即使用戶經(jīng)常在移動設(shè)備上訪問這些服務(wù)，計算結(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)常在移動設(shè)備上訪問這些服務(wù)，計算結(jié)果仍然存在于人工智能的云使用中。更具體地說，一個人請求信息，該請求由云中的中央學(xué)習模型處理，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)新就依賴于一個基本假設(shè)——所有數(shù)據(jù)都可以發(fā)送到一個中心位置。在這個中心位置，算法可以完全訪問數(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，對計算和數(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胞和神經(jīng)上。通過將智能推向邊緣，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主要原因。

　　保護個人身份信息 (PII)

　　首先，一些處理 PII 或敏感 IP(知識產(chǎn)權(quán))的組織更愿意將數(shù)據(jù)留在其來源處——醫(yī)院的成像機器或工廠車間的制造機器中。這可以降低通過網(wǎng)絡(luò)傳輸數(shù)據(jù)時可能發(fā)生的“偏移”或“泄漏”風險。

　　最小化帶寬使用

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

　　簡單地在邊緣處理數(shù)據(jù)會更有效，尤其是當洞察力旨在改進專有機器時。過去，計算的移動和維護難度要大得多，因此需要將這些數(shù)據(jù)移動到計算位置。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)致用例保證將計算移動到數(shù)據(jù)位置。

　　避免延遲

　　在邊緣部署 AI 的第三個原因是延遲?；ヂ?lián)網(wǎng)速度很快，但不是實時的。如果存在毫秒很重要的情況，例如協(xié)助手術(shù)的機械臂或時間敏感的生產(chǎn)線，組織可能會決定在邊緣運行 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)來訓(xùn)練模型。然而，在邊緣的工業(yè)用例中，這通常會變得更加困難，因為大多數(shù)制造的產(chǎn)品都沒有缺陷，因此被標記或注釋為良好。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)會識別問題。

　　依賴于沒有上下文信息的數(shù)據(jù)分類的純 AI 解決方案通常不容易創(chuàng)建和部署，因為缺乏標記數(shù)據(jù)，甚至會發(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)通常會在最終解決方案的準確性和規(guī)模方面帶來好處。事實是，雖然人工智能通?？梢匀〈祟愂謩油瓿傻钠椒踩蝿?wù)，但在構(gòu)建模型時，它會極大地受益于人類的洞察力，尤其是在沒有大量數(shù)據(jù)可供使用的情況下。

　　從經(jīng)驗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)習提供了一個快速啟動。

　　AI 無法神奇地解決或提供每個問題的答案

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

　　人們通常認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)和很長時間來收集數(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)系將把邊界從一個簡單的解決方案推向一個可以隨著時間和不同部署而擴展的解決方案。

　　缺乏利益相關(guān)者的支持會限制人工智能的規(guī)模

　　如果組織中的一群人對它的好處持懷疑態(tài)度，則很難在整個組織中擴展 AI。獲得廣泛支持的最好(也許是唯一)方法是從一個高價值、困難的問題開始，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題。但是電極成本低，這并沒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，這是整個行業(yè)普遍認同的難題，并通過人工智能顯著提高了工藝質(zhì)量。這激發(fā)了整個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提高效率和質(zhì)量。

　　平衡邊緣 AI 的優(yōu)勢和挑戰(zhàn)

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