众所周知，人工智能会消耗计算能力，需要大量数据中心。 但在适当的情况下，其令人印象深刻的功能可以存在于更小、更便携的设备上。
边缘人工智能是将人工智能系统放置在离数据源更近的分散硬件设备上的做法。 这种方法可以减少延迟，提高隐私性，减少从一个设备到另一个设备的数据传输，并提高本地人工智能应用程序的性能。 然而，它也可能比其他常见的云计算工作负载需要更多的计算能力。
边缘人工智能在保持计算靠近数据源方面提供了性能优势，在优先考虑隐私保护时确保安全性，并在难以到达的位置收集数据时提供后勤优势。 企业领导者应该了解的边缘人工智能用例出现在各个垂直市场中。 要探索的主要例子是制造和生产、医疗保健、能源、运输和零售。
边缘人工智能与边缘计算
边缘人工智能是将智能计算脑力直接应用到智能手机、智能冰箱和其他物联网设备等设备上。 设备无需等待通过互联网发送的信息即可做出决策。 边缘计算是将计算工作移至靠近数据收集的地方。 除了人工智能决策之外，边缘计算还涵盖数据存储和简单处理等任务。
专业服务公司普华永道全球人工智能主管 Anand Rao 表示：“边缘人工智能正在开始彻底改变许多行业收集和利用其产品和运营产生的数据的方式。”
边缘计算运行许多强大的系统，例如用于住院监测和预测性维护的系统。 边缘人工智能增强了此类任务的性能。 例如，它可以使用计算机视觉从本地设备检测重要事件，例如患者滑倒和跌倒，然后向医务人员发送警报。 边缘设备附加功能的其他示例包括自然语言处理和预测分析。
全球战略和管理咨询公司科尔尼高级分析实践合伙人 Bharath Thota 表示：“边缘人工智能和边缘计算正在改变我们处理数据和从数据中提取价值的方式，但它们的方式不同。”
边缘人工智能对企业的好处
为企业带来的好处包括降低高数据量情况下与网络负载相关的成本、敏感应用程序的隐私保护以及提高推理性能和准确性。 边缘人工智能还通过将复杂的人工智能计算推送到本地设备来提高效率并降低成本。 这减少了人工智能推理工作负载对大型集中式计算机系统和服务器的依赖。 在应用程序需要对数据执行实时分析的情况下，靠近数据源可以减少延迟。
边缘人工智能还可以增强数据安全性。 它将数据收集过程本地化，在数据源处执行预测，并将外部网络流量限制为仅限人工智能模型的输出，从而保护潜在的敏感数据输入。 最后，对于网络连接不一致的远程位置的设备和操作来说，它是一个可靠的解决方案。
全球咨询公司甫瀚咨询高级总监卢卡斯·刘 (Lucas Lau) 表示：“边缘人工智能通过减少延迟甚至减少互联网连接的需求来实现各种新的用例。” 在这些场景中，应用程序的运行速度比没有边缘计算设置时运行得更快。
边缘人工智能的行业特定用例
行业用例包括以下内容：
制造和生产：边缘人工智能改善了车队或一组生产设备的预测性维护。人工智能模型预测设备最有可能出现故障的时间。本地运行的算法分析机器的振动、热量和声学数据等因素。他们以高分辨率和实时的方式这样做。从分析中收集到的见解就是输出。
通过数据清理和异常检测：可以改善制造工厂和现场作业的大规模数据收集工作。在本地执行这些任务可以减少数据开销并缩短响应时间。
医疗保健：边缘人工智能有助于实时监控患者，改善护理和安全性。病人身上的可穿戴设备收集健康数据。当基于人工智能的信息分析发生在本地时，与传输要集中处理的数据相比，它减少了带宽消耗并增强了数据隐私。
能源。边缘人工智能可以实时监视设备。这可以帮助预测能源设备，如发电厂和风力发电场，何时可能需要修复，就像在制造业用例中一样。此外，它还可以改进研究能源使用数据的工具，以确定繁忙时间，预测使用模式，并改善工厂分配能源的方式。
交通工具：边缘人工智能实时处理附着在车辆上的传感器的数据，使自动驾驶车辆能够了解周围环境，做出决策并快速导航。它还可以在汽车离开车道时提供警告，并增强驾驶员辅助系统。
零售：边缘AI通过处理支持防丢失的视频流来改进安全事件检测。
