安富利：边缘人工智能将加速物联网落地

安富利

随着部署的IoT设备增加，对于有边缘计算能力且包含人工智能的解决方案的需求呈指数增长。边缘计算能够在本地处理AI算法和机器学习，并且没有云端计算固有的延迟问题，将能提供更有效推动运营及提升生产力的见解。

人工智能（AI）不再只是科幻电影中的故事桥段，已经在切实改变着企业的工作方式。开发人员不断探索各种将AI与物联网（IoT）结合的方式，让各行各业的公司都能受益于互联设备产生的数据，其终极目标是通过深入研究多点采集的实时数据得出可行性见解，从而提高生产力、提高效率及降低运营成本。

IDC发布的报告显示，到2023年，全球物联网支出将达到1.1万亿美元，其中离散制造、流程制造和运输将是在物联网方面投入最多的行业。全球科技公司LivePerson在2019年发布的研究报告指出，在中国，有38%的企业正在广泛应用人工智能。这也是他们数字战略的一部分，AI与IoT相结合可大幅提升运行应用程序的设备能力，有助于改善商业流程。开发解决方案时，重要的一点是考虑哪种基础架构能最完美地支持AI功能，以推动实时做出决策。

目前，虽然云端解决方案是最引人注目的，但延迟问题以及等待遥远的数据中心助力现场实时决策的方式，使其对许多应用而言并不可行。

边缘计算在许多情况下能够解决问题。硬件及模块领域的新兴发展推动了人工智能在边缘的发展，也创造出各种可能性。边缘设备以及网关至边缘设备的功能更加强大，可在本地收集、储存及分析数据，而无须从云端取得数值再传回设备。通过结合AI与边缘计算，IoT解决方案的能力也更强，因为它消除了与云计算相关的延迟问题。

将数据洪流转化为可操作的见解

由某一台IoT设备所采集的数据其本身价值十分有限。而且据Forrester Research调查，企业可用于分析的数据中，有60%至73%并未被利用。真正的价值来自于将多台设备采集的数据集相组合，并从中找出可用于预测设备未来性能的模式。

AI技术可以实现处理大量数据并识别数据的定式。AI运用强大的算法，针对新的输入内容做出调整，并依据其长期学习、旨在提供自动化的正确回馈来引导制定决策。它也是一种为IoT设备所收集的各种数据增添价值的工具。

AI利用汇集的大数据，不仅能够发现过去发生的事情，也能分析提出各种方式，协助提高流程效率，并依据多种情境预测未来可能发生的情况。

数据的集中使用推动了人工智能进行机器学习的能力，这是该技术的一个重要元素。机器学习使用能从数据中“学习”的具有计算能力的算法，并依据其他输入随时间自行调整。这样就可以在人员干预有限的情况下，让AI和机器学习将数据分析结果转换为可操作的见解，以助于侦测异常情况、产生预测结果、加强风险管理、减少停机时间、提升运营效率。

云计算无法满足实时决策的需求

越来越多的企业采用公共云来托管更多数据已成为一种趋势。目前IoT生态系统中连网设备的大部分数据，都是收集和传输至云端来进行处理及分析。云端数据中心藉由运算能力汇集数据，并以AI技术支持制定决策。

虽然已证明这种方式稳定可靠，但是与云端之间数据来回传输的时间会造成延迟问题，从而对实时决策造成影响。云端数据中心所在的地理位置越远，所造成的延迟时间就会越长。数据每行进100英里，就多耗时约0.82毫秒。

云端运算虽然灵活，但却无法满足医疗保健、制造和运输等行业日益增长的高负荷的物联网应用需求。

随着采用AI技术的IoT解决方案的数量和应用实例持续增加，云计算仍将是IoT生态系统进行复杂及历史数据处理的重要组成部分。不过，如果要助力实时决策，边缘计算对许多应用而言是更理想快速的方法，能为终端设备提供计算及分析功能。

人工智能走向边缘，释放物联网潜能

运营技术是可以对整个企业实际设备的变化情形进行探测和控制的软硬件堆栈。采用AI技术的IoT设备通过组合数据输入来推动智能化实时决策，让营运技术的概念更上一层楼。

边缘计算将IoT设备数据采集的收集、储存及分析工作转移，以实现远离云端的实时决策。云端的AI由单一大型处理中心管理，而边缘人工智能则更像是蜂巢架构，由小巧但运算能力强大的设备共同运作，以推动在本地依据数据制定决策。

实时回应：由于不需要将数据传输至云端进行处理，消除了影响实时决策正确性的延迟问题。对于制造、医疗成像及自动驾驶等多种应用，实时响应至关重要，其中基于人工智能决定了IoT机器的实时性能。

更可靠的运营：与流程、机器状态及营运相关的决策都在本地进行，因此对连接性的顾虑较少。实时信息可确保不会因设备故障或突然失效等问题而中断过程。在IoT解决方案中，还集成了用于识别何时进行预测性维护的参数。

强化安全防护：边缘计算将敏感数据储存在本地IT生态系统中，避免了公共云的安全性问题。如果网络攻击者尝试通过IoT设备访问网络，具备人工智能的解决方案也能侦测到网络边缘的异常情形，并迅速采取缓解措施。风险分析负责判定所有可能的攻击入侵点，并建立预防性方案以缓解安全问題。

降低计算成本：由于边缘计算是在本地汇集数据而非将其送往云端，因此可减少昂贵的连接带宽需求。

人工智能提供的优势相当具有吸引力，有助于推动企业实现数字化转型。随着部署的IoT设备增加，对于有边缘计算能力且包含人工智能的解决方案的需求呈指数增长。

依靠云端进行数据处理和分析来推动实时决策的做法已不可行。边缘计算能够在本地处理AI算法和机器学习，并且没有云端计算固有的延迟问题，将能提供更有效推动运营及提升生产力的见解。