借助AI在网络边缘训练设备的价值

物联网（IoT）供应商经常吹捧其设备的即插即用特性：只需将其连接到网络，它就会开始报告所需的数据。

操作，而且还但是，为了使它们的价值以及所收集数据的价值最大化，不仅需要对设备进行培训，使其不仅执行所需的应发现异常并在出现问题之前进行预防。

通常通过人工智能（AI）和机器学习（ML）流程在云中对设备进行培训以确保它们能够交付组织所需的结果。但是，组织的IoT实施中特定设备的属性存在足够的差异，因此不切实际。例如，每个设备的任务不同，每个物理环境也不同，依此类推。

在云中进行培训也可能会付出高昂的代价-大多数公司用于其IoT实施的蜂窝网络都对数据的每个字节收费。这些字节加起来，很难在不产生高昂成本的情况下进行扩展。

第二种选择是使用AI模型在网络边缘进行培训。但是，物联网设备面临的挑战是它们通常很小且资源有限，因此难以进行这一级别的处理。需要的解决方案必须小到可以在各种IoT设备上工作，但又要强大到足以处理正在收集，整理和处理的数据量和速度。

让我们探讨使用存在于设备，电路板或网关上的AI模型进行培训的一些好处：

节省成本，因为数据留在边缘。物联网设备和传感器通常每秒处理多达300个数据点。该数据以及从其他设备收集的数据正在通过蜂窝网络发送到云以进行实时处理。通过直接在边缘处理数据并仅将需要在云中进一步处理的数据发送到云，组织可以节省大量成本。

如何实现成本节省的一个示例是监视电动机中的振动。可以根据数据显示的间隔以不同的时间间隔获取振动读数，例如，如果振动一致，则可以每分钟一次而不是每秒一次进行读数。如果振动发生变化，读数可能会更加频繁。通过减少数据发送频率，并能够选择要发送的数据，可以节省成本。

安全。当数据停留在设备的边缘而不是通过IoT网络传输到云时，渗透点就会减少，从而导致网络更加安全。安全有两个优先事项：拒绝那些不应该拥有该设备的人访问该设备；如果确实发生了安全漏洞，请确保该设备能够快速停止。通过立即检测设备行为的变化（无需返回到云进行处理）来发现异常的能力显示了在边缘进行训练的价值。

性能。工业物联网应用通常需要高性能网络，而延迟可能是将数据移至云中进行处理的问题。通过在边缘而不是在云上进行培训，可以轻松解决延迟问题。通过在边缘处理数据，传感器可以确定故障迹象并发送实时警报，这可能只是采取行动的简单消息，也可能会生成API调用以关闭机器。

实战训练

边缘训练的价值可以通过以下两个例子得到最好的体现：

汽车制造业：在这种环境下，作为一条生产线的一部分可能会有100个机械臂，每个臂上有十几个或更多传感器。在一个机构中，可能有1，000或更多的手臂在做同一件事。要将这台设备报告的大量数据导入云环境进行培训几乎是不可能的。必须在边缘使用AI模型来完成。

智慧城市：在这种环境下，单个区域中可能会部署10，000个智能灯泡。物联网应用程序监视能源使用情况，每盏灯都每秒发送数据，以查找异常情况，例如能量水平是否上升到一定数量。能够在边缘使用AI模型进行训练对于这种规模的部署至关重要。

使用AI在网络边缘进行训练是IoT实施的关键部分，尤其是随着规模的扩展。但是，由于云的强大功能，云将始终发挥作用。但是，处理所有传入的数据并存储收集到的信息会很快变得昂贵。该优势可显着节省成本，提高安全性和提高性能，是组织扩展时的明确选择。