處於邊緣的人工智慧不斷在發展，應用數不勝數，自動駕駛汽車、藝術、醫療保健、個人化廣告和客戶服務都可以使用它。理想情況下，邊緣體系結構由於更接近請求而提供較低的延遲。
據預測，邊緣人工智慧市場將從2021年的140萬美元成長到2027年的800萬美元，複合年增長率為29.8%。這種成長將在很大程度上來自物聯網的人工智慧、穿戴式消費設備，以及5G網路中對更快運算的需求等因素。這些帶來了機會和保留，因為邊緣人工智慧的即時數據很容易受到網路攻擊。
讓我們來看看明年可能塑造邊緣人工智慧領域的五個趨勢。
如今的巨大變化之一是能夠在沒有雲端連線的情況下運行AI處理。例如最近發布的兩款新晶片設計，可以將物聯網設備的處理能力提升到極致，跳過遠端伺服器或雲端運算。他們目前的Cortex-M處理器可以處理物件識別，而手勢或語音識別等其他功能隨著ARM的Ethos-U55的加入而發揮作用。谷歌的Coral是一個使用本地人工智慧建立產品的工具包，它也承諾「離線」處理大量人工智慧。
機器學習操作的最佳實踐將證明邊緣人工智慧是一個有價值的業務流程。 It生產需要一個新的生命週期——或者，至少，這是MLOps開發過程中的推測。 MLOps可以幫助企業資料流並將其推送到邊緣。隨著越來越多的企業發現在邊緣人工智慧方面什麼最適合他們，持續的更新周期可能會被證明是有效的。
為了在邊緣進行更多的處理，公司需要客製化晶片來提供足夠的功率。例如人工智慧加速器晶片與軟體套件配對，該套件實質上將AI模型轉換為計算圖。 IBM在2021年發布了他們的第一款加速器硬件，旨在打擊詐欺行為。
電腦視覺仍然是邊緣人工智慧的主要用途之一。該領域的一個主要發展是多模態人工智慧，它從多個數據來源提取數據，超越自然語言理解，分析姿勢並執行檢查和視覺化。這對於與人無縫互動的人工智慧來說可能會派上用場，例如購物助理。
高階視覺演算法現在可以透過使用更細粒度的特徵對物體進行分類。它可以更深入地確定品牌和型號，而不是識別汽車。
訓練模型來辨識每個物件特有的粒度特徵是很困難的。然而，使用細粒度資訊的特徵表示、提取特定特徵的分割、規範化物件姿態的演算法和多層卷積神經網路等方法都是目前實現這一目標的方法。
初期的企業用例包括品質控制、即時供應鏈追蹤、使用快照識別內部位置和偵測深度偽造。
5G和更先進的技術即將到來。衛星網路和6G正在等待電信供應商的到來。對於我們其他人來說，在完全進入下一代網路之前，還需要一些時間在與一些5G服務相容的4G核心網路之間過渡。
這跟邊緣人工智慧有什麼關係？ 5G上的AI可以為AI應用帶來更好的效能和安全性。它可以提供人工智慧所需的一些低延遲優勢，並開啟新的應用，如工廠自動化、收費和車輛遙測，以及智慧供應鏈專案。
邊緣人工智慧的新興趨勢比我們能列出的要多。特別是，它的發展可能需要人類方面的一些改變。邊緣人工智慧管理將成為IT部門的工作，使用IT資源而不是讓業務線管理邊緣解決方案可以優化成本。
以上是邊緣人工智慧：五個趨勢值得關注的詳細內容。更多資訊請關注PHP中文網其他相關文章！
