现今在边缘装置中人工智能(AI) 的运用

也许你感觉人工智能(AI)还离我们很遥远,但我们当中的许多人每天已在体验人工智能,像是智能手机上语音转文本的虚拟助理或指纹辨识等应用。物联网应用中的AI功能有助于识别模式并侦测具备传感器的物联网边缘装置的变化,如环境参数温度或压力。
传统上,简单的嵌入式边缘装置从应用环境中的传感器收集这些数据,并将数据流传输到构建在云端架构上的AI系统,以进行分析和推论。然而,随着物联网实施中对实时决策的需求不断增长,联机或处理的需求也在增长,但并非总是可以将所有数据流传输到云端进行AI处理。本文将讨论如何在边缘装置中部署人工智能来提高物联网实施的效率和成本效益。
如何在边缘装置中部署人工智能
标准边缘AI模型的基本组件包括用于撷取传感器数据的硬件和软件、用于训练模型认识应用情境的软件,以及在物联网装置上运行AI模型的应用软件。
在边缘装置上运行的微服务软件负责在用户请求时启动在边缘装置上的AI包。在边缘装置上,使用在训练阶段期间定义的特征选择和变换。模型可根据相应的功能集来客制,可扩展为包含聚合和工程功能。
智能边缘装置以电池供电的应用中,是低带宽和间歇性网络联机。边缘装置制造商正在构建具有集成处理和存储功能的传感器,以及广泛使用的低速通信协议,如BLE、Lora和NB-IoT,占用空间小且功耗低。
在边缘装置中部署人工智能的优点
虽然这种设计的复杂性可能使装置昂贵,但其优点远远超过相关成本。
除了实时反应之外,基于边缘端的AI还具有显著的优势,例如边缘装置内建的更高的安全机制以及网络上下流动的数据较少。另外它非常灵活,因为每个应用程序具备客制的解决方案。由于推论是预先构建到边缘装置中的,因此需要较少的操作和维护。
边缘运算中,开发人员可将一些复杂的运算传输到区域网络中的边缘处理器(如路由器、网关和服务器)来在整个网络中分散计算。边缘处理器有很好的运行可靠度,因为可存储数据并且获得智能,这有助于在间歇性连网或没有网络连接的区域中进行部署。
一般而言,构建机器学习模型来解决挑战是很复杂的。开发人员必须管理大量数据来进行模型训练,选择最佳算法进行实施,并管理云端服务来训练模型。然后,应用程序开发人员使用Python等程序语言将模型部署到正式环境中。对智能边缘装置的制造商来说,投入资源从头开始实施AI部属是非常困难的。
Learn more with our AI at the Edge whitepaper for engineers.
