|
斑馬技術(shù)大中華區技術(shù)總監 程寧 云服務(wù)和各種人工智能（AI）應用編程接口（API）推動(dòng)著(zhù)倉儲、零售等多個(gè)行業(yè)的數字化轉型。過(guò)去數年內，物聯(lián)網(wǎng)（IoT）的發(fā)展催生了數以百萬(wàn)計的傳感器數據，而這些數據則被傳輸到了公有云和私有云上的基礎設施，并對其進(jìn)行分析。 從能夠記錄當前庫存情況并動(dòng)態(tài)訂購所需物品的手持設備，到可整合來(lái)自視覺(jué)反饋的信息以了解特定人員在倉庫輪班時(shí)是否滿(mǎn)足必要的合規性且配備有公共安全裝備，相關(guān)的用例多種多樣。在第一種用例中，時(shí)間序列從基于邊緣的手持設備或固定攝像頭持續發(fā)送到云數據分析服務(wù)。相比之下，第二種用例則借助云端的深度學(xué)習模型，采用人員檢測、追蹤和再識別模塊，來(lái)進(jìn)行圖像抓取。在這兩種情況下，邊緣設備均是作為向云端傳輸信息的管道。 我們?yōu)楹涡枰吘壷悄埽?/strong> 更靠近終端用戶(hù)的傳感器網(wǎng)絡(luò )延遲更低，且能夠節省帶寬。此外，在將數據傳輸到更廣泛的云計算基礎設施前，還可在設備端進(jìn)行預處理，這有助于保護從設備中收集和推斷出的數據隱私。這些則構成了邊緣智能的一些核心要求。具有低水平計算的邊緣設備或傳感器能夠彈性地創(chuàng )建網(wǎng)絡(luò )（Mesh網(wǎng)絡(luò )），聊天機器人、儀表盤(pán)、智能手機、溫度傳感器等設備能夠間歇性地連接到網(wǎng)絡(luò )，以收集、計算和分享信息。在傳統的物聯(lián)網(wǎng)世界中，這些傳感器能感知世界，并準確地將信號傳輸到公有云或私有云中。 那么，多臺邊緣設備是否能夠分享自身的輸入和有限機載計算來(lái)實(shí)現同一目標呢？如此一來(lái)，我們就擁有了多臺有限機載計算的邊緣設備，它們可以聚集于一個(gè)Mesh網(wǎng)絡(luò )下，以解決諸如倉庫或零售店的資產(chǎn)追蹤問(wèn)題。大體上而言，其用例能夠涵蓋自主設備（無(wú)人機、自主移動(dòng)機器人、自主車(chē)輛）、沉浸式體驗（增強現實(shí)/虛擬現實(shí)可穿戴設備），以及物聯(lián)網(wǎng)分析（工業(yè)和家用傳感器）等。 邊緣人工智能 我們可以為邊緣設備注入強大的“智能性”，基本上有兩種在邊緣運行機器學(xué)習的方法，一種是使用集中式聯(lián)邦學(xué)習工具的集中式拓撲，另一種是模糊數學(xué)領(lǐng)域的去中心化分布式（無(wú)云數據中心）聯(lián)邦學(xué)習算法。 聯(lián)邦學(xué)習有賴(lài)于在計算能力相對低的設備中訓練機器學(xué)習模型，并將本地習得的模型轉移到數據庫進(jìn)行下一步處理。首先，來(lái)自云數據中心的云端訓練模型會(huì )被發(fā)送到各臺邊緣設備，然后使用本地數據，對該模型進(jìn)行微調，再將模型發(fā)送到云平臺，以進(jìn)行模型更新。通信模式可以是同步的，也可以是異步的。此外，有一些類(lèi)型的統計推理算法使邊緣設備能夠相互發(fā)送消息，從而減少本地模型的通信負載。根據用例的不同，還需要考量距離、延遲和移動(dòng)性等指標。 第二種方式，使用去中心化的聯(lián)邦學(xué)習，這通常是部署機器學(xué)習模型的優(yōu)選方式。信息分散在各臺設備上，而非單一的某個(gè)點(diǎn)，進(jìn)而降低各類(lèi)網(wǎng)絡(luò )安全攻擊的可用面。從技術(shù)上來(lái)說(shuō)，去中心化形式的通信模式可以通過(guò)圖表、分布式賬本或簡(jiǎn)單的對等網(wǎng)絡(luò )來(lái)進(jìn)行。這意味著(zhù)企業(yè)可以為倉庫、制造工廠(chǎng)、整體零售供應鏈或商店的一線(xiàn)員工配備精密的由機器學(xué)習驅動(dòng)的設備，利用設備內的機器學(xué)習模型，增強并加速通信和決策，并在網(wǎng)絡(luò )中共享。 邊緣智能的前景在于，這種去中心化的拓撲結構將催生新一代的芯片企業(yè)。這些企業(yè)將專(zhuān)注于計算，并提升每瓦特運行效率，同時(shí)致力于計算的協(xié)同設計來(lái)滿(mǎn)足通信需求，例如Mesh拓撲結構（對等網(wǎng)絡(luò )、分布式賬本、圖表）。 邁向邊緣智能 網(wǎng)絡(luò )邊緣正不斷改變著(zhù)拓撲結構和設備。云端存在著(zhù)能夠動(dòng)態(tài)調度有效載荷的編排算法。然而，對于邊緣設備來(lái)說(shuō)，隨之而來(lái)的還有數以百萬(wàn)計的設備、更多的異質(zhì)性電源包絡(luò )，以及各種設備的計算能力等問(wèn)題。數據采集和模型日益碎片化，在整體數據中，每臺設備都占有一定的比例，但無(wú)法訪(fǎng)問(wèn)整個(gè)數據集。更多的邊緣設備正在向著(zhù)小型化、低功率、有限計算的方向發(fā)展。 但與此同時(shí)，其為企業(yè)及一線(xiàn)員工所帶來(lái)的助益引人注目，其中包括完善隱私和免受攻擊的保護、提升實(shí)時(shí)自動(dòng)化決策、降低互聯(lián)網(wǎng)帶寬和云計算成本、提高能源效率、實(shí)現更強大的計算能力，并通過(guò)明確的投資，為一線(xiàn)員工配備適合其開(kāi)展工作的先進(jìn)設備。 研究人員、企業(yè)高層和一線(xiàn)員工需要協(xié)力同行。研究人員要為技術(shù)的成熟發(fā)展提供相應的支持，在日后的工作中著(zhù)重于去中心化算法，結合動(dòng)態(tài)變化的通信模式，優(yōu)化芯片，并將計算與通信融為一體。而對于倉儲、物流和零售業(yè)的企業(yè)高層來(lái)說(shuō)，這意味著(zhù)要制定技術(shù)成熟度水平發(fā)展路線(xiàn)圖，以緊跟市場(chǎng)步伐，并確保一線(xiàn)員工擁有先進(jìn)的設備和軟件工具以更好地完成工作。 |
