随着对更快结果和实时洞察的需求不断增加，企业正在转向边缘人工智能。 边缘人工智能是一种人工智能，它使用从网络边缘的传感器和设备收集的数据来近乎实时地提供可操作的见解。 虽然这项技术提供了许多好处，但也存在与其使用相关的风险。
边缘人工智能的用例
边缘人工智能有许多潜在的用例。 一些可能的应用包括：
自动驾驶汽车：边缘人工智能实时处理传感器收集的数据，以决定何时以及如何制动或加速。
智能工厂：边缘人工智能实时监控工业机械以检测异常或故障。 摄像头还可以检测生产线上的缺陷。
医疗保健：可穿戴设备可以检测心脏异常或监测术后患者。
零售：存储跟踪顾客移动和行为的传感器。
视频分析：人工智能实时分析视频片段，识别潜在的安全威胁。
面部识别：边缘人工智能可用于通过面部特征来识别个人。
语音识别：边缘人工智能现在用于实时识别和转录口语单词。
传感器数据处理：边缘人工智能可以处理传感器收集的数据，以决定何时以及如何制动或加速。
边缘人工智能风险
丢失/丢弃的数据
边缘人工智能风险包括处理后可能丢失或丢弃的数据。 边缘人工智能的优势之一是系统可以在处理后删除数据，从而节省资金。 AI 确定数据不再有用并将其删除。
这种设置的问题在于数据不一定是无用的。 例如，自动驾驶汽车可能会沿着偏远乡村的空旷道路行驶。 人工智能可能认为收集到的大部分信息无用并丢弃它。
然而，来自边远地区空旷道路的数据可能会有所帮助，具体取决于您询问的对象。 此外，收集的数据可能包含如果将其发送到云数据中心进行存储和进一步分析则可能有用的信息。 例如，它可以揭示动物迁徙的模式或环境的变化，否则这些模式将无法被发现。
社会不平等加剧
人工智能的另一个边缘风险是它会加剧社会不平等。 这是因为边缘人工智能需要数据才能发挥作用。 问题在于并非每个人都可以访问相同的数据。
例如，如果你想使用边缘人工智能进行面部识别，你需要一个面部照片数据库。 如果这些数据的唯一来源是社交媒体，那么唯一能够被准确识别的人就是那些活跃在社交媒体上的人。 这就创建了一个两层系统，其中边缘人工智能可以准确地识别一些人，而另一些人则不能。
此外，只有某些群体才能使用带有传感器或处理器的设备，这些设备可以收集和传输数据以供边缘人工智能算法处理。 这可能会导致社会不平等加剧：那些买不起设备或生活在没有本地网络的农村地区的人将被排除在边缘人工智能革命之外。 可能会导致恶性循环，因为边缘网络构建起来并不简单，而且成本高昂，这意味着数字鸿沟可能会扩大，弱势社区、地区和国家在利用边缘人工智能优势的能力方面可能会进一步落后。
数据质量差
如果传感器数据质量较差，那么边缘人工智能算法生成的结果也可能质量较差。 这可能会导致误报或误报，从而带来灾难性的后果。 例如，如果使用边缘人工智能识别潜在威胁的安全摄像头产生误报，可能会导致无辜者被拘留或审问。
另一方面，如果由于传感器维护不善而导致数据质量较差，则可能会导致错失机会。 例如，如果自动驾驶汽车配备了边缘人工智能，用于处理传感器数据以决定何时以及如何制动或加速，那么质量差的数据可能会导致车辆做出错误的决定，从而导致事故。
由于计算能力有限，准确性较差
在典型的边缘计算设置中，边缘设备不如它们所连接的数据中心服务器强大。 这种有限的计算能力可能会导致边缘人工智能算法效率较低，因为它们必须在内存和处理能力较少的较小设备上运行。
安全漏洞
边缘人工智能应用面临各种安全威胁，例如数据隐私泄露、对抗性攻击和机密性攻击。
边缘人工智能最重大的风险之一是数据隐私泄露。 边缘云存储和处理大量数据，包括敏感的个人数据，这使得它们成为攻击者的有吸引力的目标。
边缘人工智能固有的另一个风险是对抗性攻击。 在这种攻击中，攻击者破坏人工智能系统的输入，导致系统做出错误的决定或产生错误的结果。 这可能会产生严重后果，例如导致自动驾驶汽车发生碰撞。
最后，边缘人工智能系统也容易受到机密性或推理攻击。 在这次攻击中，攻击者试图揭示算法的细节并对其进行逆向工程。 一旦对训练数据或算法做出正确的推断，攻击者就可以对未来的输入做出预测。 边缘人工智能系统还容易受到各种其他风险的影响，例如病毒和恶意软件、内部威胁和拒绝服务攻击。
平衡风险和回报
边缘人工智能带来好处和风险； 但是，您可以通过仔细的规划和实施来降低这些风险。 在决定是否在您的业务中使用边缘人工智能时，您必须权衡潜在的好处和威胁，以确定什么适合您的特定需求和目标。
