造商，已經(jīng)開始意識到這種潛力。這些潛在的新收入流和數(shù)據(jù)使用是當(dāng)今開始優(yōu)先考慮智能高效處理和存儲數(shù)據(jù)的絕佳理由。