人工智能仿佛距離我們還很遙遠(yuǎn),，但其實(shí)早已來(lái)到人們的日常生活當(dāng)中,。許多人在每天使用智能手機(jī)的語(yǔ)音文本轉(zhuǎn)換助手或者指紋識(shí)別等應(yīng)用時(shí)，就會(huì)接觸到人工智能,。在物聯(lián)網(wǎng)應(yīng)用中,，人工智能可以幫助識(shí)別物聯(lián)網(wǎng)邊緣設(shè)備的模式并檢測(cè)相關(guān)參數(shù)的變化。這些物聯(lián)網(wǎng)邊緣設(shè)備通常搭載傳感器,，能夠感知溫度,、壓力等環(huán)境因素的變化。
通常,，簡(jiǎn)單的嵌入式邊緣設(shè)備通過(guò)應(yīng)用環(huán)境中的傳感器采集數(shù)據(jù),，并將數(shù)據(jù)傳輸?shù)皆贫耍稍苹A(chǔ)設(shè)施中的人工智能系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行分析和推理,。但隨著物聯(lián)網(wǎng)實(shí)施過(guò)程中對(duì)實(shí)時(shí)決策的需求不斷增長(zhǎng),，對(duì)連接和數(shù)據(jù)處理的需求也在增加，而且不可能總是將所有的數(shù)據(jù)都傳輸?shù)皆贫诉M(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(yùn)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(jī)器學(xué)習(xí),、預(yù)測(cè)分析和神經(jīng)網(wǎng)絡(luò)等多種技術(shù),。采集自邊緣設(shè)備的數(shù)據(jù)會(huì)被標(biāo)記，然后由數(shù)據(jù)工程師準(zhǔn)備好管道將其輸入數(shù)據(jù)模型,。這些工程師擁有圍繞大數(shù)據(jù)創(chuàng)建軟件解決方案的專業(yè)技能,。擅長(zhǎng)數(shù)學(xué)、統(tǒng)計(jì)學(xué)以及C和C++等編程語(yǔ)言的數(shù)據(jù)科學(xué)家利用針對(duì)各種已知應(yīng)用程序進(jìn)行了微調(diào)的機(jī)器學(xué)習(xí)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),、決策樹或推理規(guī)則集等不同的形式呈現(xiàn)。
機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)兩種,。無(wú)監(jiān)督學(xué)習(xí)(只提供輸入變量,，沒(méi)有相應(yīng)的輸出變量)可以幫助開發(fā)者更透徹地解讀數(shù)據(jù)，而監(jiān)督學(xué)習(xí)則是大多數(shù)實(shí)用機(jī)器學(xué)習(xí)的基礎(chǔ),。在監(jiān)督機(jī)器學(xué)習(xí)的訓(xùn)練階段,，需要挖掘大量的數(shù)據(jù)流，以通過(guò)多重計(jì)算提取有用的模式或推論,，從而做出預(yù)測(cè),。
在人工智能的應(yīng)用階段，可以通過(guò)Tensorflow等標(biāo)準(zhǔn)框架,，將自邊緣設(shè)備采集的數(shù)據(jù)輸入從可用數(shù)據(jù)模型中選出的模型,。建模過(guò)程需要相當(dāng)強(qiáng)大的數(shù)據(jù)處理能力，通常云站點(diǎn)和大型數(shù)據(jù)中心等核心節(jié)點(diǎn)位置才具備這樣的處理能力,。
在部署階段,，一切開始變得有趣。比如,，邊緣設(shè)備可以從共享資源庫(kù)訪問(wèn)與所選模型相關(guān)的軟件包,，而不必過(guò)多依賴于云,。在健康監(jiān)測(cè)等領(lǐng)域，邊緣計(jì)算可以讓需要針對(duì)用戶進(jìn)行無(wú)監(jiān)督機(jī)器學(xué)習(xí)的可穿戴設(shè)備獲益頗多,。此外,，在未經(jīng)事先學(xué)習(xí)的情況下，定制的應(yīng)用程序若要實(shí)現(xiàn)迅速推理,，通常需要極高的數(shù)據(jù)處理能力作為支撐,，而這正是邊緣人工智能的專長(zhǎng)所在。
在大多數(shù)情況下,，由于受技術(shù)或能耗的限制,，數(shù)據(jù)不可能全都傳輸?shù)饺斯ぶ悄芩诘脑啤＠缯Z(yǔ)音或視頻識(shí)別等應(yīng)用,，需要立即對(duì)內(nèi)容進(jìn)行辨識(shí)并做出推論,，而且不能出現(xiàn)通信延遲。在有些情況下,，部署無(wú)法提供穩(wěn)定的連接,，因此需要一種可擴(kuò)展的混合架構(gòu)，將所需的模型構(gòu)建在云上但推理任務(wù)在邊緣執(zhí)行,。這種方式只需將少量數(shù)據(jù)傳輸?shù)胶诵墓?jié)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(yīng)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(shù)據(jù)的硬件和軟件,，不同應(yīng)用場(chǎng)景下的訓(xùn)練模型所使用的軟件，以及在物聯(lián)網(wǎng)設(shè)備上運(yùn)行人工智能模型的應(yīng)用軟件,。在邊緣設(shè)備上運(yùn)行的微服務(wù)軟件負(fù)責(zé)根據(jù)用戶的要求啟動(dòng)邊緣設(shè)備上的人工智能程序包,。在邊緣設(shè)備內(nèi)，用到的是在訓(xùn)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(kuò)展為包含聚合和工程特性。
智能邊緣設(shè)備部署在帶寬窄且網(wǎng)絡(luò)連接斷斷續(xù)續(xù)的電池供電應(yīng)用中,。因而邊緣設(shè)備制造商正在構(gòu)建這樣的傳感器,，它們具有集成處理和存儲(chǔ)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(shì)凸顯
雖然此類設(shè)計(jì)的復(fù)雜性可能會(huì)使邊緣設(shè)備變得昂貴，但它所帶來(lái)的裨益遠(yuǎn)遠(yuǎn)超出了相關(guān)成本,。
除了實(shí)時(shí)快速響應(yīng)之外,，邊緣人工智能還具有諸多的顯著優(yōu)勢(shì),，比如邊緣設(shè)備本身更高的安全性以及在網(wǎng)絡(luò)間往返傳輸?shù)臄?shù)據(jù)較少等。由于每個(gè)應(yīng)用程序都構(gòu)建了定制的解決方案,，因而邊緣人工智能非常靈活,。邊緣設(shè)備當(dāng)中預(yù)置了推斷功能，因此對(duì)操作和維護(hù)技能的要求比較低,。
在邊緣計(jì)算中,，開發(fā)人員還可以將一些復(fù)雜的操作轉(zhuǎn)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(zhí)行,，從而將計(jì)算分布到整個(gè)網(wǎng)絡(luò)當(dāng)中,。由于數(shù)據(jù)在本地存儲(chǔ)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(xù)或沒(méi)有網(wǎng)絡(luò)連接的區(qū)域進(jìn)行部署,。
一般而言，通過(guò)構(gòu)建機(jī)器學(xué)習(xí)模型來(lái)解決挑戰(zhàn)是十分復(fù)雜的事情,。開發(fā)者必須管理海量的模型訓(xùn)練數(shù)據(jù),，選擇可以實(shí)施的最佳算法并管理訓(xùn)練模型的云服務(wù)等。然后,，應(yīng)用程序開發(fā)者使用Python等編程語(yǔ)言將模型部署到生產(chǎn)環(huán)境當(dāng)中,。智能邊緣設(shè)備制造商將會(huì)發(fā)現(xiàn)，投入資源從零開始在邊緣實(shí)施人工智能異常艱難,。
但是,，安富利的SmartEdge Agile等設(shè)備為智能邊緣設(shè)備制造商們帶來(lái)了福音。SmartEdge Agile物聯(lián)網(wǎng)設(shè)備搭載了各種類型的傳感器,，并且內(nèi)置人工智能軟件棧,。通過(guò)Brainium和微軟的Azure Sphere等相關(guān)開發(fā)平臺(tái)和軟件工作室，用戶能夠利用現(xiàn)成的人工智能算法數(shù)據(jù)庫(kù)實(shí)現(xiàn)監(jiān)督和無(wú)監(jiān)督機(jī)器學(xué)習(xí),，且無(wú)需編寫任何代碼就能將模型部署到設(shè)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(shù)值，并對(duì)這些數(shù)據(jù)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(fù)雜的物聯(lián)網(wǎng)空間變得更加復(fù)雜，而邊緣人工智能更是讓物聯(lián)網(wǎng)的復(fù)雜度翻倍,。但是借助合適的平臺(tái)和合作伙伴的支持,，開發(fā)者便可以駕馭這一復(fù)雜性，并實(shí)現(xiàn)遠(yuǎn)遠(yuǎn)超越語(yǔ)音識(shí)別和指紋識(shí)別的創(chuàng)新,。