深度學習已成為一種實用技術 現(xiàn)已成為許多需要人工智能應用的基礎

其中許多應用程序都托管在功能強大的服務器上的云中，因為任務有時涉及處理數(shù)據(jù)豐富的源，例如圖像，視頻和音頻。這些服務器通常需要加速硬件的附加性能，這些性能從圖形處理單元到定制設備不等。這對于數(shù)字密集型過程尤其重要，在此過程中，將對新數(shù)據(jù)訓練神經(jīng)網(wǎng)絡。

通常，使用訓練有素的網(wǎng)絡評估新數(shù)據(jù)的推理過程比訓練要少計算量。還有一些工作量涉及較少的數(shù)據(jù)密集型源，例如從IoT設備讀取傳感器，其中可以在性能較低的硬件上執(zhí)行訓練和推理。結果，系統(tǒng)設計師發(fā)現(xiàn)，一旦訓練了AI模型，就不必將工作負載放置在云中，盡管許多當前服務仍然出于業(yè)務原因而需要這樣做。取而代之的是，可以將訓練后的模型轉移到本地機器上，以便更靠近數(shù)據(jù)源進行處理。

邊緣AI的好處

使AI模型更接近網(wǎng)絡邊緣的原因很多。一個主要的驅動力是隱私和用戶接受度。例如，使用諸如智能揚聲器之類的設備的消費者越來越擔心要定期錄制他們的私人對話，并將其上傳到云服務以獲取可以在本地支持的服務。

控制系統(tǒng)還受到高通信延遲的不利影響。如果在閉環(huán)控制系統(tǒng)中使用AI模型，則從云中獲取更新的任何延遲都將導致不準確和不穩(wěn)定性的產(chǎn)生。某些系統(tǒng)可能混合使用云和本地處理。例如，監(jiān)控攝像機將通過在本地識別即時威脅來保留網(wǎng)絡帶寬，但隨后調用云以針對本地模型無法應對的情況執(zhí)行其他處理。

當AI位于邊緣時，電池壽命也顯著增加，因為通過網(wǎng)絡發(fā)送的數(shù)據(jù)更少，從而降低了網(wǎng)絡和云成本。

人工智能在預測性維護中的應用

當前，預測性維護是連接工業(yè)應用程序中最流行的用例。由于它能夠減少現(xiàn)場檢查的頻率，因此可提供高投資回報。通過準確識別組件的剩余可用服務時間，還可以減少機器的停機時間，從而可以利用其使用壽命，而不會冒著在運行期間發(fā)生故障的風險。根據(jù)運營數(shù)據(jù)預測使用壽命還有助于優(yōu)化維護計劃并準確確定正確的備件需求。使用預測性維護的客戶已經(jīng)看到效率提高了20%到25%。