边缘人工智能有助于增强物联网优势

在当今的数字世界，人工智能和物联网正在深刻改变我们生活的方方面面。连接到网络的物联网设备数量正以惊人的速度激增。根据国际数据公司(IDC)的数据，到2025年，联网设备将超过410亿部。

随着连接设备数量的增加，流回云的数据量也呈指数增长。最后，将所有这些数据泵回云进行处理并不是可扩展的模型。在云上处理所有这些数据将使网络带宽需求达到极限。已有的数据中心发现很难保证传输速率和响应时间。

我们必须在边缘进行更多的数据处理。这是下一个有待开发的前沿领域，它有巨大的潜力在边缘计算世界推动业务发展。

将智能带入边缘

数据是新的石油，但具有讽刺意味的是，尽管它们周围都有千兆字节的物联网数据，但很少有公司能够从中获取价值。这是因为真正的价值在于通过理解能够预测未来趋势的模式，将来自不同物联网设备的数据集组合起来。这就是边缘人工智能在恢复数据真实价值方面具有巨大潜力的地方。

边缘需要更多的处理能力。这将使企业能够在边缘运行AI模型，从而为边缘带来更多智能。

如今，许多边缘设备都具有内置的计算能力。许多物联网边缘设备具有GPU，TPU或VPU。例如，某些高端安全摄像机现在具有GPU卡，这使它们能够在边缘本身上运行基于AI的图像识别模型，而不必将所有高清视频发送回云中进行处理。将处理移至边缘可确保更好的响应时间并减少带宽使用。

举一个实地的例子。在拥有1000个启用边缘GPU的摄像头的石油和天然气精炼厂中，人们希望根据模型试图检测的位置和异常情况在不同的摄像头节点上部署不同的AI模型。石油和天然气精炼厂内的红色区域是由于H2S气体泄漏而导致死亡的机率很高的区域。因此，进入红色区域的人们必须穿戴防护装备。聚焦在红色区域上的摄像机可能会检测到HSE不合规，例如进入红色区域时未佩戴紧急呼吸装置(EBA)并触发实时警报，从而拯救了生命。

边缘上的AI将有助于更好地利用我们的数据。边缘AI的用途广泛，可广泛应用于各个领域，包括医疗保健中的患者监控，评估农业作物的健康状况，在自然灾害期间识别和营救受伤的人们，等等。

在边缘管理AI生命周期

在边缘运行AI模型必须经过深思熟虑。一旦将AI模型加载到边缘，需要对其性能进行持续监控，并针对各种情况进行优化。

物联网世界中边缘设备的异构性质面临着一系列挑战。远程部署模型和监视边缘是另一个具有巨大潜力的大领域。必须拥有一种强大的机制来远程部署和微调AI模性能型。密切注意硬件的运行状况也很重要。

持续监控这些模型的性能也是一个很高的要求。在边缘上管理AI模型的连续部署、调试和微调也是很少有公司真正取得进展的领域。

对于刚刚开始在边缘利用人工智能功能的企业，我建议大家记住以下几点：

• 选择一个可以为业务带来直接好处的合适用例很重要。
• 选择一个好的工具来自动化边缘服务的部署和监视过程。Eclipse Foundation的ioFog项目正在这个领域掀起波澜。
• 在选择边缘硬件时，请记住根据未来的需求和扩展硬件功能的能力，制定一个三到五年的路线图。

边缘安全

边缘安全是另一个不可忽视的重要因素。使处理更接近边缘会给边缘内部和周围带来更大的压力。边缘安全必须是多管齐下的策略，以确保硬件和软件堆栈的安全。您需要保持警惕，以检测进入边缘网络的恶意节点。一旦检测到恶意节点，就需要将其隔离，并且不允许其进入边缘网络。

一种方法是利用硬件的信任根来确保边缘计算系统的运行。具有运行时应用程序验证和授权，以防止流氓应用程序。从设备到云的数据需要信任。完全控制数据流，确保数据只到达授权节点。