AIOT技術(shù)與Edge分析：一種強(qiáng)大的組合
2021-9-23新聞
在人工智能（AI）集成的許多情況下，活動需要在本地進(jìn)行才能迅速行動。例如，如果人工智能系統(tǒng)收到了機(jī)器故障的警報(bào)，人工智能系統(tǒng)可能會做出決定，停止機(jī)器運(yùn)行以避免產(chǎn)品損壞。通過在邊緣而不是云端整合人工智能系統(tǒng)，可以避免延遲問題，這意味著機(jī)器被關(guān)閉的速度要快得多，產(chǎn)品損壞的數(shù)量也更少。
這同樣適用于流程優(yōu)化活動，如：改變機(jī)器的運(yùn)動速度或運(yùn)動類型。邊緣的人工智能系統(tǒng)可以向設(shè)備發(fā)送指令，以改善其性能，比從云端發(fā)送的速度更快。 在邊緣集成人工智能和處理數(shù)據(jù)的另一個(gè)好處是提高了安全性。云計(jì)算可能會帶來許多安全問題，因?yàn)閿?shù)據(jù)由第三方提供商存儲在公司場所之外，并且可以通過 Internet 訪問。邊緣計(jì)算可以通過在源頭過濾敏感信息并將其存儲在本地，作為克服這些安全問題的補(bǔ)充，從而減少將機(jī)密材料傳輸?shù)皆苹虼笮图惺较到y(tǒng)。 此外，設(shè)施往往有大量的移動設(shè)備連接到AIOT，因此處理大量數(shù)據(jù)。 將所有這些數(shù)據(jù)發(fā)送到云端可能是不可能的，所以最好在邊緣進(jìn)行分析。 邊緣分析可以從原始數(shù)據(jù)中提取高值特性，只向云端發(fā)送重要和必要的信息，例如，機(jī)器的剩余壽命等。
為了在邊緣整合AIoT，行業(yè)領(lǐng)導(dǎo)者必須首先建立一個(gè)離線的AI模型。然后，他們必須通過使用先前存儲的數(shù)據(jù)集來訓(xùn)練該模型，以改善它，并確保它符合預(yù)期和要求。一旦對模型感到滿意，行業(yè)領(lǐng)導(dǎo)者可以通過導(dǎo)出并在線應(yīng)用新的實(shí)時(shí)數(shù)據(jù)來執(zhí)行它。
但是，將模型應(yīng)用于在線場景中的實(shí)時(shí)數(shù)據(jù)，與在訓(xùn)練階段已被分類的存儲數(shù)據(jù)上測試模型是非常不同的。實(shí)時(shí)數(shù)據(jù)還沒有經(jīng)過過濾或分類，每組數(shù)據(jù)可能在不同的時(shí)間到達(dá)，為AIoT創(chuàng)造了一個(gè)混亂的信息。 因此，在AIoT使用之前，需要對數(shù)據(jù)做一些處理--這也是邊緣分析的作用所在。Crosser平臺可以在數(shù)據(jù)到達(dá)AIoT之前以多種方式幫助準(zhǔn)備數(shù)據(jù)。例如，它可以協(xié)調(diào)來自多個(gè)來源的不同格式的數(shù)據(jù)。 在不同時(shí)間傳來的數(shù)據(jù)可以由平臺在常規(guī)時(shí)間界限上進(jìn)行調(diào)整。此外，如果數(shù)據(jù)源有不同的采樣率，那么平臺可以填入中間值，以便在每次更新時(shí)用所有傳感器的新數(shù)據(jù)更新模型。它還可以在時(shí)間序列數(shù)據(jù)上創(chuàng)建不同類型的窗口。 該平臺還可用于特征提取。根據(jù)所使用的模型，可能需要從原始數(shù)據(jù)中創(chuàng)建其他特征。例如，這可以是獲取振動數(shù)據(jù)并將其從時(shí)域轉(zhuǎn)換為頻域。所有這些步驟都會在數(shù)據(jù)到達(dá) AIoT 之前進(jìn)行數(shù)據(jù)簡化。 誠然，機(jī)器智能擁有巨大的潛力，但其他支持性技術(shù)可以幫助發(fā)掘其全部潛力。在邊緣整合AIoT的行業(yè)領(lǐng)導(dǎo)者可以從高效、反應(yīng)式控制系統(tǒng)中獲益--快速優(yōu)化流程。
