在边缘运行人工智能工作负载可以实现更好的经济效益、更快的决策制定和自动化
如果你抛开炒作，抛开技术复杂性，抛开旷日持久的概念验证，5G 就是利用高带宽、低延迟空中接口来尽可能实时地移动数据、分析数据以及对数据采取行动。 有了这种能力，各种类型的企业都可以实现各种可能的运营效率，将可以自动化的事情自动化，并在资产负债表上看到收益。 为了加快决策制定并尽可能实现自动化，人工智能可以发挥明确的作用。 而且，鉴于分布式网络架构和云计算/存储基础设施分布的趋势，驻留在创建数据的边缘的人工智能为企业用户带来了众多好处。
Volt Active Data 产品管理主管 Andrew Keene 在最近由 RCR Wireless News 主办的网络研讨会上阐述了边缘人工智能的案例。 他指出，边缘人工智能不仅具有优势，而且“有时对于用例的可行性至关重要”。 但为什么？
“其中一些用例会生成大量数据，其中大部分数据本身相对无用，”Keene解释道。 “但这一切都必须经过处理才能使用例发挥作用。 到云端的回程和传输成本可能令人望而却步，但如果你能够处理数据和边缘，并且只将有价值的整合数据发送到云端进行进一步处理，那就可以解决问题。”
除了移动数据的经济现实之外，时间尺度也至关重要——Volt Active Data 往往以个位数毫秒来衡量事物。 “如果你能够在边缘做出更接近事件发生地点的决策，那么就可以再次解决超低延迟响应的问题。” 这里的另一个含义是数据主权/安全； 处理专有或受监管数据的企业需要密切保存这些数据。 “因此，分布式分层数据平台可以在边缘运行这些[机器学习]模型，并且只将整合的、宝贵的数据发送到云，可以缓解其中许多问题，并且实际上使一些用例变得可行，否则这些用例将无法实现。 ”。
回到在边缘部署人工智能以加快决策制定的想法——除此之外，人工智能还可以不断变得更好，因为它可以访问越来越多的数据。 “我们看到人们对机器学习模型的兴趣日益浓厚......以增强各行业的许多不同的实时数据流程和用例，以自动实现持续的模型改进，”Keene说。 这可以让企业用户获得更好的结果，并有可能将改进的结果传递给他们的客户。
Keene 总结道：“真正构成强大解决方案的是，这些机器学习模型不仅不断更新，通过从真实结果中学习来提高其准确度，而且在分布式平台的边缘执行它们，以确保最佳响应 时间，并减少将大量数据传输到某些集中式 Ccloud 托管平台时不必要的回程成本。”
人工智能和边缘计算赋能物联网
Keene 表示，Volt 的数据管理解决方案旨在支持一系列实时应用程序，并强调欺诈和威胁预防、超个性化、实时专用网络 SLA、流量管理、车队管理、收费和策略、物联网设备管理、合规性和安全性。 监管报告、边缘优化联合决策和主动数字孪生。 但是，他指出，“我们提供支持技术……而不是最终应用程序”，这是由他们的客户和合作伙伴构建的。 该公司的重点是“需要大规模、低延迟、准确性和弹性并且非常适合大规模执行机器学习模型的应用程序”。
Keene 举了一个例子，在人口稠密的城市地区使用 5G，通过主动路由来改善交通管理； 这与传统交通管理解决方案形成鲜明对比，例如设置为随高峰、非高峰和其他静态配置而变化的定时交通灯。 通过在边缘引入 5G 和人工智能驱动的处理，“智慧城市能够从数百个交通摄像头或其他端点获取信息，并使用机器学习作为人工智能的一种形式来预测行为、发现发生的异常情况，以及 实时引导交通远离问题区域。”
工业 4.0 范畴内的另一个例子是物联网设备管理。 Keene 提出了一种假设操作，其中 5G SIM 卡用于连接、跟踪和监控各种人员和资产。 “我们见过一些企业存在欺诈问题”，比如人们窃取 SIM 卡或含有 SIM 卡的资产。 “该解决方案使用地理围栏在设备移出其正常操作区域时进行阻止或发出警报，并发现设备变化的异常流量数据使用模式。 机器学习模型学习常规的、可预测的使用模式和操作地理区域。 因此，如果某个特定设备每周四下午离开现场收集一些东西是正常的，它不会将其标记为欺诈，而任何其他从不移出其区域的设备如果碰巧迷失，就会立即被标记为欺诈。”
作者：Sean Kinney
参与评论 (0)