随着人工智能 (AI) 的成熟，其采用率不断增加。 根据最近的研究，35% 的组织正在使用人工智能，其中 42% 的组织正在探索其潜力。 虽然人工智能已被广泛理解并大量部署在云端，但它在边缘仍处于萌芽阶段，并面临一些独特的挑战。
许多人整天都在使用人工智能，从汽车导航到跟踪步数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，但计算结果驻留在人工智能的云使用中。 更具体地说，一个人请求信息，该请求由云中的中央学习模型处理，然后将结果发送回该人的本地设备。
与云中的人工智能相比，边缘人工智能的了解较少，部署频率也较低。 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心位置。 在这个中心位置，算法可以完全访问数据。 这使得算法能够像大脑或中枢神经系统一样构建智能，拥有计算和数据的完全权限。
但是，边缘人工智能则不同。 它将智力分配给所有细胞和神经。 通过将智能推向边缘，我们为这些边缘设备提供代理权。 这对于医疗保健和工业制造等许多应用和领域至关重要。
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其来源处，即医院的成像机或工厂车间的制造机器中。 这可以降低通过网络传输数据时可能发生的“偏移”或“泄漏”风险。
最大限度地减少带宽使用
其次是带宽问题。 将大量数据从边缘传输到云端可能会堵塞网络，并且在某些情况下是不切实际的。 健康环境中的成像机生成的文件非常大，以至于无法将它们传输到云端，或者需要数天才能完成这样的传输，这种情况并不少见。
简单地在边缘处理数据可能会更有效，特别是如果这些见解旨在改进专有机器的话。 在过去，计算的移动和维护要困难得多，需要将这些数据移动到计算位置。 这种范例现在正受到挑战，现在数据通常更重要且更难以管理，导致需要将计算移动到数据位置的用例。
避免延迟
在边缘部署人工智能的第三个原因是延迟。 互联网速度很快，但不是实时的。 如果存在毫秒很重要的情况，例如协助手术的机械臂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。
边缘人工智能面临的挑战以及如何解决这些挑战
尽管有这些好处，但在边缘部署人工智能仍然存在一些独特的挑战。 您应该考虑以下一些提示来帮助应对这些挑战。
模型训练中的好与坏结果
大多数人工智能技术使用大量数据来训练模型。 然而，在边缘的工业用例中，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。 由此产生的“好结果”与“坏结果”的不平衡使得模型更难学会识别问题。
由于缺乏标记数据甚至罕见事件的发生，依赖于对没有上下文信息的数据进行分类的纯人工智能解决方案通常不容易创建和部署。 向人工智能添加上下文（或者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执行的平凡任务，但在构建模型时，尤其是在没有大量数据可供使用的情况下，它可以从人类的洞察力中受益匪浅。
获得经验丰富的主题专家的预先承诺，与构建算法的数据科学家密切合作，可以让人工智能在学习方面快速起步。
人工智能无法神奇地解决或提供每个问题的答案
通常有许多步骤会进入输出。 例如，工厂车间可能有很多站，并且它们可能是相互依赖的。 在一个过程中，工厂一个区域的湿度可能会影响稍后在不同区域的生产线中的另一个过程的结果。
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。 虽然在许多情况下可以，但它也可能需要大量数据和很长时间来收集数据，从而导致算法非常复杂，不支持可解释性和更新。
人工智能不能生活在真空中。 捕获这些相互依赖关系将把边界从简单的解决方案扩展到可以随着时间和不同部署进行扩展的解决方案。
缺乏利益相关者的支持会限制人工智能的规模
如果组织中的很多人对人工智能的好处持怀疑态度，那么在整个组织中扩展人工智能就很困难。 获得广泛支持的最佳（也许也是唯一）方法是从高价值、困难的问题开始，然后用人工智能解决它。
在奥迪，我们考虑解决焊枪电极更换频率的问题。 但电极成本低廉，这并没有消除人类正在做的任何平凡任务。 相反，他们选择了焊接工艺这一全行业普遍认同的难题，并通过人工智能极大地提高了工艺质量。 这激发了全公司工程师的想象力，研究如何在其他流程中使用人工智能来提高效率和质量。
平衡边缘人工智能的好处和挑战
在边缘部署人工智能可以为组织及其团队提供帮助。 它有潜力将设施转变为智能边缘，提高质量，优化制造流程，并激励整个组织的开发人员和工程师探索如何整合人工智能或推进人工智能用例，包括预测分析、提高效率的建议或 异常检测。 但它也带来了新的挑战。 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。
