使用 AI 和 ML 优化边缘物联网性能

边缘计算市场预计将从2022年的4084万美元增长到2028年的1.3211亿美元。年均复合增长率为21.8%。

边缘技术的用例是无限的。用例可以从为公用事业和采矿作业运营无人机车队的远程现场办公室，到在家工作的员工和自动化制造装配线。

随着这种边缘计算运动的展开，越来越多的非it专业人士被要求管理他们所占据的边缘技术。云解决方案也发挥了重要作用，因为云可以以比中央数据中心更灵活的方式为边缘收集和管理数据。

不幸的是，这样的部署并不能满足所有的边缘处理需求。负责管理边缘的非it员工可能会犯错误。在云端之间传输数据可能会受到延迟和安全问题的阻碍。另一种选择是找到方法，使边缘应用程序在一个严重依赖自动化的自包含处理宇宙中独立工作。

为了促进边缘处理，人工智能和机器学习发挥了重要作用。边缘AI和ML可用于零售商店跟踪人流量，以便更好地协助商店销售人员展示商品和服务，并且可以在整个商店安装边缘设备(传感器、摄像头等)来监控人流量。

由公司业务分析师、用户和IT/数据科学开发的人工智能模型可以用逻辑推理“训练”边缘人工智能来评估流量。从最初的情报来看，销售人员看到商品通常是从商店某些过道的中间货架上拉出来的——然后这个模型开始变得不那么准确。

人工智能的ML元素看到了一个新的出现的模式，它从中“学习”。它结合了从这个模式中学到的东西，并修正了它的分析。现在该公司表示，正在从商店的新区域下架商品。

随着时间的推移，零售商可能会决定完全修改其AI/ML模型，以寻找其他趋势和模式，但这是AI和ML结合如何协同工作，以实现自主运营和边缘智能洞察的一个例子。IT需要做些什么才能在边缘实现这种“自己动手”的洞察自动化?

如何利用 AI 和 ML 优化边缘物联网

1. 选择正确的用例

并不是每个边缘实现都是AI/ML完全自动化的候选。

如果你正在操作一个无人机舰队来调查地点，并在天气和其他恶劣条件下导航，最好不要完全自动化所有的作战情报，因为情况的不可预测性。

自动驾驶汽车系统也是如此。有太多不可预见的情况，比如传感器在下雪的条件下失效，或者“不合逻辑”的人类行为可能在一瞬间发生，AI/ML将无法足够灵活地做出反应。

2. 构建数据传输

即使您在边缘自动执行 AI/ML 操作，有时您也需要将边缘的数据或见解整合到中央数据存储库中。此数据存储库可能位于云中，也可能位于中央数据中心。

需要规划要从边缘移动到更中心点的数据流。这包括安排数据上传到中央存储目标的白天或晚上的时间。

3. 培训非IT人员

被要求在边缘监控和保护数据并在日常工作中使用它的非 IT 人员必须接受培训才能执行这些功能。在IT级别，这意味着非IT人员需要接受边缘安全和监控基础知识的教育。在业务上，需要通过引入更多的自动化来重新培训人员如何完成工作。

例如，如果您引入边缘物联网来自动化包装操作，并且 AI 触发维护警报，那么制造业会做什么？他们是否使整个操作脱机、还原为手动进程或执行某种故障转移？所有这些突发事件都需要讨论并培训到劳动力队伍中。

4. 调整 AI/ML

当您从 AI/ML 中获得的见解开始偏离您所知道的真实情况时，会发生什么？这可能意味着您一直在使用的 AI/ML 模型需要修改。

应每天观察边缘的 AI/ML 性能。一旦从 AI/ML 提供的见解中检测到“偏离”真相，就该重新审视 AI/ML 训练模型启发式方法，看看是否需要更新任何内容。AI/ML 准确性的黄金标准目标是，它应该在 95% 的时间内符合主题专家的观察结果。

5. 保护和维护以及边缘设备

大多数边缘设备到达门口时只有最低限度的安全预设。IT 部门负责为每个 IoT 设备设置安全性，使其符合企业标准。

一旦边缘技术被校准到企业安全标准，也应该采取物理安全措施，以确保可移动的边缘技术不会落入未经授权的人员手中。

在软件级别，可以使用多重身份验证来应用安全性。此外，零信任网络也可以安装在边缘，因为它们可以记录物联网资产的每一次加减和修改。

最后，特别是在运行无人机等设备的现场办公室，或者在使用机器人的制造车间或医疗诊所——如果设备是可移动的，则在不使用时应将其锁定在笼子中，因此只有获准使用设备的个人才能这样做。