随着人工智能(AI)的成熟，采用率不断提高。根据最近的研究，35%的组织正在使用人工智能，42%的组织正在探索其潜力。虽然AI已被充分理解并大量部署在云端，但它在边缘仍处于萌芽状态，并带来了一些独特的挑战。许多人整天都在使用人工智能，从汽车导航到跟踪步骤再到与数字助理交谈。尽管用户经常在移动设备上访问这些服务，但计算结果仍然存在于AI的云使用中。更具体地说，一个人请求信息，该请求由云端的中央学习模型处理，并将结果发送回该人的本地设备。与云中的人工智能相比，边缘人工智能的理解和部署频率较低。从一开始，人工智能算法和创新就依赖于一个基本假设——所有数据都可以发送到一个中央位置。从这个中心位置，算法可以完全访问数据。这使算法能够像大脑或中枢神经系统一样构建自己的智能，对计算和数据拥有完全的控制权。但是边缘的人工智能是不同的。它将智能分配给所有细胞和神经。通过将智能推向边缘，我们赋予这些边缘设备代理权。这在医疗保健和工业制造等许多应用和领域中至关重要。在边缘部署人工智能的原因在边缘部署人工智能有三个主要原因。保护个人身份信息(PII)首先，一些处理PII或敏感IP（知识产权）的组织更愿意将数据留在数据的来源处——医院的成像机器或工厂车间的制造机器。这降低了通过网络传输数据时可能发生的“倾斜”或“泄漏”的风险。最小化带宽使用是其次的带宽问题。将大量数据从边缘传输到云端会阻塞网络，在某些情况下是不切实际的。健康环境中的成像机器生成如此大的文件以致于无法将它们传输到云端或需要数天才能完成的情况并不少见。简单地在边缘处理数据效率更高，尤其是当洞察力旨在改进专有机器时。过去，计算更难移动和维护，因此需要将这些数据移动到计算位置。这种范式现在受到挑战，现在数据通常更重要且更难管理，导致需要将计算移动到数据位置的用例。避免延迟在边缘部署AI的第三个原因是延迟。互联网速度很快，但不是实时的。如果存在毫秒级的情况，例如机械臂协助手术或时间敏感的生产线，组织可能会决定在边缘运行人工智能。边缘AI的挑战以及如何解决这些挑战尽管有这些好处，但在边缘部署AI会带来一些独特的挑战。以下是您应该考虑的一些技巧，以帮助您应对这些挑战。模型训练的好坏结果大多数人工智能技术使用大量数据来训练模型。然而，在边缘工业用例中，这通常变得更加困难，因为大多数制造的产品都没有缺陷，因此被标记或注释为良好。由此导致的“好结果”与“坏结果”的不平衡使得模型更难学会识别问题。依赖于没有上下文信息的数据分类的纯AI解决方案通常不容易创建和部署，因为缺少标记数据甚至是罕见事件。将上下文添加到AI（或所谓的以数据为中心的方法）通常会在最终解决方案的准确性和规模方面带来好处。事实是，虽然人工智能通常可以取代人类手动完成的平凡任务，但在构建模型时，它会极大地受益于人类的洞察力，尤其是在没有大量数据可供使用的情况下。获得经验丰富的主题专家的支持，与构建算法的数据科学家密切合作，为AI学习提供快速启动。AI无法神奇地解决或提供每个问题的答案输出通常需要很多步骤。例如，工厂车间可能有许多工作站，它们可能相互依赖。一个过程中工厂一个区域的湿度会影响稍后在不同区域的生产线中另一个过程的结果。人们通常认为人工智能可以神奇地将所有这些关系拼凑在一起。虽然在很多情况下都可以，但它也可能需要大量数据和长时间收集，从而导致非常复杂的算法不支持可解释性和更新。人工智能不能生活在真空中。捕获这些相互依赖性会将边界从简单的解决方案扩展到可以随着时间的推移和不同的部署进行扩展的解决方案。缺乏利益相关者的支持限制了AI的规模如果组织中的一组人对其好处持怀疑态度，则很难在整个组织中扩展AI。获得广泛支持的最佳（也许唯一）方法是从高价值、困难的问题开始，然后用AI解决它。在奥迪，我们考虑解决焊枪电极多久更换一次的问题。但是电极的低成本并不能消除人类正在做的任何平凡的工作。相反，他们选择了焊接工艺这一业界公认的难题，并通过人工智能显着提高了工艺质量。这激发了全公司工程师的想象力，他们研究了如何将AI用于其他流程以提高效率和质量。在边缘平衡AI的优势和挑战在边缘部署AI可以帮助组织及其团队。它有可能将设施转变为智能边缘、提高质量、优化制造流程，并激发整个组织的开发人员和工程师探索他们如何整合AI或推进AI用例，包括预测分析、提高效率或异常的建议检测。但也带来了新的挑战。作为一个行业，我们必须能够在部署它的同时减少延迟、增加隐私、保护IP并保持网络平稳运行。
