對於新創公司和大型企業而言，致力於新技術和變革性技術對於確保當前和未來的競爭力至關重要。人工智慧(AI) 為越來越廣泛的產業提供多方面的解決方案。
在當前的經濟環境下，研發資金必須比以往任何時候都更加充分。企業對未來技術和基礎設施的投資往往不以為然，而失敗的風險卻給專案利害關係人帶來了巨大壓力。
然而，這並不意味著創新應該停止甚至放緩。對於新創公司和大型企業而言，致力於新技術和變革性技術對於確保當前和未來的競爭力至關重要。人工智慧(AI) 為越來越廣泛的產業提供多方面的解決方案。
在過去十年中，人工智慧在釋放全新的收入機會方面發揮了重要作用。從理解和預測使用者行為到協助產生程式碼和內容，人工智慧和機器學習 (ML) 革命已經使消費者從他們的應用程式、網站和線上服務中獲得的價值倍增。
然而，這場革命在很大程度上僅限於雲，其中幾乎無限的存儲和計算，以及主要公共雲服務提供商提供的方便的虛擬硬件，使得為每個AI/ML應用建立最佳實踐模式變得相對容易可以想像。
由於AI處理主要發生在雲端，因此AI/ML革命對於邊緣設備來說仍然遙不可及。這些是在工廠車間、建築工地、研究實驗室、自然保護區、我們佩戴的配件和衣服上、我們運送的包裹內以及任何其他需要連接的環境中發現的更小、低功耗的處理器、儲存、運算和能源是有限的或不能被視為理所當然。在他們的環境中，計算週期和硬體架構很重要，預算不是以端點或套接字連接的數量來衡量的，而是以瓦特和奈秒來衡量的。
希望打破人工智慧/機器學習領域下一個技術障礙的技術長、工程、數據和機器學習領導者以及產品團隊必須將目光投向邊緣。邊緣AI和邊緣ML提出了獨特而複雜的挑戰，需要許多利益相關者的精心協調和參與，這些利益相關者俱有從系統集成、設計、運營和物流到嵌入式、數據、IT 和ML工程的廣泛專業知識。
邊緣AI意味著演算法必須在某種特定用途的硬體中運行，從高階的網關或本地伺服器到低端的能量收集感測器和MCU。確保此類產品和應用的成功需要數據和ML團隊與產品和硬體團隊密切合作，以了解和考慮彼此的需求、限制和要求。
雖然建立客製化邊緣AI解決方案的挑戰並非無法克服，但存在用於邊緣AI演算法開發的平台可以幫助彌合必要團隊之間的差距，確保在更短的時間內取得更高水平的成功，並驗證進一步投資的方向應該製作。以下是其他需要注意的事項。
由資料科學和ML團隊開發演算法，然後將其傳遞給韌體工程師以將其安裝在設備上，這既不高效也不總是可能的。硬體在環測試和部署應該是任何邊緣 AI 開發管道的基本組成部分。如果沒有同時在硬體上運行和測試演算法的方法，則很難預見在開發邊緣AI演算法時可能出現的記憶體、效能和延遲限制。
一些基於雲端的模型架構也不意味著在任何類型的受限或邊緣設備上運行，提前預測可以為韌體和ML團隊節省數月的痛苦。
大數據是指可以分析以揭示模式或趨勢的大型資料集。然而，物聯網(IoT) 數據並不一定與數量有關，而是與數據的品質有關。此外，此數據可以是時間序列感測器或音訊數據，或影像，並且可能需要進行預處理。
將數位訊號處理 (DSP) 等傳統感測器資料處理技術與AI/ML結合，可以產生新的邊緣AI演算法，提供以前技術無法實現的準確洞察力。但物聯網數據不是大數據，因此用於邊緣人工智慧開發的這些數據集的數量和分析會有所不同。根據生成的模型準確性和性能快速試驗資料集大小和品質是通往生產可部署演算法道路上的重要一步。
如果不知道所選硬體是否可以運行邊緣AI軟體工作負載，則建立硬體很困難。在選擇材料清單之前就開始對硬體進行基準測試至關重要。對於現有硬件，設備上可用記憶體的限制可能更為關鍵。
即使使用早期的小型資料集，邊緣AI開發平台也可以開始提供運行AI工作負載所需的硬體類型的效能和記憶體估計。
有一個流程來權衡裝置選擇和基準測試與早期版本的邊緣AI模型可確保硬體支援到位，以支援將在裝置上運行的所需韌體和AI模型。
#選擇開發平台時，也值得考慮不同廠商提供的工程支援。 Edge AI包含數據科學、ML、韌體和硬件，供應商在內部開發團隊可能需要一些額外支援的領域提供指導非常重要。
在某些情況下，它不是關於將要開發的實際模型，而是更多關於系統級設計流程的規劃，包括資料基礎設施、ML開發工具、測試、部署環境和持續整合、持續部署(CI /CD) 管道。
最後，對於邊緣AI開發工具而言，重要的是要適應團隊中的不同使用者—從ML工程師到韌體開發人員。低程式碼/無程式碼使用者介面是快速建立新應用原型和建立新應用程式的好方法，而API和SDK對更有經驗的ML開發人員很有用，他們可以從Jupyter notebooks使用Python更好更快地工作。
平台提供了存取靈活性的優勢，迎合了建構邊緣AI應用的跨職能團隊中可能存在的多個利害關係人或開發人員的需求。
以上是如何利用邊緣AI發現新機會？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
