边缘智能是边缘计算的进一步发展。它允许智能传感器节点在本地进行决策，并可选择将数据发送到网关进行进一步筛选，最后再传送到云端或其他存储系统。边缘智能结合了人工智能和边缘计算，使其不再依赖云端，而是直接通过本地感测信息，并通过实时决策应用程序快速响应环境的变化。这一技术的出现将为各行业带来更高效的数据处理和更快速的决策能力。
机器学习方面
机器学习(ML)是边缘智能的核心，通过检测数据流中的模式和异常来触发适当的响应。ML的应用广泛，包括工厂、智能城市、智能电网、增强现实和虚拟现实、联网车辆和医疗保健系统。ML模型在云端进行训练，然后用于赋予边缘设备智能能力。
机器学习是创建功能性AI的有效方法。决策树、贝叶斯网络和K均值聚类等ML技术，用于AI实体的分类和预测。深度学习利用人工神经网络，执行图像分类和人脸识别等多项任务。
人工智能方面
机器学习在制造业中变得非常流行，而人工智能则更多应用于从社交媒体内容、商业信息学和在线购物记录等事物中收集的大数据。将大量数据从IoT设备传输到云端进行分析，成本昂贵又低效。而边缘智能则将云服务从网络核心推到网络边缘来处理，边缘节点传感器可以是智能手机或其他移动设备。
其中实时视频分析预计将成为边缘计算的一个非常流行的应用程序。作为建立在计算机视觉之上的应用，实时视频分析将不断收集从监控摄像头拍摄的高清视频。这些应用程序需要高计算、高带宽和低延迟来分析视频。这可以通过将云的AI扩展到覆盖边缘的网关来实现。
1.低延迟智能
云计算或集中式系统一直存在延迟问题。捕获数据并将其发送到中央位置、处理和响应需要花费一些时间，并且无助于实时的决策制定。
边缘智能的核心优势是减少延迟，从而执行接近实时的可操作事件，从而提高整个系统的性能。这也使云计算和集中式系统无需处理原始和不相关的数据，它们可以处理高度结构化、上下文丰富的可操作数据。通过这种方式，不仅可以改善边缘的延迟，还可以改善整个系统的延迟。
2.低带宽数据存储
在任何物联网模型中，传输数千个边缘设备收集的所有数据对带宽的要求都非常高。随着这些设备数量的增加，它也会呈指数级增长。远程站点位置甚至可能没有带宽来从云服务器来回传输数据和分析。边缘智能有助于执行分析并采取所需的操作。它可以存储稍后可以收集的数据、元数据和操作报告。
3.线性可扩展性
边缘智能架构可以随着物联网部署的增长而线性扩展。边缘智能架构利用已部署设备的计算能力。它可以承担执行深度学习和机器学习模型的重任。这减轻了集中式云系统的压力，因为边缘设备分担了执行智能功能的主要负担。
4.降低运营成本
由于边缘智能在本地对时间敏感的数据进行操作，因此可以节省大量的云空间，因为它们为中央系统提供内容丰富的数据。这也降低了运营成本。边缘智能为所有连接的IoT设备实时驱动操作，这使专业人员能够更有效地部署和维护设备。
边缘智能架构中的4个主要组件：边缘缓存、边缘训练、边缘推理和边缘卸载。
1.边缘缓存
在边缘智能下，边缘缓存主要处理从最终用户及其周围环境传到边缘设备的传入分布式数据。除了这些数据，边缘设备本身生成的数据也属于边缘缓存。此外，移动传感器收集环境数据，并在合理的地方进行处理和存储，供人工智能算法使用，为用户提供服务。
该模块负责完整的边缘数据存储管理。
2.边缘训练
迄今为止，部署在智能边缘上的人工智能模型的训练大多是集中式的。我们在配备强大GPU的强大中央服务器上训练深度学习模型，并使用其兼容的边缘SDK和运行时环境将它们移植到边缘设备。这仍然是控制使用云连接或其他IO接口将模型重新训练和部署到边缘设备的最佳方式。但是对于真正的边缘智能架构，我们需要实现边缘训练。
边缘训练是指为部署在数据上的模型学习权重和偏差的最佳值或识别在边缘捕获的训练数据上的隐藏模式的过程。
3.边缘推理
边缘推理是通过计算边缘设备上的输出来评估训练模型或算法在测试数据集上的性能的过程。
4.边缘卸载
边缘卸载是边缘智能的另一个重要特征，其中边缘设备可以将某些任务，如边缘训练、边缘缓存或边缘推理卸载到网络中的其他边缘设备。它类似于分布式计算范式，其中边缘设备创建智能生态系统。边缘卸载是其他三个组件之上的抽象服务层，因此非常重要，它还提供了一种故障安全策略来克服独立边缘设备的不足。结构化和有效的实施将使边缘智能充分发挥边缘环境中的可用资源。
以上是边缘智能：定义、应用、组成和优势的详细内容。更多信息请关注PHP中文网其他相关文章！
