人工智能 (AI) 不再只是科幻電影中的故事橋段,，已經(jīng)在切實(shí)改變著企業(yè)的工作方式,。開發(fā)人員不斷探索各種將AI與物 聯(lián)網(wǎng) (IoT)結(jié)合的方式，讓各行各業(yè)的公司都能受益于互聯(lián)設(shè)備產(chǎn)生的數(shù)據(jù),，其終極目標(biāo)是通過深入研究多點(diǎn)采集的實(shí)時數(shù)據(jù)得出可行性見解,，從而提高生產(chǎn)力、增加效率及降低營運(yùn)成本,。

　　根據(jù)IDC發(fā)布的報(bào)告顯示,，到2023年，全球物聯(lián)網(wǎng)支出將達(dá)到1.1萬億美元,，其中離散制造,、流程制造和運(yùn)輸將是在物聯(lián)網(wǎng)方面投入最多的行業(yè)1。全球科技公司LivePerson在2019年發(fā)布的研究報(bào)告指出,，在中國,，有38%的企業(yè)正在廣泛應(yīng)用人工智能2。這也是他們數(shù)字戰(zhàn)略的一部分,，AI與IoT相結(jié)合可大幅提升運(yùn)行應(yīng)用程序的設(shè)備能力,，有助于改善商業(yè)流程。開發(fā)解決方案時,，重要的一點(diǎn)是考慮哪種基礎(chǔ)架構(gòu)能最完美地支持 AI 功能,，以推動實(shí)時做出正確決策。

　　雖然云端解決方案目前最引人注目,，但延遲問題以及等待遙遠(yuǎn)的 數(shù)據(jù)中心助力現(xiàn)場實(shí)時決策的方式,，使其對許多應(yīng)用而言并不可行。

　　邊緣計(jì)算在許多情況下能夠解決問題,。硬件及模塊領(lǐng)域的新興發(fā)展推動了人工智能在邊緣的發(fā)展,，也創(chuàng)造出各種可能性。邊緣設(shè)備以及網(wǎng)關(guān)至邊緣設(shè)備現(xiàn)在功能更加強(qiáng)大,，可在本地收集,、儲存及分析數(shù)據(jù)，而無需等待從云端取得數(shù)值再傳回設(shè)備,。通過結(jié)合 AI與邊緣計(jì)算,，IoT解決方案的能力也更強(qiáng),，因?yàn)樗伺c云計(jì)算相關(guān)的延遲問題。

　　將數(shù)據(jù)洪流轉(zhuǎn)化為可操作的見解

　　由某一臺IoT設(shè)備所采集的數(shù)據(jù)其本身價值十分有限,。而且據(jù) Forrester Research 調(diào)查,，企業(yè)可用于分析的數(shù)據(jù)中，有 60%至73% 并未被利用,。真正的價值來自于將多臺設(shè)備采集的數(shù)據(jù)集相組合,，并從中找出可用于預(yù)測設(shè)備未來性能的模式。

　　AI 技術(shù)可以實(shí)現(xiàn)處理大量數(shù)據(jù)并識別數(shù)據(jù)中的定式,。AI 運(yùn)用強(qiáng)大的算法,，針對新的輸入內(nèi)容做出調(diào)整，并依據(jù)其長期學(xué)習(xí),、旨在提供自動化的正確回饋并引導(dǎo)做出決策的成果來制定決策,。它也是一種為IoT設(shè)備所收集的各種數(shù)據(jù)增添價值的工具。AI利用匯集的大數(shù)據(jù),，不僅能夠發(fā)現(xiàn)過去發(fā)生的事情,，也能分析提出各種方式，協(xié)助提高流程效率,，并依據(jù)多種情境預(yù)測未來情況,。

　　數(shù)據(jù)的集中使用推動了人工智能進(jìn)行機(jī)器學(xué)習(xí)的能力，這是該技術(shù)的 一個重要元素,。機(jī)器學(xué)習(xí)使用能從數(shù)據(jù)中“學(xué)習(xí)”的具有計(jì)算能力的算法,，并依據(jù)其他輸入隨時間自行調(diào)整。這樣就可以在人員干預(yù)有限的情況下,，讓AI和機(jī)器學(xué)習(xí)測將數(shù)據(jù)分析結(jié)果轉(zhuǎn)換為可操作的見解,，以助于偵測異常情況、產(chǎn)生預(yù)測結(jié)果,、加強(qiáng)風(fēng)險管理,、減少停機(jī)時間、提升運(yùn)營效率,。

　　云計(jì)算無法滿足實(shí)時決策的需求

　　越來越多企業(yè)采用公共云來托管更多數(shù)據(jù)已成為一種趨勢,。目前IoT生態(tài)系統(tǒng)中連網(wǎng)設(shè)備的大部分?jǐn)?shù)據(jù)，都是收集和傳輸至云端來進(jìn)行處理及分析,。云端數(shù)據(jù)中心藉由運(yùn)算能力匯集數(shù)據(jù),， 并以 AI 技術(shù)支持制定決策。

　　雖然已證明這種方式穩(wěn)定可靠,，但是與云端之間數(shù)據(jù)來回傳輸?shù)臅r間會造成延遲問題,，對實(shí)時決策造成影響。云端數(shù)據(jù)中心所在的地理位置越遠(yuǎn),，所造成的延遲時間就更長,。數(shù)據(jù)每行進(jìn)100英里,，速度就損失約0.82毫秒。

　　云端運(yùn)算雖然靈活,，但卻無法滿足醫(yī)療保健,、制造和運(yùn)輸?shù)刃袠I(yè)日益增長的高負(fù)荷的物聯(lián)網(wǎng)應(yīng)用需求。

　　隨著采用AI技術(shù)的IoT解決方案的數(shù)量和應(yīng)用實(shí)例持續(xù)增加,，云計(jì)算仍將是 IoT生態(tài)系統(tǒng)進(jìn)行復(fù)雜及歷史數(shù)據(jù)處理的重要組成部分。不過,，果要助力實(shí)時決策,，邊緣計(jì)算對許多應(yīng)用而言是更理想快速的方法，能為終端設(shè)備提供計(jì)算及分析功能,。

　　人工智能走向邊緣,，釋放物聯(lián)網(wǎng)潛能

　　營運(yùn)技術(shù)是可以對整個企業(yè)實(shí)際設(shè)備的變化情形進(jìn)行探測和控制的軟硬件堆棧。采用AI 技術(shù)的IoT 設(shè)備通過組合數(shù)據(jù)輸入來推動智能化實(shí)時決策,，讓營運(yùn)技術(shù)的概念更上一層樓,。

　　邊緣計(jì)算將IoT 設(shè)備數(shù)據(jù)采集的收集、儲存及分析工作轉(zhuǎn)移,，以實(shí)現(xiàn)遠(yuǎn)離云端的實(shí)時決策,。云端的AI 由單一大型處理中心管理，而邊緣人工智能則更像是蜂巢架構(gòu),，由小巧但運(yùn)算能力強(qiáng)大的設(shè)備共同運(yùn)作,，以推動在本地依據(jù)數(shù)據(jù)制定決策。

　　·實(shí)時回應(yīng)：由于不需要將數(shù)據(jù)傳輸至云端進(jìn)行處理,，消除了影響實(shí)時決策正確性的延遲問題,。對于制造、醫(yī) 療成像及自動駕駛等多種應(yīng)用,，實(shí)時響應(yīng)至關(guān)重要,，其中基于人工智能的決定了IoT 機(jī)器的實(shí)時性能。

　　·更可靠的營運(yùn)：與流程,、機(jī)器狀態(tài)及營運(yùn)相關(guān)的決策都在本地進(jìn)行,，對連接性的顧慮較少。實(shí)時信息可確保過程 不會因設(shè)備故障或突然失效等問題而中斷,。IoT 解決方案中還集成了用于識別何時進(jìn)行預(yù)測性維 護(hù)的參數(shù),。

　　·強(qiáng)化安全防護(hù)：邊緣計(jì)算將敏感數(shù)據(jù)儲存在本地IT生態(tài)系統(tǒng)中， 避免了公共云的安全性問題,。如果網(wǎng)絡(luò)攻擊者嘗 試透過IoT設(shè)備訪問網(wǎng)絡(luò),，具備人工智能的解決 方案也能偵測到網(wǎng)絡(luò)邊緣的異常情形，并迅速采 取緩解措施,。風(fēng)險分析負(fù)責(zé)判定所有可能的攻擊 入侵點(diǎn),，并建立預(yù)防性方案以緩解安全問題,。

　　·降低計(jì)算成本：由于邊緣計(jì)算是在本地匯集數(shù)據(jù)而非將其送往云 端，因此可減少昂貴的連接帶寬需求,。

　　人工智能提供的優(yōu)勢相當(dāng)具有吸引力,，有助于推動企業(yè)實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型。隨著部署的 IoT 設(shè)備增加,，對于有邊緣計(jì)算能力且具備人工智能的解決方案的需求呈指數(shù)成長,。依靠云端進(jìn)行數(shù)據(jù)處理和分析來推動實(shí)時決策的作法已不可行。邊緣計(jì)算能夠在本地處理 AI 算法和機(jī)器學(xué)習(xí),，并且沒有云端計(jì)算固有的延遲問題,， 將能提供更有效推動營運(yùn)及提升生產(chǎn)力的見解。

請關(guān)注安富利官方微信