随（suí）着人（rén）工智能 (AI) 的（de）成（chéng）熟（shú），采用率继（jì）续增加。根据（jù）最近的研究，35% 的（de）组织正在使用人（rén）工智能，42% 的组织正在探索其潜力。虽然人工智能在云中得到了很好的理（lǐ）解并大（dà）量部署（shǔ），但它在边缘仍然处于（yú）萌芽状态，并面（miàn）临一些独特的挑（tiāo）战。

许多人全天都（dōu）在使用人工（gōng）智能，从汽车导航（háng）到跟踪步（bù）骤，再（zài）到与数字助理（lǐ）交（jiāo）谈。即使用户经（jīng）常在移动设备上访问这些服务，计算（suàn）结（jié）果仍（réng）然存在于人工智能的（de）云使用中。更具体地说，一个（gè）人请求信息，该请求由云中（zhōng）的中央学（xué）习模型处理，然后将结果发送回该人的本地设备。

与云（yún）端（duān） AI 相比，边缘 AI 的（de）理解和部署频率更低。从一开始，人工智（zhì）能算法和创新就（jiù）依（yī）赖于一个（gè）基本假（jiǎ）设——所有数（shù）据都可以（yǐ）发送到一（yī）个中心（xīn）位置。在这个中心位置，算法可以完全（quán）访问（wèn）数据。这使得算法能够像大脑或中枢（shū）神（shén）经系统一（yī）样（yàng）构建其智能，对计算和（hé）数据（jù）拥有完全的权限。

但（dàn）是，边缘的人（rén）工（gōng）智能是（shì）不同（tóng）的。它将智能分布（bù）在所有细胞和神经上。通过将（jiāng）智能推向边缘（yuán），我们赋予这（zhè）些边缘设（shè）备代理权。这（zhè）在医疗保健和工业制造等许多应用（yòng）和领（lǐng）域中（zhōng）至关重（chóng）要。

在边缘部署（shǔ）人（rén）工智能的原因

在边缘部署人工智能有三（sān）个主要原（yuán）因（yīn）。

保（bǎo）护（hù）个人身份信息 (PII)

首先，一些处理 PII 或敏感 IP(知识产权)的组织更（gèng）愿意将数据留在其来源（yuán）处——医（yī）院的（de）成像机（jī）器或工（gōng）厂车间的制造机器中。这（zhè）可以降低（dī）通（tōng）过（guò）网络传输（shū）数据时可能发生的“偏移”或（huò）“泄（xiè）漏”风险。

最小化带宽使（shǐ）用（yòng）

其次是带宽问题。将（jiāng）大（dà）量（liàng）数据从边缘传送到云端会（huì）阻塞网（wǎng）络（luò），在（zài）某些（xiē）情况下是不（bú）切实际（jì）的。健康环境中的成（chéng）像机器生成如此庞大（dà）的（de）文件以致无法将它们传输到云或（huò）需要（yào）数天才（cái）能完成传输的情况并不少见。

简单地在边缘处理数据会更有效，尤其是当洞察力（lì）旨在改进专有机器时。过去（qù），计算的移动（dòng）和维护难度要大（dà）得多，因此需（xū）要将这些数据移动到（dào）计算（suàn）位置（zhì）。这种范（fàn）式现在（zài）受（shòu）到挑战（zhàn），现在数据通常更重（chóng）要且更（gèng）难管理，导致（zhì）用例保证将计算移动到数（shù）据位置。

避免延迟

在边缘部（bù）署 AI 的第三（sān）个原因是延迟。互（hù）联网速度很（hěn）快，但不是实（shí）时（shí）的。如果存在毫（háo）秒很重要（yào）的（de）情况，例如（rú）协助手术的机械臂或时间敏（mǐn）感的生产线，组（zǔ）织可能会决定在边缘（yuán）运行 AI。

边缘人工（gōng）智能面（miàn）临的挑战以及如何解决这些挑（tiāo）战

尽管有（yǒu）这些好处（chù），但在边缘（yuán）部署 AI 仍然存在（zài）一（yī）些独特（tè）的挑（tiāo）战（zhàn）。以下（xià）是您应该考虑的一些（xiē）提示，以帮助应（yīng）对这些挑战。

模型训练的好与（yǔ）坏结（jié）果

大多（duō）数 AI 技术使用（yòng）大量数（shù）据来训练模（mó）型。然（rán）而，在（zài）边缘（yuán）的工业用例中（zhōng），这通常（cháng）会变得更加困难（nán），因为大多（duō）数制造（zào）的产品都没有缺陷，因（yīn）此被标记或注释为良好。由此产生的“好结果（guǒ）”与“坏结果”的不平衡使（shǐ）得模型更难学会识别问题。

依赖于没（méi）有上下文信息（xī）的数据分类（lèi）的（de）纯 AI 解（jiě）决方案（àn）通常不容（róng）易创建和部署，因为缺（quē）乏标记数据，甚至会发生罕见事件。为 AI 添加上下（xià）文(或称（chēng）为以数据为中心的（de）方（fāng）法)通常（cháng）会在最终（zhōng）解（jiě）决方案（àn）的准确（què）性和规模方面带来好处。事实（shí）是，虽然人工智能通常（cháng）可以取代人类（lèi）手动完成（chéng）的平凡（fán）任务，但在（zài）构建模型（xíng）时，它会极大地（dì）受益（yì）于（yú）人类的（de）洞察力（lì），尤（yóu）其是（shì）在没有大量数（shù）据可供使用的情况下。

从经验（yàn）丰富的（de）主题专家那里得到承诺，与构建算法的（de）数（shù）据科学家密切合（hé）作，为 AI 学习提供了一个快速启动。

AI 无法神奇地解决或提供（gòng）每个问题的答案

通常有许（xǔ）多（duō）步骤进入（rù）输（shū）出。例（lì）如，工厂车（chē）间可（kě）能有许多工作站，它们可（kě）能（néng）相互依赖。一个过程中工厂（chǎng）某（mǒu）个区域的湿度可（kě）能（néng）会影响稍后在不同区（qū）域的生产线中另（lìng）一个过程的结果（guǒ）。

人们通常（cháng）认为人工智能可以神（shén）奇地拼凑（còu）所有这（zhè）些关系。虽（suī）然在（zài）许多情（qíng）况（kuàng）下可以，但它（tā）也可能需要（yào）大量数据和很长时间来（lái）收集数据（jù），从而导致非常（cháng）复（fù）杂的算法（fǎ）不支持可解释性和更新。

人工智（zhì）能不能生（shēng）活在真空（kōng）中。捕捉这（zhè）些相互依赖关系将把边（biān）界从一个简（jiǎn）单的（de）解决方案（àn）推向一个可以随（suí）着时间和（hé）不同部署而（ér）扩展（zhǎn）的解决方案。

缺（quē）乏利益相关者的支持会限制人工智能的规模

如果组织（zhī）中的一（yī）群（qún）人对它的好处持怀疑态度，则（zé）很难在整个组织中（zhōng）扩展 AI。获得广泛（fàn）支（zhī）持的（de）最好(也（yě）许（xǔ）是唯一)方法是从一（yī）个（gè）高价值、困难的问题（tí）开始，然后用人工智能解决它。

在奥（ào）迪，我们考虑解决焊枪电极更换（huàn）频率的问题。但是电极成（chéng）本（běn）低，这并没（méi）有（yǒu）消除人（rén）类正在做的任何（hé）平凡的任务（wù）。相反，他们选择了焊接工艺，这是整个行业普（pǔ）遍（biàn）认同的难题（tí），并通过（guò）人工（gōng）智能显着提高了工（gōng）艺质量。这激（jī）发（fā）了整个公（gōng）司工程师的想象力，他们研究如何在其他流程中使用人（rén）工（gōng）智能来提高效率和质（zhì）量。

平衡（héng）边缘（yuán） AI 的优势和挑战

在边缘部署 AI 可以帮助组织及其团（tuán）队（duì）。它（tā）有可（kě）能将设施转变为智能边缘，提高质量，优化制（zhì）造过程，并激励整个组（zǔ）织的（de）开发（fā）人（rén）员和工程师探（tàn）索（suǒ）他们如（rú）何整合人工智能或（huò）推进人工智（zhì）能用例，包括预测（cè）分析、提高效率的建议或异常检测。但（dàn）它（tā）也带来了新的挑战。作为一个行业，我们必须（xū）能够在部署它的同时减少延（yán）迟、增加（jiā）隐私、保护 IP 并保（bǎo）持网络平（píng）稳运行。