物联网“新篇章”：如何将机器学习引入边缘计算？【世界杯买球，2022世界杯买球入口】

自 2006 年云计算月在科技世界中展露头角，将近 13 年的迅猛发展，2019 年云计算市场早就有所不同以往。总结昨日，2018 年风口浪尖上的云计算，“人人说道云，事事上云”，各大中型企业到初创企业争相把有所不同类型的应用服务迁入到云上，找寻上云最佳途径。

再行看今朝，AI、物联网、5G 等新兴技术的发展落地，大大拓宽着云计算的实践中边界与应用于空间。| 与云计算有序：AI 推展边缘计算出来应运而生从云计算对传统 IT 架构的颠覆性变革，到 AI 建构模型与算法的智能世界，再行到万物网络的 IoT 悄悄兴起，云计算以排山倒海之势夹住着 IT 产业链的发展，而人工智能和物联网也仍然都是社会广泛注目的焦点话题。值得注意的是，近两年，与我们生活息息相关的智能服务随处可见，但其底层的 AI 技术或者说机器学习技术却已享有着多达 50 年的历史悠久历史。

要说“人工智能”为何在近几年才逐步走进人们的生活，这与云计算具有密切联系。2006 年云计算的问世，伴随着人工智能拐点的来临，数据量更加大，计算能力更加强劲，过去不简单的 AI 技术到了 2006 年也都逐步转入实用阶段，可以说道，是云计算让 AI 技术更为相似企业与消费者，并大大利用 AI 技术驱动着产业变革。技术发展总是互相全线贯通的，随着数十亿的智能设备在住房、工厂、医院、汽车等地普及出去，物联网技术的蓬勃发展必定是这个时代的又一场革命。

随着物联网在各行各业的推广应用，我们急需一个解决方案来搜集、处置、存储这些物联网设备所产生的繁杂数据，而云计算平台正是分析加工这些海量数据与相连的技术基石。同时，IoT 一般来说不会在边缘末端对设备展开管理和掌控，很多的数据需在边缘展开动态决策，这就对边缘设备的智能化明确提出了更高的拒绝。| 将机器学习智能引进边缘计算出来边缘计算出来意味著把云计算的资源、计算出来、存储等能力带回更加相似用户的本地边缘设备中，大量计算出来可以在本地必要处置，而需要把所有数据都发送到云端，构建本地事件的更慢号召。事实上，要想要保证 IoT 应用程序需要较慢号召本地事件，则必需以非常低的延后取得推理小说结果，但这时如果把数据发送至云端，再行等候云端的推理小说决策，这个过程就很难符合一些业务场景的市场需求。

例如，在很多智慧城市的智慧摄像头场景中，智能摄像头必须在边缘外侧较慢辨识汽车牌照或者人脸等场景，如若把海量的视频数据动态上传遍云端去做到推理小说，这势必会带给大量不必要的比特率闲置，并无法符合其对于动态决策的市场需求，这时就必须一个更为智能的解决方案来做到推理小说。但是，仅有用于云计算来部署人工智能的方式，与将云计算与边缘计算出来有效地融合一起应用于人工智能的方式截然不同。

数据科学家依赖云计算来摄入和存储大量数据集，并辨识数据中的模式和关系，在创建模型的整个过程中，训练和优化机器学习模型必须大量计算资源，因此与云计算是天然良配。而实质上，最后的、经过优化的机器学习模型在推理小说的过程中并不需要过于多的资源。所以为了保证 IoT 应用程序以非常低的延后取得推理小说结果，我们就可以把训练放到云端，推理小说放到边缘外侧，以超过利用云端去训练机器学习模型，利用边缘设备动态展开推理小说，甚至在没互联网的环境中产生数据时，也能构建高速号召业务变化并做出决策。例如，在智慧农业的场景中，装有在农田里的传感器不会对搜集的环境数据展开动态决策。

但在这些场景中，设备一般来说无法确保相连到互联网，这时就更为必须边缘末端动态做出决策，待设备不具备互联网相连时，再行实时数据到云端。辽阔的市场前景，潜在的应用于范围，毋庸置疑，人工智能让边缘计算出来更加有价值。据美国市场调研公司 CB Insights 估计，到 2023 年全球边缘计算出来行业，整体市场容量未来将会超过 340 亿美元。其中还包括亚马逊、微软公司、谷歌在内的几大公有云巨头的争相布局也说明了边缘计算出来未来发展的无限潜力，特别是在在智能家居领域，边缘计算出来如何充分发挥更大价值已沦为行业的主要研究方向。

| 智能家居中的边缘智能目前，智能家居中的大部分智能设备主要还是通过云计算来构建设备交互，但设备对云计算的强劲倚赖某种程度不会产生响应速度快、延后感强、网络故障等诸多问题。这时，空缺目前云计算特性严重不足并提高计算出来效率的边缘计算出来，在智能家居领域中强势兴起。

据麦肯锡预测，到 2025 年，全球联网设备总量将约 750 亿。从智能的家庭监控摄像头，到智能门锁，智能空调等，对于每天要处置大量 IoT 数据的智能家居行业来说，边缘计算出来将沦为必然选择。

以格兰仕的智慧家居数字化转型为事例，自 1978 年 9 月 28 日创办以来，格兰仕几经多次转型，从轻纺明星企业，到微波炉“黄金品牌”，再行到综合性白色家电集团，沦为中国家电产业的龙头企业之一。然而随着科技的发展和消费市场需求的变化，为了应付智能化生产、精益化管理等一系列挑战，格兰仕要求打开第四次转型 —— 数字化转型。但格兰仕过去传统架构设计的信息系统已仍然限于，在数字化转型过程中，格兰仕在对比了众多解决方案后，最后自由选择利用 AWS IoT 、AWS ECS 等 AWS 解决方案已完成了电商平台与物联网平台的研发部署。在 AWS 智慧家庭设备的解决方案中，用户可在 Amazon SageMaker 中建构预测模型以用作场景检测分析，并对其展开优化以便在任何摄像机上的平稳运营，然后部署该模型以便预测怀疑活动并发送到警报，构建在云中建构、训练和优化机器学习模型，并在本地设备展开推理小说的高效号召。

用户首先可将训练数据上载至存储桶中，并自由选择 SageMaker 获取的现有算法分解训练模型，该模型以传输 zip 文件的形式被读取另一 Amazon S3 存储桶内。接下来，该 zip 文件不会被读取设备中，该设备则在运营时由 AWS Lambda 函数展开调用。其中，在 IoT Greengrass 上运营推理小说过程所搜集到的数据可发送到返 SageMaker，展开就地标记，并用作大大提升机器学习模型的质量。

在上图明确的智慧家庭场景中，机器学习模型必须在家中的智能摄像头和网关的边缘设备上必要运营，并检测否再次发生了一些必须实时处理的数据。在边缘末端，这些机器学习模型作为一个 Serverless 函数部署，该函数则由应用程序必要调用。在每个边缘方位，由于 FaaS 中的部署单元为一个函数，因此它比启动时到虚拟机或容器要更加高效得多，而且一旦有新的机器学习模型在云端产生时，都会为其分配一个新版本，并将其实时到边缘末端去运营。总之，机器学习的艰巨工作在云中已完成，边缘计算出来修改了推理小说与部署体验，Serverless 也将修改开发人员的工作开销。

| 小结边缘计算出来作为算力架构优化最重要的技术，不仅是物联网发展的最重要方向，同时也是未来 AI 技术的最重要伸延。万物网络，将机器学习智能引进边缘计算出来，使智能计算出来更加相似于应用程序，人工智能与边缘计算出来的融合与突破，不致将新的定义未来科技的发展新方向。（本文转载自亿欧网，已标示来源和原文，版权归原作者所有，如有侵权行为，请求联系我们。