边缘AI驱动下一代物联网

，机器学习和相关的神经网络才得以爆发。但是物联网的兴起造成了数据冲击，这也需要基于边缘的机器学习。

现在，云提供商、物联网(IoT)平台制造商以及其他企业看到了在将数据移交给云端进行分析之前在边缘处理数据的好处。

在边缘做出AI决策可以减少延迟，并使对传感器数据的实时响应更加可行和适用。尽管如此，人们称之为“边缘AI”的形式仍然很多种。以及如何利用下一代物联网为其提供支持，在呈现高质量的可行数据方面提出了挑战。

边缘计算工作量增长

基于边缘的机器学习可能会推动IoT市场中AI的显着增长，据Mordor Intelligence估计，到2026年，CAGR将增长27.3%。

Eclipse Foundation IoT Group在2020年的研究支持了这一点，IoT开发人员中最常引用的边缘计算工作负载中，AI将占30%。

对于许多应用而言，复制在云上启用并行机器学习的无休止的服务器机架是不可行的。受益于本地处理的IoT边缘案例很多，并且通过各种操作监控案例来突出说明。例如，处理器可以监视由石油钻井平台上的压力表变化触发的事件，在遥远的电源线上检测到异常情况或在工厂捕获到的视频录像。

最后一种情况是最广泛使用的一种。在边缘分析图像数据的AI的应用已证明是一块肥沃的土地。但是，使用物联网设备收集的数据进行事件处理有许多复杂的处理需求。

边缘计算的价值

Hyperion Research高级顾问史蒂夫·康威(Steve Conway)表示，基于云的物联网分析仍将持续下去。但是，距离数据必须行进会带来处理延迟。将数据移入和移出云自然会产生滞后，往返需要时间。

“有一种叫做光速的东西，”康韦打趣道。 “而且你不能超过它。”因此，处理的层次结构正在边缘发展。

除了设备和板级实施之外，此层次结构还包括制造中的IoT网关和数据中心，这些扩展了可用于下一代IoT系统开发的架构选项。

SAS物联网和Edge部门产品营销高级经理Saurabh Mishra表示，从长远来看，边缘AI架构是数据处理重点的又一代转变，但这是关键。

“这里有进步，这个想法是集中您的数据。您可以为某些行业和某些用例(在数据中心等环境中已创建数据的那些用例)执行此操作。”他说。

Mishra说，SAS已经创建了经过验证的边缘物联网参考架构，客户可以在此基础上构建AI和分析应用，这实际上是不可能高效且经济地将其移至云中进行分析的。在云和边缘AI之间取得平衡将是一项基本要求。

Eclipse基金会物联网和边缘计算项目经理FrédéricDesbiens表示，要找到平衡，首先要考虑运行机器学习模型所需的数据量。这就是新的智能处理器的发挥作用的地方。

“边缘的AI加速器可以在将数据发送到其他地方之前进行本地处理

（编辑：宁德站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!