本文來自千家網(wǎng)，作者：Sean Kinney。
在邊緣運行人工智能工作負載可以實現(xiàn)更好的經(jīng)濟效益、更快的決策制定和自動化
如果你拋開炒作，拋開技術復雜性，拋開曠日持久的概念驗證，5G就是利用高帶寬、低延遲空中接口來盡可能實時地移動數(shù)據(jù)、分析數(shù)據(jù)以及對數(shù)據(jù)采取行動。有了這種能力，各種類型的企業(yè)都可以實現(xiàn)各種可能的運營效率，將可以自動化的事情自動化，并在資產(chǎn)負債表上看到收益。為了加快決策制定并盡可能實現(xiàn)自動化，人工智能可以發(fā)揮明確的作用。而且，鑒于分布式網(wǎng)絡架構和云計算/存儲基礎設施分布的趨勢，駐留在創(chuàng)建數(shù)據(jù)的邊緣的人工智能為企業(yè)用戶帶來了眾多好處。
Volt Active Data產(chǎn)品管理主管Andrew Keene在最近由RCR Wireless News主辦的網(wǎng)絡研討會上闡述了邊緣人工智能的案例。他指出，邊緣人工智能不僅具有優(yōu)勢，而且“有時對于用例的可行性至關重要”。但為什么？
“其中一些用例會生成大量數(shù)據(jù)，其中大部分數(shù)據(jù)本身相對無用，”Keene解釋道。“但這一切都必須經(jīng)過處理才能使用例發(fā)揮作用。到云端的回程和傳輸成本可能令人望而卻步，但如果你能夠處理數(shù)據(jù)和邊緣，并且只將有價值的整合數(shù)據(jù)發(fā)送到云端進行進一步處理，那就可以解決問題。”
除了移動數(shù)據(jù)的經(jīng)濟現(xiàn)實之外，時間尺度也至關重要——Volt Active Data往往以個位數(shù)毫秒來衡量事物。“如果你能夠在邊緣做出更接近事件發(fā)生地點的決策，那么就可以再次解決超低延遲響應的問題。”這里的另一個含義是數(shù)據(jù)主權/安全；處理專有或受監(jiān)管數(shù)據(jù)的企業(yè)需要密切保存這些數(shù)據(jù)。“因此，分布式分層數(shù)據(jù)平臺可以在邊緣運行這些[機器學習]模型，并且只將整合的、寶貴的數(shù)據(jù)發(fā)送到云，可以緩解其中許多問題，并且實際上使一些用例變得可行，否則這些用例將無法實現(xiàn)。”。
回到在邊緣部署人工智能以加快決策制定的想法——除此之外，人工智能還可以不斷變得更好，因為它可以訪問越來越多的數(shù)據(jù)。“我們看到人們對機器學習模型的興趣日益濃厚......以增強各行業(yè)的許多不同的實時數(shù)據(jù)流程和用例，以自動實現(xiàn)持續(xù)的模型改進，”Keene說。這可以讓企業(yè)用戶獲得更好的結果，并有可能將改進的結果傳遞給他們的客戶。
Keene總結道：“真正構成強大解決方案的是，這些機器學習模型不僅不斷更新，通過從真實結果中學習來提高其準確度，而且在分布式平臺的邊緣執(zhí)行它們，以確保最佳響應時間，并減少將大量數(shù)據(jù)傳輸?shù)侥承┘惺紺cloud托管平臺時不必要的回程成本。”
人工智能和邊緣計算賦能物聯(lián)網(wǎng)
Keene表示，Volt的數(shù)據(jù)管理解決方案旨在支持一系列實時應用程序，并強調(diào)欺詐和威脅預防、超個性化、實時專用網(wǎng)絡SLA、流量管理、車隊管理、收費和策略、物聯(lián)網(wǎng)設備管理、合規(guī)性和安全性。監(jiān)管報告、邊緣優(yōu)化聯(lián)合決策和主動數(shù)字孿生。但是，他指出，“我們提供支持技術……而不是最終應用程序”，這是由他們的客戶和合作伙伴構建的。該公司的重點是“需要大規(guī)模、低延遲、準確性和彈性并且非常適合大規(guī)模執(zhí)行機器學習模型的應用程序”。
Keene舉了一個例子，在人口稠密的城市地區(qū)使用5G，通過主動路由來改善交通管理；這與傳統(tǒng)交通管理解決方案形成鮮明對比，例如設置為隨高峰、非高峰和其他靜態(tài)配置而變化的定時交通燈。通過在邊緣引入5G和人工智能驅動的處理，“智慧城市能夠從數(shù)百個交通攝像頭或其他端點獲取信息，并使用機器學習作為人工智能的一種形式來預測行為、發(fā)現(xiàn)發(fā)生的異常情況，以及實時引導交通遠離問題區(qū)域。”
工業(yè)4.0范疇內(nèi)的另一個例子是物聯(lián)網(wǎng)設備管理。Keene提出了一種假設操作，其中5G SIM卡用于連接、跟蹤和監(jiān)控各種人員和資產(chǎn)。“我們見過一些企業(yè)存在欺詐問題”，比如人們竊取SIM卡或含有SIM卡的資產(chǎn)。“該解決方案使用地理圍欄在設備移出其正常操作區(qū)域時進行阻止或發(fā)出警報，并發(fā)現(xiàn)設備變化的異常流量數(shù)據(jù)使用模式。機器學習模型學習常規(guī)的、可預測的使用模式和操作地理區(qū)域。因此，如果某個特定設備每周四下午離開現(xiàn)場收集一些東西是正常的，它不會將其標記為欺詐，而任何其他從不移出其區(qū)域的設備如果碰巧迷失，就會立即被標記為欺詐。”
作者：Sean Kinney
