隨著人工智慧 (AI) 的成熟，採用率持續增加。根據最近的研究，35% 的組織正在使用人工智慧，42% 的組織正在探索其潛力。雖然人工智慧在雲端中得到了很好的理解並大量部署，但它在邊緣仍然處於萌芽狀態，並面臨一些獨特的挑戰。
許多人整天都在使用人工智慧，從汽車導航到追蹤步驟，再到與數位助理交談。即使用戶經常在行動裝置上存取這些服務，計算結果仍然存在於人工智慧的雲端使用中。更具體地說，一個人請求訊息，該請求由雲端中的中央學習模型處理，然後將結果發送回該人的本地設備。
與雲端 AI 相比，邊緣 AI 的理解和部署頻率更低。從一開始，人工智慧演算法和創新就依賴一個基本假設——所有數據都可以發送到一個中心位置。在這個中心位置，演算法可以完全存取資料。這使得演算法能夠像大腦或中樞神經系統一樣建構其智能，對計算和數據擁有完全的權限。
但是，邊緣的人工智慧是不同的。它將智慧分佈在所有細胞和神經上。透過將智慧推向邊緣，我們賦予這些邊緣設備代理權。這在醫療保健和工業製造等許多應用和領域中至關重要。
在邊緣部署人工智慧有三個主要原因。
保護個人識別資訊(PII)
首先，一些處理PII 或敏感IP（智慧財產權）的組織更願意將資料留在其來源處—醫院的成像機器或工廠車間的製造機器。這可以降低透過網路傳輸資料時可能發生的「偏移」或「洩漏」風險。
最小化頻寬使用
其次是頻寬問題。將大量資料從邊緣傳送到雲端會阻塞網絡，在某些情況下是不切實際的。健康環境中的成像機器產生如此龐大的文件以致無法將它們傳輸到雲或需要數天才能完成傳輸的情況並不少見。
簡單地在邊緣處理資料會更有效，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，因此需要將這些資料移動到計算位置。這種範式現在受到挑戰，現在資料通常更重要且更難管理，導致用例保證將計算移動到資料位置。
避免延遲
在邊緣部署 AI 的第三個原因是延遲。網路速度很快，但不是即時的。如果存在毫秒很重要的情況，例如協助手術的機械手臂或時間敏感的生產線，組織可能會決定在邊緣運行 AI。
儘管有這些好處，但在邊緣部署 AI 仍然存在一些獨特的挑戰。以下是您應該考慮的一些提示，以幫助應對這些挑戰。
模型訓練的好與壞結果
大多數 AI 技術使用大量資料來訓練模型。然而，在邊緣的工業用例中，這通常會變得更加困難，因為大多數製造的產品都沒有缺陷，因此被標記或註釋為良好。由此產生的「好結果」與「壞結果」的不平衡使得模型更難學會辨識問題。
依賴沒有上下文資訊的資料分類的純 AI 解決方案通常不容易建立和部署，因為缺乏標記數據，甚至會發生罕見事件。為 AI 添加上下文（或稱為以數據為中心的方法）通常會在最終解決方案的準確性和規模方面帶來好處。事實是，雖然人工智慧通常可以取代人類手動完成的平凡任務，但在建立模型時，它會極大地受益於人類的洞察力，尤其是在沒有大量數據可供使用的情況下。
從經驗豐富的主題專家那裡得到承諾，與建立演算法的資料科學家密切合作，為 AI 學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域的濕度可能會影響稍後在不同區域的生產線中另一個過程的結果。
人們通常認為人工智慧可以神奇地拼湊所有這些關係。雖然在許多情況下可以，但它也可能需要大量數據和很長時間來收集數據，從而導致非常複雜的演算法不支援可解釋性和更新。
人工智慧不能生活在真空中。捕捉這些相互依賴關係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。
缺乏利害關係人的支援會限制人工智慧的規模
如果組織中的一群人對它的好處持懷疑態度，則很難在整個組織中擴展 AI。獲得廣泛支援的最佳（也許是唯一）方法是從一個高價值、困難的問題開始，然後用人工智慧解決它。
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，這並沒有消除人類正在做的任何平凡的任務。相反，他們選擇了焊接工藝，這是整個行業普遍認同的難題，並透過人工智慧顯著提高了工藝品質。這激發了整個公司工程師的想像力，他們研究如何在其他流程中使用人工智慧來提高效率和品質。
在邊緣部署 AI 可以幫助組織及其團隊。它有可能將設施轉變為智慧邊緣，提高質量，優化製造過程，並激勵整個組織的開發人員和工程師探索他們如何整合人工智慧或推進人工智慧用例，包括預測分析、提高效率的建議或異常檢測。但它也帶來了新的挑戰。作為一個行業，我們必須能夠在部署它的同時減少延遲、增加隱私、保護 IP 並保持網路平穩運行。
以上是邊緣人工智慧：部署前需要考慮的三個技巧的詳細內容。更多資訊請關注PHP中文網其他相關文章！
