據(jù)Gartner預測，到2020年，全球物聯(lián)網(wǎng)設(shè)備的數(shù)量將超過200億臺。與此同時，設(shè)備本身也變得越來越智能化。人工智能與物聯(lián)網(wǎng)在實際應(yīng)用中的落地與融合，將推動人類社會進入“萬物智能互聯(lián)”時代，而隨之產(chǎn)生的數(shù)據(jù)也將呈井噴式爆發(fā)。自動駕駛、安防/無人機和消費電子等應(yīng)用場景日益需要對海量的數(shù)據(jù)洪流進行快速有效的分析，并做出實時決策、進行快速響應(yīng)，由此推動人工智能向邊緣側(cè)遷移并不斷演進，使之與邊緣計算相融合，催生了邊緣智能新形態(tài)。邊緣智能將打通物聯(lián)網(wǎng)應(yīng)用之路的最后一公里。
邊緣人工智能興起，物聯(lián)網(wǎng)未來可期
人工智能仿佛距離我們還很遙遠，但其實早已來到人們的日常生活當中。許多人在每天使用智能手機的語音文本轉(zhuǎn)換助手或者指紋識別等應(yīng)用時，就會接觸到人工智能。在物聯(lián)網(wǎng)應(yīng)用中，人工智能可以幫助識別物聯(lián)網(wǎng)邊緣設(shè)備的模式并檢測相關(guān)參數(shù)的變化。這些物聯(lián)網(wǎng)邊緣設(shè)備通常搭載傳感器，能夠感知溫度、壓力等環(huán)境因素的變化。
通常，簡單的嵌入式邊緣設(shè)備通過應(yīng)用環(huán)境中的傳感器采集數(shù)據(jù)，并將數(shù)據(jù)傳輸?shù)皆贫耍稍苹A(chǔ)設(shè)施中的人工智能系統(tǒng)對數(shù)據(jù)進行分析和推理。但隨著物聯(lián)網(wǎng)實施過程中對實時決策的需求不斷增長，對連接和數(shù)據(jù)處理的需求也在增加，而且不可能總是將所有的數(shù)據(jù)都傳輸?shù)皆贫诉M行人工智能處理。此文旨在探討在邊緣部署人工智能如何能夠提高物聯(lián)網(wǎng)的運作和實施效率并降低成本。
探索物聯(lián)網(wǎng)解決方案中的人工智能，解鎖無限潛能
人工智能技術(shù)包括機器學習、預測分析和神經(jīng)網(wǎng)絡(luò)等多種技術(shù)。采集自邊緣設(shè)備的數(shù)據(jù)會被標記，然后由數(shù)據(jù)工程師準備好管道將其輸入數(shù)據(jù)模型。這些工程師擁有圍繞大數(shù)據(jù)創(chuàng)建軟件解決方案的專業(yè)技能。擅長數(shù)學、統(tǒng)計學以及C和C++等編程語言的數(shù)據(jù)科學家利用針對各種已知應(yīng)用程序進行了微調(diào)的機器學習算法創(chuàng)建人工智能模型。這些模型最終以神經(jīng)網(wǎng)絡(luò)、決策樹或推理規(guī)則集等不同的形式呈現(xiàn)。
機器學習分為監(jiān)督學習和無監(jiān)督學習兩種。無監(jiān)督學習（只提供輸入變量，沒有相應(yīng)的輸出變量）可以幫助開發(fā)者更透徹地解讀數(shù)據(jù)，而監(jiān)督學習則是大多數(shù)實用機器學習的基礎(chǔ)。在監(jiān)督機器學習的訓練階段，需要挖掘大量的數(shù)據(jù)流，以通過多重計算提取有用的模式或推論，從而做出預測。
在人工智能的應(yīng)用階段，可以通過Tensorflow等標準框架，將自邊緣設(shè)備采集的數(shù)據(jù)輸入從可用數(shù)據(jù)模型中選出的模型。建模過程需要相當強大的數(shù)據(jù)處理能力，通常云站點和大型數(shù)據(jù)中心等核心節(jié)點位置才具備這樣的處理能力。
在部署階段，一切開始變得有趣。比如，邊緣設(shè)備可以從共享資源庫訪問與所選模型相關(guān)的軟件包，而不必過多依賴于云。在健康監(jiān)測等領(lǐng)域，邊緣計算可以讓需要針對用戶進行無監(jiān)督機器學習的可穿戴設(shè)備獲益頗多。此外，在未經(jīng)事先學習的情況下，定制的應(yīng)用程序若要實現(xiàn)迅速推理，通常需要極高的數(shù)據(jù)處理能力作為支撐，而這正是邊緣人工智能的專長所在。
在大多數(shù)情況下，由于受技術(shù)或能耗的限制，數(shù)據(jù)不可能全都傳輸?shù)饺斯ぶ悄芩诘脑啤＠缯Z音或視頻識別等應(yīng)用，需要立即對內(nèi)容進行辨識并做出推論，而且不能出現(xiàn)通信延遲。在有些情況下，部署無法提供穩(wěn)定的連接，因此需要一種可擴展的混合架構(gòu)，將所需的模型構(gòu)建在云上但推理任務(wù)在邊緣執(zhí)行。這種方式只需將少量數(shù)據(jù)傳輸?shù)胶诵墓?jié)點位置，從而能夠優(yōu)化帶寬效率并降低延時、提高響應(yīng)速度。
如何部署邊緣人工智能
典型的邊緣人工智能模型的基本組成部分包括：用于捕捉傳感器數(shù)據(jù)的硬件和軟件，不同應(yīng)用場景下的訓練模型所使用的軟件，以及在物聯(lián)網(wǎng)設(shè)備上運行人工智能模型的應(yīng)用軟件。在邊緣設(shè)備上運行的微服務(wù)軟件負責根據(jù)用戶的要求啟動邊緣設(shè)備上的人工智能程序包。在邊緣設(shè)備內(nèi)，用到的是在訓練階段確定的特征選擇和特征變換。這些模型可以定制為合適的功能組合，這些功能組合可以擴展為包含聚合和工程特性。
智能邊緣設(shè)備部署在帶寬窄且網(wǎng)絡(luò)連接斷斷續(xù)續(xù)的電池供電應(yīng)用中。因而邊緣設(shè)備制造商正在構(gòu)建這樣的傳感器，它們具有集成處理和存儲功能，采用BLE、Lora和NB-IoT等被廣泛使用的低速通信協(xié)議，占用空間小且功耗低。
讓物聯(lián)網(wǎng)富有智慧，邊緣人工智能優(yōu)勢凸顯
雖然此類設(shè)計的復雜性可能會使邊緣設(shè)備變得昂貴，但它所帶來的裨益遠遠超出了相關(guān)成本。
除了實時快速響應(yīng)之外，邊緣人工智能還具有諸多的顯著優(yōu)勢，比如邊緣設(shè)備本身更高的安全性以及在網(wǎng)絡(luò)間往返傳輸?shù)臄?shù)據(jù)較少等。由于每個應(yīng)用程序都構(gòu)建了定制的解決方案，因而邊緣人工智能非常靈活。邊緣設(shè)備當中預置了推斷功能，因此對操作和維護技能的要求比較低。
在邊緣計算中，開發(fā)人員還可以將一些復雜的操作轉(zhuǎn)移到由本地網(wǎng)絡(luò)中的邊緣處理器（如路由器、網(wǎng)關(guān)和服務(wù)器）執(zhí)行，從而將計算分布到整個網(wǎng)絡(luò)當中。由于數(shù)據(jù)在本地存儲以及智能也在本地引入，這些邊緣處理器具有良好的操作可靠性，這有助于在連接時斷時續(xù)或沒有網(wǎng)絡(luò)連接的區(qū)域進行部署。
一般而言，通過構(gòu)建機器學習模型來解決挑戰(zhàn)是十分復雜的事情。開發(fā)者必須管理海量的模型訓練數(shù)據(jù)，選擇可以實施的最佳算法并管理訓練模型的云服務(wù)等。然后，應(yīng)用程序開發(fā)者使用Python等編程語言將模型部署到生產(chǎn)環(huán)境當中。智能邊緣設(shè)備制造商將會發(fā)現(xiàn)，投入資源從零開始在邊緣實施人工智能異常艱難。
但是，安富利的SmartEdge Agile等設(shè)備為智能邊緣設(shè)備制造商們帶來了福音。SmartEdge Agile物聯(lián)網(wǎng)設(shè)備搭載了各種類型的傳感器，并且內(nèi)置人工智能軟件棧。通過Brainium和微軟的Azure Sphere等相關(guān)開發(fā)平臺和軟件工作室，用戶能夠利用現(xiàn)成的人工智能算法數(shù)據(jù)庫實現(xiàn)監(jiān)督和無監(jiān)督機器學習，且無需編寫任何代碼就能將模型部署到設(shè)備。他們還可以創(chuàng)建多種小程序來實時查看傳感器給出的數(shù)值，并對這些數(shù)據(jù)進行保存以備將來使用。
的確，人工智能會讓本已十分復雜的物聯(lián)網(wǎng)空間變得更加復雜，而邊緣人工智能更是讓物聯(lián)網(wǎng)的復雜度翻倍。但是借助合適的平臺和合作伙伴的支持，開發(fā)者便可以駕馭這一復雜性，并實現(xiàn)遠遠超越語音識別和指紋識別的創(chuàng)新。