下一代Edge AI的應用初探-人工智慧-PHP中文網

#NextGEN Edge AI，又稱為邊緣智慧或下一代人工智慧，結合了邊緣運算和人工智慧技術，用於追蹤和執行機器學習任務。它利用邊緣設備的運算能力和數據處理能力，實現智慧決策和分析，減少對雲端運算的依賴。透過將智慧推送到邊緣，NextGEN Edge AI可以加快回應時間，提高資料隱私和安全性。它將在各個領域發揮重要作用，如智

Edge AI的工作流程通常涉及使用來自集中化的資料中心（如雲端或設備）上的資料以及來自邊緣資源的數據。雲端AI較為常見，它主要依靠雲端算力來進行開發和執行。而Edge AI則包含遠端設備、物聯網設備以及專用的邊緣伺服器等元件。這種架構使得資料的儲存和運算更加便捷，同時也使用戶更容易存取資料。

由於Edge AI將AI演算法與本地設備上的邊緣運算能力結合，它能夠處理和分析數據，而無需保持連接和整合。這使得用戶能夠存取不同來源的數據，從而減少了系統的停機時間或延遲。因此，Edge AI透過整合邊緣運算和AI流程，提高了資料處理的效率。

此外，NextGEN Edge AI成功將AI過程整合為一個基本組件，無需與物理位置交互，為用戶需求提供了高效的支持和便捷的用戶數據構建。

Edge AI如何運作？

提到AI，我們常常會想到讓機器透過模擬人類的方式來實現視覺、語言、行為、物件辨識、自動駕駛和語言理解等智慧化技能。為了實現這些技能，AI需要使用一種稱為深度神經網路（Deep Neural Network，DNN）的系統。在接受各種訓練任務時，這些DNN會產生許多特定類型的問題，並提供與之對應的正確答案範例。

深度學習是一種需要在資料中心或雲端進行訓練的技術。為了獲得準確的模型，資料科學家通常需要大量數據和協作的支援。一旦訓練完成，模型就可以透過推理引擎來解決現實世界中的問題。推理引擎能夠運行經過訓練的模型，並根據輸入資料產生預測結果。這種技術的應用範圍非常廣泛，例如在影像辨識、自然語言處理和推薦系統等領域都有重要的作用。透過深度學習和推理引擎的結合，我們能夠更好地理解和應對複雜的現實問題。

通常，在部署Edge AI時，推理引擎會運作在遠端電腦和裝置上，例如工廠、醫院、汽車、衛星或家庭。一旦部署了Edge AI模型，這些設備就會持續獲取相關資訊。為了進行更多的訓練，邊緣設備通常會收集並發送大量繁瑣的資料集到雲端。同時，一旦AI遇到問題，邊緣的推理引擎就會被替換，大幅提升效能的回饋迴路。

Edge AI的基本元件

以下兩個智慧元件通常是Edge AI領域的研究重點：

#邊緣運算

根據定義，由於邊緣運算是在收集資料的節點處，進行本地運算和儲存資料的過程。因此它往往涉及分佈在網路邊緣處，用於收集、分析和處理資料的多個進程。

AI

AI能夠將增強的分析能力與自動化結合，讓機器模仿人類的認知水平，去理解語言和解決問題，甚至能夠創造出更職能的邊緣設備。

Edge AI跨不同行業的應用

#近年來，Edge AI應用程式的使用已為各行業帶來了新的商機和創新。包括製造業、醫療保健和能源在內的許多行業，都正在使用Edge AI應用的核心功能。下面，讓我們來討論兩個典型的行業應用：

智能能源：智能預測

能源行業往往具有高需求和不穩定的特點。它不僅會對其他產業造成直接或間接的影響，而且由其造成的潛在供應威脅也會擾動整個人類的健康和福祉。

而Edge AI可以根據歷史資料、天氣特徵等資訊產生複雜的模型，透過智慧化的預測，來協調能源的生成、分配、管理和監控。

醫療保健領域的Edge AI：支持AI的解決方案

現代化醫療機構和醫學專業人員可以透過使用Edge AI來提高患者預期壽命和生活水平，實現這個醫療保健產業的終極目標。同時，透過使用具有AI加持的邊緣設備，醫療專業人員還可以執行遠端手術，以及監控患者的日常生理活動。

Edge AI的優勢

與我們常見的基於雲端的AI相比，Edge AI具有以下優勢：

更高的速度/更低的延遲

由於各項訓練和計算是在本地執行，因此無需耗費過多的、與雲端通訊的響應等待。

更低的頻寬需求和成本

透過Edge AI，語音、視訊和高保真感測器數據，都可以通過蜂窩網絡，以更少的頻寬和相關成本被發送。

增強的資料安全性

本地化處理方式降低了敏感資料在傳輸過程中被攔截或儲存在雲端的風險。

改進的可靠性/自主技術

即使網路或雲端服務故障，AI也能夠在本地運行。這在自動駕駛和工業機器人等應用場景中優勢明顯。

功率降低

多數情況下，在裝置上執行AI任務的能耗，可能會低於將資料傳送到雲端的能耗，當然也就延長了電池的壽命。

邊緣科技的未來

如今，幾乎所有Edge AI應用程式都可以在智慧型手機、穿戴式裝置、以及智慧家電等消費類設備上運作。 Edge AI已成為一個正在經歷快速成長的新興領域。根據LF Edge預測：到2028年，邊緣設備的複合成長率將達到40%。同時，隨著無現金結帳、智慧化醫院、城市、以及供應鏈的擴展，處於企業邊緣的AI預計也會在未來幾年間增速加快。

如今，大多數Edge AI演算法都可以直接對透過裝置查看到的資料進行局部推理。透過使用設備附近感測器集合的數據，未來我們將可以開發出更複雜的推斷工具，並不斷改進相應的Edge AI編排。

此外，與之相關的聯合深度學習也是一項富有前景的技術。它既可以透過將原始資料的對應子集上傳到雲端，來改進訓練的過程，又能夠在邊緣設備的本地更新AI訓練。注意，這並非是透過手動去更新模型，而是將更新上傳到雲端，提高Edge AI的隱私和安全性。