蓝盟IT小贴士，来喽！
由于处理能力和内存消耗的广泛需求和AI模型的规模，这些部署大多依赖于云。 云部署使AI能够从高性能计算系统的功能中受益，但挑战依然存在。 如果需要从设备向云发送和接收数据以进行处理，则会引起隐私问题，延迟、带宽和连接性受到限制。
这使行业开始专注于边缘AI的开发。 这是上一篇文章中提到的主题。 这些工作主要围绕引入训练AI模型的新方法，这些方法可以减少占用空间，因此这些模型可以直接部署在边缘设备上。
边缘AI通过让智能设备实时做出真正的自主决策，解决深云的不足，促进深入学习。 具体来说，不需要将所有数据连续发送到云，也不需要从云连续发送，从而改善了隐私、带宽和延迟限制。 此外，新的边缘AI部署方法大大提高了速度、功耗和内存消耗，降低了成本，限制了对环境的影响。
一个人的利益不能完全被另一个人取代。 因此，最有影响力的现实世界AI部署将是采用混合云和边缘方法的部署。 但是，混合方法是什么样的呢？
混合配置的免费工作流程可以取得更好的结果。
第一步是确定需要在边缘实时做出决策的用例，通过云处理的方案，取消效率和可扩展性最大化的工作流，以便进行长期分析和改进。
在智能边缘设备的顶部部署深度学习需要实时决策，如汽车、农业无人机、系统、相机和移动设备。 同时，系统可以将数据上传到云中保存，进行进一步的处理和分析。 这些处理和分析可以通过更强大的引擎来执行。 这使系统能够实现大功率计算的好处，并将云中的数据与其他系统的数据相结合。
利用这些组合数据，可以重新训练模型，进行持续的改善。 在云上进行重新训练后，可以将新模型重新定位在边缘上。
与采用单一方法相比，整合云AI和边缘部署的好处更强。 具体来说，云AI的处理能力和高性能可以补充边缘AI的效率、速度和自主性。
混合方法在行动
人工智能在自动驾驶车上的应用是说明补充方法优点的特定用例。
在这个用例中重要的是，AI模型必须在边缘直接在设备和车辆上运行，以便汽车安全行驶。 如果汽车在将数据发送到云进行处理之前无法采取行动，则无法应对，无法迅速做出决策以确保安全。 此外，我们不能保证车辆保持连续的互联网连接。但是，汽车制造商不仅可以从实时决策中受益，还可以从捕获数据中受益。 将收集的数据发送到云进行处理是不断改进和重新训练模型的关键。 这不仅能彻底处理设备的数据，还能把深入学习的见解和从其他边缘设备收集的数据结合起来，进行更大的输入和理解。 基于这一知识，可以不断改进算法来发展自动驾驶车系统。
下一步是什么？ 边缘AI与云AI的进化
随着越来越多的组织在云和边缘利用AI的力量，越来越多的深度学习应用程序可以提供现实价值。
5G的崛起将继续推动深入学习的发展。 随着5G的普及，超级计算的可访问性提高。 具体而言，5G使从边缘到云的数据共享更无缝高效，从而促进更高效的数据处理。

文/上海蓝盟  IT外包专家

• 上一篇: 蓝盟IT外包，元宇宙：四梁八柱是什么
  下一篇: 蓝盟IT外包，容器云开发，你对这些必要知识了解多少？

• 分享到：