什麼是邊緣計算，為什麼它如此重要？ - InHandgo.com

What is edge computing, and why is it so important? - InHandgo.com

不只是縮時，還有粉塵、噪音、位移偵測

THE ENTERPRISERS PROJECT

邊緣運算和人工智慧 (AI) 如何協同工作？為什麼邊緣與人工智慧很好地契合？有哪些用例？讓我們來看看 IT 領導者應該知道什麼

幾十年來，人工智慧 (AI) 一直存在於數據中心，那裡有足夠的計算能力，來執行對處理器要求很高的認知任務。隨著時間的推移，人工智慧進入了軟體領域，預測算法改變了這些系統，如何支持業務的性質。現在人工智慧已經轉移到網路的外圍。

SAS 物聯網副總裁 Jason Mann 解釋說：「當人工智慧技術嵌入物聯網(IoT) 端點、GATEWAY 和其他使用點的設備時，就會發生邊緣人工智慧。」

「換句話說，邊緣運算使數據和計算最接近交互點，」紅帽首席技術策略師 EG Nadhan 說。Edge AI 是一種非常真實（且迅速擴展）的現象，它為從智慧手機和智慧揚聲器到汽車感測器，和安控攝影機的所有事物提供動力。

事實上， IDC 專注於邊緣策略的全球基礎設施實踐研究總監 Dave McCarthy 說，人工智慧是邊緣運算中「最常見的工作負載」。“隨著物聯網實施的成熟，「他補充道，“人們對在生成點應用人工智能進行實時事件檢測的興趣越來越大。」

人工智慧是邊緣運算中「最常見的工作負載」。

德勤預測，今年將售出超過 7.5 億塊邊緣 AI 晶片（專門用於執行或加速設備上機器學習），企業市場的成長速度超過其消費市場，複合年成長率為 50%，超過未來四年。

根據 Analysys Mason 的報告「2019 年邊緣成功策略」，企業將在未來三年內，將平均 30% 的 IT 預算用於邊緣雲端運算。

[ 為什麼邊緣運算對 IT 領導者很重要 —— 下一步是什麼？詳細了解紅帽的觀點。]

當 IT 領導者考慮邊緣 AI，可能適合他們自己的企業技術路線圖時，以下是我們現在知道的一些事情：

1. 從頭開始很重要

如果你尚未實施邊緣解決方案，則無法跨越到邊緣 AI。CompTIA 技術分析高級總監 Seth Robinson 表示：「當今大多數 IT 領導者的第一步，是建構一個利用邊緣運算，與雲後端相結合的解決方案架構。」展望未來，整合人工智慧將是管理邊緣解決方案規模，和建立競爭優勢的關鍵一步。」

2. 邊緣人工智慧可以解決雲端的人工智慧侷限性

延遲、安全性、成本、頻寬和隱私，是與機器學習或深度學習任務相關的一些問題，邊緣人工智慧（更接近數據源）可以解決這些問題。例如，每次你向 Siri、Alexa 或 Google 提出問題時，你的錄音都會被發送到邊緣網路，Google、Apple 或 Amazon 在該網路中，使用 AI 將語音轉換為文本，以使命令處理器能夠生成答案。

例如，每次你向 Siri、Alexa 或 Google 提出問題時，你的錄音都會被發送到邊緣網路。

如果沒有優勢，等待幾秒鐘的響應將是司空見慣的。「邊緣網路允許在 Doherty 閾值（小於 400 毫秒）內，獲得愉快的使用者體驗，」 PubNub 的首席技術官兼聯合創始人 Stephen Blum 說。「谷歌、蘋果和亞馬遜已經花費數百萬美元，投資於他們的優勢，以便他們的人工智慧能夠快速回答你。為了與巨頭競爭，企業需要投資邊緣人工智慧。」

[獲取可共享的入門讀物：如何用簡單的英語解釋邊緣運算。]

3. 今天只有一部分 AI 工作流發生在邊緣

「今天的人工智慧邊緣處理，專注於將人工智慧工作流程的推理，部分轉移到設備上，」Omdia 分析師在他們的人工智慧邊緣設備報告中解釋道。IDC 的 McCarthy 解釋說，人工智慧模型本身通常在中央數據中心，或雲端基礎設施中，使用歷史數據集進行訓練。然後可以將這些 AI 模型佈署到邊緣，以針對當前數據進行本地推理。

人工智慧模型本身，通常使用歷史數據集在中央數據中心或雲端基礎設施中進行訓練。

「基本上，公司可以在一種環境中進行培訓，並在另一種環境中執行，」SAS 的 Mann 說。「訓練機器學習所需的大量數據和運算能力非常適合雲端運算，而對新數據進行推理或運行，經過訓練的模型非常適合在邊緣執行。」 Omdia 指出，「能夠將大型 AI 模型壓縮成小型硬體外形」的模型壓縮技術，可能會隨著時間的推移，將一些訓練推向邊緣。

[另請閱讀：大數據和人工智慧如何協同工作。]

4. 邊緣即時學習需要時間

「即時學習允許人工智慧，在每次交互過程中不斷發展和改進。為了讓 AI 即時學習，矩陣（AI 大腦）必須在允許訓練的同時回答你的請求。此外，學習的數據必須與對等邊緣同步，」PubNub 的 Blum 說。「這一後勤挑戰，導致大多數網路排除了即時學習。」

然而，當這些挑戰得到克服時，這將為更先進的邊緣人工智慧應用打開大門，Blum 說。

讓我們看看三個更重要的因素：

5. 邊緣人工智慧需要大量數據

IDC 的 McCarthy 說，只有當你有足夠的數據，來建構統計相關模型時，整個過程才有效。「許多公司不滿足最低要求，無論是在歷史數據量方面，還是在正確的數據類型方面，都沒有達到預期的結果。」

6. 首先整理好你的數據倉庫

據 CompTIA 的 Robinson 稱，大多數組織尚未建立全面的數據管理實踐，也沒有這些類型的數據集。「此外，現代人工智慧比以前的軟體程序更多地基於概率。不正確或無意義的答案的風險更高，如果訓練數據不完整或有任何偏差，風險就會增加。公司需要從徹底檢查其數據開始，而不是能夠快速安裝 AI 組件並從中受益。」

與此同時，根據 McCarthy 的說法，主題專家可以用業務邏輯，代替數據的學習，這種學習可以即時用於多個數據流，直到組織累積了足夠好的數據，來充分利用人工智慧。