通常，簡(jiǎn)單的嵌入式邊緣設備通過(guò)應用環(huán)境中的傳感器采集數據，并將數據傳輸到云端，由云基礎設施中的人工智能系統對數據進(jìn)行分析和推理。但隨著(zhù)物聯(lián)網(wǎng)實(shí)施過(guò)程中對實(shí)時(shí)決策的需求不斷增長(cháng)，對連接和數據處理的需求也在增加，而且不可能總是將所有的數據都傳輸到云端進(jìn)行人工智能處理。此文旨在探討在邊緣部署人工智能如何能夠提高物聯(lián)網(wǎng)的運作和實(shí)施效率并降低成本。
探索物聯(lián)網(wǎng)解決方案中的人工智能，解鎖無(wú)限潛能
人工智能技術(shù)包括機器學(xué)習、預測分析和神經(jīng)網(wǎng)絡(luò )等多種技術(shù)。采集自邊緣設備的數據會(huì )被標記，然后由數據工程師準備好管道將其輸入數據模型。這些工程師擁有圍繞大數據創(chuàng )建軟件解決方案的專(zhuān)業(yè)技能。擅長(cháng)數學(xué)、統計學(xué)以及C和C++等編程語(yǔ)言的數據科學(xué)家利用針對各種已知應用程序進(jìn)行了微調的機器學(xué)習算法創(chuàng )建人工智能模型。這些模型最終以神經(jīng)網(wǎng)絡(luò )、決策樹(shù)或推理規則集等不同的形式呈現。
機器學(xué)習分為監督學(xué)習和無(wú)監督學(xué)習兩種。無(wú)監督學(xué)習(只提供輸入變量，沒(méi)有相應的輸出變量)可以幫助開(kāi)發(fā)者更透徹地解讀數據，而監督學(xué)習則是大多數實(shí)用機器學(xué)習的基礎。在監督機器學(xué)習的訓練階段，需要挖掘大量的數據流，以通過(guò)多重計算提取有用的模式或推論，從而做出預測。
在人工智能的應用階段，可以通過(guò)Tensorflow等標準框架，將自邊緣設備采集的數據輸入從可用數據模型中選出的模型。建模過(guò)程需要相當強大的數據處理能力，通常云站點(diǎn)和大型數據中心等核心節點(diǎn)位置才具備這樣的處理能力。
在部署階段，一切開(kāi)始變得有趣。比如，邊緣設備可以從共享資源庫訪(fǎng)問(wèn)與所選模型相關(guān)的軟件包，而不必過(guò)多依賴(lài)于云。在健康監測等領(lǐng)域，邊緣計算可以讓需要針對用戶(hù)進(jìn)行無(wú)監督機器學(xué)習的可穿戴設備獲益頗多。此外，在未經(jīng)事先學(xué)習的情況下，定制的應用程序若要實(shí)現迅速推理，通常需要極高的數據處理能力作為支撐，而這正是邊緣人工智能的專(zhuān)長(cháng)所在。
在大多數情況下，由于受技術(shù)或能耗的限制，數據不可能全都傳輸到人工智能所在的云。例如語(yǔ)音或視頻識別等應用，需要立即對內容進(jìn)行辨識并做出推論，而且不能出現通信延遲。在有些情況下，部署無(wú)法提供穩定的連接，因此需要一種可擴展的混合架構，將所需的模型構建在云上但推理任務(wù)在邊緣執行。這種方式只需將少量數據傳輸到核心節點(diǎn)位置，從而能夠優(yōu)化帶寬效率并降低延時(shí)、提高響應速度。
如何部署邊緣人工智能
典型的邊緣人工智能模型的基本組成部分包括：用于捕捉傳感器數據的硬件和軟件，不同應用場(chǎng)景下的訓練模型所使用的軟件，以及在物聯(lián)網(wǎng)設備上運行人工智能模型的應用軟件。在邊緣設備上運行的微服務(wù)軟件負責根據用戶(hù)的要求啟動(dòng)邊緣設備上的人工智能程序包。在邊緣設備內，用到的是在訓練階段確定的特征選擇和特征變換。這些模型可以定制為合適的功能組合，這些功能組合可以擴展為包含聚合和工程特性。
智能邊緣設備部署在帶寬窄且網(wǎng)絡(luò )連接斷斷續續的電池供電應用中。因而邊緣設備制造商正在構建這樣的傳感器，它們具有集成處理和存儲功能，采用BLE、Lora和NB-IoT等被廣泛使用的低速通信協(xié)議，占用空間小且功耗低。
讓物聯(lián)網(wǎng)富有智慧，邊緣人工智能優(yōu)勢凸顯
雖然此類(lèi)設計的復雜性可能會(huì )使邊緣設備變得昂貴，但它所帶來(lái)的裨益遠遠超出了相關(guān)成本。
除了實(shí)時(shí)快速響應之外，邊緣人工智能還具有諸多的顯著(zhù)優(yōu)勢，比如邊緣設備本身更高的安全性以及在網(wǎng)絡(luò )間往返傳輸的數據較少等。由于每個(gè)應用程序都構建了定制的解決方案，因而邊緣人工智能非常靈活。邊緣設備當中預置了推斷功能，因此對操作和維護技能的要求比較低。
在邊緣計算中，開(kāi)發(fā)人員還可以將一些復雜的操作轉移到由本地網(wǎng)絡(luò )中的邊緣處理器(如路由器、網(wǎng)關(guān)和服務(wù)器)執行，從而將計算分布到整個(gè)網(wǎng)絡(luò )當中。由于數據在本地存儲以及智能也在本地引入，這些邊緣處理器具有良好的操作可靠性，這有助于在連接時(shí)斷時(shí)續或沒(méi)有網(wǎng)絡(luò )連接的區域進(jìn)行部署。
一般而言，通過(guò)構建機器學(xué)習模型來(lái)解決挑戰是十分復雜的事情。開(kāi)發(fā)者必須管理海量的模型訓練數據，選擇可以實(shí)施的最佳算法并管理訓練模型的云服務(wù)等。然后，應用程序開(kāi)發(fā)者使用Python等編程語(yǔ)言將模型部署到生產(chǎn)環(huán)境當中。智能邊緣設備制造商將會(huì )發(fā)現，投入資源從零開(kāi)始在邊緣實(shí)施人工智能異常艱難。
但是，安富利的SmartEdge Agile等設備為智能邊緣設備制造商們帶來(lái)了福音。SmartEdge Agile物聯(lián)網(wǎng)設備搭載了各種類(lèi)型的傳感器，并且內置人工智能軟件棧。通過(guò)Brainium和微軟的Azure Sphere等相關(guān)開(kāi)發(fā)平臺和軟件工作室，用戶(hù)能夠利用現成的人工智能算法數據庫實(shí)現監督和無(wú)監督機器學(xué)習，且無(wú)需編寫(xiě)任何代碼就能將模型部署到設備。他們還可以創(chuàng )建多種小程序來(lái)實(shí)時(shí)查看傳感器給出的數值，并對這些數據進(jìn)行保存以備將來(lái)使用。
的確，人工智能會(huì )讓本已十分復雜的物聯(lián)網(wǎng)空間變得更加復雜，而邊緣人工智能更是讓物聯(lián)網(wǎng)的復雜度翻倍。但是借助合適的平臺和合作伙伴的支持，開(kāi)發(fā)者便可以駕馭這一復雜性，并實(shí)現遠遠超越語(yǔ)音識別和指紋識別的創(chuàng )新。
