每个部门都在寻求通过实施更多的自动化来提高其运营、生产力和安全性。 计算机程序必须能够识别模式并可靠、安全地执行工作,以便为它们提供帮助。
然而,世界是非结构化的,人类执行的工作范围包含无数难以用程序和规则充分表达的场景。
边缘人工智能的进步使计算机和小工具能够与人类认知的“智能”一起工作,无论它们在哪里。 支持智能 AI 的应用程序学会在各种情况下执行类似的任务,就像人类在现实生活中所做的那样。
在这篇文章中,我们将深入了解 Edge AI、它的优势、用例等等。
什么是边缘人工智能?
边缘计算 允许用户更轻松地访问数据存储和处理。 这是通过在笔记本电脑、物联网设备或专用边缘服务器等本地设备上执行进程来实现的。
有时阻碍基于云的操作的延迟和带宽问题对于边缘功能来说不是问题。
边缘人工智能融合 人工智能 和边缘计算(AI)。 这需要在具有边缘处理能力的本地设备上执行 AI 算法。
Edge AI 消除了对系统连接和集成的需求,允许用户在其设备上实时处理数据。 虽然人工智能操作需要大量的计算能力,但现在大部分都是在基于云的中心进行的。
缺点是由于连接或网络困难,可能会出现服务中断或相当缓慢的情况。
通过将 AI 流程集成到边缘计算设备中,边缘 AI 克服了这些问题。 通过收集数据并为用户提供服务,而无需与其他物理站点进行通信,用户可以节省时间。
Edge AI 技术如何工作?
机器需要能够看到、识别物体、操作汽车、理解语音、说话、移动和执行其他类似人类的任务。 为了复制人类的认知,人工智能使用了一种称为深度的数据结构 神经网络.
这些 DNN 被教导通过显示该问题的几个样本以及准确的答复来响应某些类型的查询。
由于训练一个准确的模型需要大量的数据,并且需要数据科学家合作构建模型,这个被称为“深度学习”的训练过程通常在数据中心或云端进行。 该模型发展成一个“推理引擎”,经过训练可以回答现实世界的问题。
边缘 AI 部署中的推理引擎在远程位置的计算机或设备上工作,例如工厂、医院、汽车、卫星或人家。
当 AI 遇到问题时,经常将有问题的数据传输到云端,以对原始 AI 模型进行额外训练,最终取代边缘推理引擎。 一旦实施了边缘 AI 模型,由于这个反馈循环,它们只会变得越来越聪明。
认证的益处
人工智能算法在有实际问题的最终用户经常光顾的地方特别有用,因为它们可以解释语言、景象、声音、气味、温度、面部和其他模拟类型的非结构化信息。
由于对延迟、带宽和隐私的担忧,一些人工智能应用程序在集中式云或业务数据中心中实施是不切实际的,甚至是不可能的。
以下是边缘人工智能的一些优势:
- 实时洞察:由于边缘技术在本地而不是在因远程连接而延迟的远程云中分析数据,因此它可以实时响应用户请求。
- 房源搜索:人工智能应用比传统程序更强大,适应性更强,传统程序只能响应程序员预测的输入。 一个人工智能 神经网络另一方面,被训练不回答特定问题,而是回答特定类型的问题,即使问题本身很新颖。 如果没有 AI,应用程序将无法无休止地处理各种输入,例如文本、口语或视频。
- 隐私增加:人工智能可以研究真实世界的数据,而无需将其暴露给人类,从而大大提高了必须研究外观、声音、医学图像或其他个人信息的任何人的隐私。 Edge AI 通过在本地存储数据并将分析和见解传输到云端,进一步改善了隐私。
- 降低成本:通过将计算能力移近边缘,应用程序需要更少的互联网带宽,从而显着节省网络费用。
- 持续改进:随着 AI 模型接受更多数据的训练,它们会变得更加准确。 当边缘 AI 应用程序遇到无法精确或自信地处理的数据时,它通常会上传数据,以便 AI 可以重新训练并从中学习。 因此,模型在边缘生产的时间越长,它就越准确。
边缘人工智能用例
工业机械和消费电子产品是边缘人工智能市场的两个主要部分。 示范测试显示在调节和优化设备以及自动化熟练的劳动技能等领域有所改进。
带有人工智能摄像头的消费类小工具,可以自动检测图片主题,也正在取得进展。 由于设备的数量大于工业设备的数量,预计消费设备市场将从 2021 年起急剧增长。 我们在下面列出了一些流行的边缘 AI 用例:
- 自主无人机 – 无人机 据消息称,在进行远程飞行测试时,它一直失去控制并消失。 自主无人机的飞行员不参与无人机的飞行。 他们从远处监视事物,并且仅在绝对必要时才使用无人机。 亚马逊 Prime Air 是一家无人机快递公司,它正在开发自动驾驶无人机来运送物品,它就是这方面最著名的例子。
- 自动驾驶汽车—— 边缘计算最令人兴奋的用途是自动驾驶汽车。 自动驾驶汽车必须在许多情况下立即评估情况,这需要实时数据处理。 日本的道路交通法和道路运输车辆法于 2019 年 3 月进行了修订,使 4 级自动驾驶车辆更容易上路。 自动驾驶汽车必须满足的安全要求,以及它们可以驾驶的位置,都在其中。 因此,汽车制造商正在开发满足这些要求的自动驾驶汽车。 例如,丰田正在将 TRI-P4 完全自动化(XNUMX 级)。
- 智能手机——这个 是我们最熟悉的边缘人工智能小工具。 Siri 和 Google Assistant,它们使用边缘 AI 来为他们的声音提供动力 用户界面,是智能手机上边缘人工智能的理想实例。 设备端 AI 无需将设备数据发送到云端,因为处理发生在设备(边缘)上。 这有助于保护隐私,同时也减少流量。
- 娱乐 - 虚拟 用于娱乐的现实、增强现实和混合现实应用包括将视频材料流式传输到虚拟现实眼镜。 通过将眼镜的处理外包到终端设备附近的边缘服务器,可以最小化这种眼镜的尺寸。 例如,微软刚刚推出了 HoloLens,这是一款安装在头饰中的全息计算机,可以让用户体验增强现实。 微软计划使用 HoloLens 提供传统的计算、数据分析、医学成像和边缘游戏应用。
- 人脸识别——人脸 识别系统是监控摄像头的进步,它可以学习根据人脸识别个人。 AI 摄像头模块,使用边缘 AI 计算机技术实时评估人脸特征。 它可以快速准确地检测面部,使其成为针对特定特征(例如年龄)的营销工具以及解锁设备的面部识别的理想选择。
5G 和边缘人工智能
全自动驾驶汽车、实时虚拟现实体验和关键任务应用等高增长领域对 5G 的重要需求推动了边缘计算和边缘人工智能的更多创新。
5G是下一代蜂窝网络 它旨在显着提高服务质量,例如提高吞吐量和减少延迟——提供比现有 10G 网络快 5 倍的数据速率。
考虑自动驾驶汽车中的实时数据包传输,它需要小于 10 毫秒的端到端延迟,才能满足快速数据传输和本地设备计算的需求。
云访问的最小端到端延迟大于 80 毫秒,这对于许多现实世界的应用程序来说是无法接受的。 边缘计算 满足 5G 应用的亚毫秒级要求,同时将能耗降低 30-40%,与云端访问相比,能耗降低高达 5 倍。
边缘计算和 5G 提高了网络速度,允许实施和部署各种实时 AI 应用程序,例如依赖低延迟数据传输的基于 AI 的实时视频分析。
未来
边缘人工智能正变得越来越流行,并且在该领域进行了大量投资。 例如,2020 年 200 月,苹果宣布斥资 XNUMX 亿美元收购总部位于西雅图的人工智能公司 Xnor.ai。
Xnor.ai 的人工智能技术使用边缘处理来处理用户智能手机上的数据。 借助智能手机内置的人工智能,我们应该期待语音处理、面部识别技术和隐私方面的改进。
随着 5G 的推出,我们可以期待全球范围内对边缘 AI 服务的价格降低和需求增加。
结论
随着人们在移动设备上花费的时间越来越多,越来越多的企业和开发人员看到了实施边缘技术以提供更快、更高效的服务同时提高利润率的价值。
在企业级基于人工智能的服务以及消费者的舒适和幸福方面,这将开辟一个全新的可能性世界。
像亚马逊和谷歌这样的大公司已经投资了数百万美元来开发他们的 Edge AI 系统,因此在这些技术上发挥带头作用是保持竞争力的唯一途径。
另一方面,对物联网设备的需求增加将使 5G 网络和边缘计算得到更广泛的应用。
发表评论