深度學(xué)習(xí)已成為一種實(shí)用技術(shù) 現(xiàn)已成為許多需要人工智能應(yīng)用的基礎(chǔ)

其中許多應(yīng)用程序都托管在功能強(qiáng)大的服務(wù)器上的云中，因?yàn)槿蝿?wù)有時(shí)涉及處理數(shù)據(jù)豐富的源，例如圖像，視頻和音頻。這些服務(wù)器通常需要加速硬件的附加性能，這些性能從圖形處理單元到定制設(shè)備不等。這對(duì)于數(shù)字密集型過程尤其重要，在此過程中，將對(duì)新數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

通常，使用訓(xùn)練有素的網(wǎng)絡(luò)評(píng)估新數(shù)據(jù)的推理過程比訓(xùn)練要少計(jì)算量。還有一些工作量涉及較少的數(shù)據(jù)密集型源，例如從IoT設(shè)備讀取傳感器，其中可以在性能較低的硬件上執(zhí)行訓(xùn)練和推理。結(jié)果，系統(tǒng)設(shè)計(jì)師發(fā)現(xiàn)，一旦訓(xùn)練了AI模型，就不必將工作負(fù)載放置在云中，盡管許多當(dāng)前服務(wù)仍然出于業(yè)務(wù)原因而需要這樣做。取而代之的是，可以將訓(xùn)練后的模型轉(zhuǎn)移到本地機(jī)器上，以便更靠近數(shù)據(jù)源進(jìn)行處理。

邊緣AI的好處

使AI模型更接近網(wǎng)絡(luò)邊緣的原因很多。一個(gè)主要的驅(qū)動(dòng)力是隱私和用戶接受度。例如，使用諸如智能揚(yáng)聲器之類的設(shè)備的消費(fèi)者越來(lái)越擔(dān)心要定期錄制他們的私人對(duì)話，并將其上傳到云服務(wù)以獲取可以在本地支持的服務(wù)。

控制系統(tǒng)還受到高通信延遲的不利影響。如果在閉環(huán)控制系統(tǒng)中使用AI模型，則從云中獲取更新的任何延遲都將導(dǎo)致不準(zhǔn)確和不穩(wěn)定性的產(chǎn)生。某些系統(tǒng)可能混合使用云和本地處理。例如，監(jiān)控?cái)z像機(jī)將通過在本地識(shí)別即時(shí)威脅來(lái)保留網(wǎng)絡(luò)帶寬，但隨后調(diào)用云以針對(duì)本地模型無(wú)法應(yīng)對(duì)的情況執(zhí)行其他處理。

當(dāng)AI位于邊緣時(shí)，電池壽命也顯著增加，因?yàn)橥ㄟ^網(wǎng)絡(luò)發(fā)送的數(shù)據(jù)更少，從而降低了網(wǎng)絡(luò)和云成本。

人工智能在預(yù)測(cè)性維護(hù)中的應(yīng)用

當(dāng)前，預(yù)測(cè)性維護(hù)是連接工業(yè)應(yīng)用程序中最流行的用例。由于它能夠減少現(xiàn)場(chǎng)檢查的頻率，因此可提供高投資回報(bào)。通過準(zhǔn)確識(shí)別組件的剩余可用服務(wù)時(shí)間，還可以減少機(jī)器的停機(jī)時(shí)間，從而可以利用其使用壽命，而不會(huì)冒著在運(yùn)行期間發(fā)生故障的風(fēng)險(xiǎn)。根據(jù)運(yùn)營(yíng)數(shù)據(jù)預(yù)測(cè)使用壽命還有助于優(yōu)化維護(hù)計(jì)劃并準(zhǔn)確確定正確的備件需求。使用預(yù)測(cè)性維護(hù)的客戶已經(jīng)看到效率提高了20%到25%。