高效的边缘人工智能模型通常拥有优化的边缘计算基础设施，可以在边缘和靠近边缘处理更庞大的人工智能工作负载。
边缘计算正在见证人们对新用例的极大兴趣，尤其是在引入5G之后。根据Linux基金会发布的《2021年边缘计算状态》报告的预测，到2028年，全球边缘计算基础设施的市场价值将超过8000亿美元。与此同时，很多企业也在大力投资人工智能（AI）。根据麦肯锡公司在去年的调查报告，50%的受访者表示至少在一项业务职能中实施了人工智能。
虽然大多数企业将这些技术投资作为其数字化转型之旅的一部分，但具有前瞻性的企业和云计算提供商通过融合边缘计算和人工智能（或边缘人工智能）看到了新的机遇。人们需要了解边缘人工智能的发展以及这项技术对现代数字企业的影响。
什么是边缘人工智能？
人工智能在很大程度上依赖于复杂机器学习算法的数据传输和计算。边缘计算建立了一个新时代的计算模式，将人工智能和机器学习转移到数据生成和计算实际发生的地方：网络边缘。边缘计算和人工智能的融合催生了一个新领域：边缘人工智能。
边缘人工智能可以提供更快的计算和洞察力、更好的数据安全性以及对持续运营的有效控制。因此，它可以提高支持人工智能的应用程序的性能，并降低运营成本。边缘人工智能还可以帮助人工智能克服与之相关的技术挑战。
边缘人工智能促进机器学习、深度学习模型的自主应用以及物联网设备本身的高级算法。
边缘人工智能将如何改变企业？
高效的边缘人工智能模型通常拥有优化的边缘计算基础设施，可以在边缘和靠近边缘处理更庞大的人工智能工作负载。边缘人工智能与存储解决方案相结合，可以提供行业领先的性能和无限的可扩展性，使企业能够有效地使用他们的数据。
许多企业已经从边缘人工智能中获益。从改进装配线的生产监控到驾驶自动驾驶汽车，边缘人工智能可以使各个行业受益。此外，最近在许多国家和地区推出5G技术为边缘人工智能提供了额外的推动，因为该技术的更多工业应用不断涌现。
由人工智能驱动的边缘计算对企业的一些好处包括：
●高效的预测性维护和资产管理
●缩短每个产品的检查时间
●减少现场问题
●更好的客户满意度
●确保大规模边缘人工智能基础设施和边缘设备生命周期管理
●改善城市交通管制措施
实施边缘人工智能是一个明智的商业决策，因为估计未来三年工业边缘人工智能部署的平均投资回报率(ROI)为5.7%。
在边缘应用在机器学习的优势
机器学习是使用数据和算法对人类学习过程进行人工模拟。借助边缘人工智能的机器学习可以提供帮助，特别是对于严重依赖物联网设备的企业。
以下将阐述了边缘应用在机器学习的一些优点。
●隐私：信息和数据如今成为最有价值的资产，消费者对其数据的位置持谨慎态度。能够在其应用程序中提供支持人工智能的个性化功能的企业，可以让用户了解他们的数据是如何收集和存储的。它提高了客户的品牌忠诚度。
●降低延迟：大多数数据处理都是在网络和设备级别进行的。边缘人工智能消除了跨网络和设备发送大量数据的要求；从而改善用户体验。
●最小带宽：拥有数千个物联网设备的企业每天都必须将大量数据传输到云端。然后在云端执行分析，并将分析结果重新传输回设备。如果没有更广泛的网络带宽和云存储，这个复杂的过程将变成一项不可能完成的任务，更不用说在此过程中暴露敏感信息的可能性。
然而，边缘人工智能实现了Cloudlet技术，即位于网络边缘的小规模云存储。Cloudlet技术增强了移动性，降低了数据传输的负载。因此，它可以降低数据服务的成本，提高数据流的速度和可靠性。
●低成本的数字基础设施：亚马逊公司表示，90%的数字基础设施成本来自推理（机器学习中一个重要的数据生成过程）。在RightScale公司最近进行的一项研究中，接受调查的企业中有60%认为节省成本的目标隐藏在云计算计划中。相比之下，边缘人工智能消除了在基于云的数据中心执行的人工智或机器学习过程所产生的高昂费用。
影响边缘人工智能开发的技术
数据科学、机器学习和物联网开发等知识的发展在边缘人工智能领域发挥着更重要的作用。然而，真正的挑战在于严格遵循计算机科学发展的轨迹。特别是可以完美融入人工智能和机器学习生态系统的下一代人工智能应用程序和设备。
幸运的是，边缘计算领域正在见证有希望的硬件开发，这将缓解边缘人工智能目前的限制。Sima.ai、Esperanto Technologies和AIStorm等初创公司是少数开发可以处理繁重人工智能工作负载的微芯片的企业之一。
2017年8月，英特尔公司以153亿美元收购了以色列视觉安全技术开发商Mobileye公司。近日，科技巨头百度公司启动了第二代昆仑人工智能芯片的量产，这是一种用于边缘计算的超快微芯片。
除了微芯片之外，谷歌的Edge TPU、英伟达的Jetson Nano以及亚马逊、微软、英特尔和华硕也开始了主板开发的浪潮，以增强边缘计算的实力。亚马逊的AWS DeepLens是世界上第一个支持深度学习的摄像头是这方面的一项重大发展。
边缘人工智能的挑战
●数据质量差：全球主要互联网服务提供商的数据质量差是边缘人工智能研发的主要障碍。最近的一份Alation报告显示，87%的受访者（主要是IT公司的员工）确认数据质量差是他们的组织未能实施边缘人工智能基础设施的原因。
●易受攻击的安全功能：一些数字专家声称边缘计算的去中心化特性增加了其安全功能。但实际上，本地汇集的数据需要更多位置的安全性。这些增加的物理数据点使边缘人工智能基础设施容易受到各种网络攻击。
●有限的机器学习能力：机器学习需要在边缘计算硬件平台上有更大的计算能力。在边缘人工智能基础设施中，计算性能仅限于边缘或物联网设备的性能。在大多数情况下，大型复杂的边缘人工智能模型必须在部署到边缘人工智能硬件之前进行简化，以提高其准确性和效率。
边缘人工智能的用例
●虚拟助理
亚马逊公司的Alexa或苹果公司的Siri等虚拟助手是边缘人工智能发展的巨大受益者，这使他们的机器学习算法能够从存储在设备上的数据中快速进行深度学习，而不是依赖于存储在云中的数据。
●自动光学检测
自动光学检测在生产线中发挥着重要作用。借助自动化的边缘人工智能视觉分析，它可以检测生产线组装部件的故障部件。自动光学检测允许高度准确的超快速数据分析，而无需依赖大量基于云的数据传输。
●自动驾驶汽车
支持边缘人工智能的自动驾驶汽车具有更快、更准确的决策能力，可以比人类更好地识别道路交通元素并更轻松地导航旅行路线。它可以在没有人工干预的情况下实现更快、更安全的运输。
结语
除了以上讨论的所有用例之外，边缘人工智能还可以在面部识别技术、增强工业物联网安全和紧急医疗护理方面发挥关键作用。边缘人工智能的用例列表每天都在增长。在不久的将来，通过满足每个人的个人需要和业务需求，边缘人工智能将成为一种日常的技术。
