要使新興技術獲得廣泛接受，它們必須能夠釋放新的業務效率並為消費者帶來價值。 無論是單獨還是組合，人工智慧，大數據，雲端運算和物聯網都證明瞭其價值。 這些技術可幫助企業捕獲來自多達數百萬個來源的大量數據流，將其存儲在大型雲數據中心，並使用機器學習(ML)和人工智慧(AI)技術，以接近實時的方式獲取有價值的，改變遊戲規則的見解。
我們於2014年在Verizon Media開始了大數據和人工智慧之旅。 我們構建了一個基於雲的平臺，能夠吸收PB級數據，並使用機器學習提供接近實時的見解，以提高交付網路的性能，提高整個網路的效率，並提供更好的客戶體驗。 然後，我們為客戶構建了額外的人工智慧和大數據應用程式，例如，通過使用無線使用數據深入了解客戶行為。
從許多方面來說，這些技術進步已經使行業發生了革命性的變化，而我們只是在漫長而激動人心的未來道路的開端。 但是，對於大數據，基於雲的AI和IoT，由於雲中的處理和延遲，存儲成本以及安全和隱私問題，許多功能最強大和最具價值的應用程式尚未實施。 而使用人工智慧，在數天，數分鐘或數秒內就能得到答案，這是無法接受的。 對於許多應用程式，智能需要在毫秒內即時應用。
克服這些障礙的最明顯，最有說服力的答案是將處理工作移到更靠近終端設備或數據生成源的位置—移到網路邊緣。 Verizon是邊緣計算的行業領導者，其CDN提供了巨大的網路容量，幾乎全球每個網際網路用戶的延遲僅為10-25毫秒。 我們的5G網路為<需要更短延遲的工作負載提供10毫秒延遲。 邊緣計算與人工智慧，物聯網和大數據處理相結合的出現為全新服務和消費者價值打開了大門。 通過將智能置於邊緣，突破性的人工智慧應用程式現在可以接近實時執行。
從Verizon的全球邊緣計算功能開始，並結合了我們的人工智慧技術，我們設計並構建了一個稱為Edge AI的完全集成的平臺，我們在該平臺上開發特定的垂直應用程式。 這是同類平臺中的第一個平臺，所有端到端邊緣AI解決方案的構建塊都已到位。
通過將人工智慧應用程式移至邊緣，實現更高價值的機會是巨大的。 它為網路和解決方案提供商提供了巨大的機遇，他們有能力將強大的邊緣AI解決方案推向市場。 在許多方面，它是我們服務產品的完美融合，使我們能夠利用現有優勢，為構建智能，安全，可擴展和可靠的平臺奠定基礎，從而適應新服務，使用案例和應用程式。
ABI Research在最近一份題為“5G和AI：下一次社會和業務飛躍的基礎”的報告中預測，邊緣計算和AI結合提供的低延遲“很可能改變我們的生活和工作方式”。 報告接著說，這些技術將“為消費者和企業細分市場的各種新業務機會鋪平道路，否則現有技術是不可能的”。 ABI Research估計，到2025年，部署在邊緣的AI和ML應用程式將創造價值3.1萬億美元的價值。 隨著技術成熟，他們預測2035年創造的價值占全球國內生產總值(GDP)的9.2 %。 如下圖所示，這種巨大的經濟影響主要是通過結合使用這些技術而實現的生產力提高。
圖1：在15年內，邊緣計算將對GDP產生重大影響。
邊緣計算日益重要
For過去十多年，組織從物聯網設備和傳感器收集數據，或從部署在其設施內的攝像頭和麥克風收集影片和音訊錄音，然後將數據傳輸到集中式數據中心或雲進行進一步分析和存儲。
隨著物聯網裝置數量不斷增加，這種方法有多個問題。 技術分析公司IDC預計到2025年，將有55.7億臺互聯物聯網設備。 他們注意到，這些器件將生成73.1 zettabytes (ZB)的數據，與2019年的18.3 ZB相比，這是一個顯著的增長。 IDC認為，這種增長需要組織重新思考長期數據存儲策略，並在邊緣分析/AI中尋找機會。
讓我們考慮一下您擁有成千上萬個傳感器的工業或製造企業。 隨着傳感器數量的增加，將大量數據從這些傳感器發送到雲，在雲中進行分析，然後將結果發回製造地點，以便最終根據這些數據的見解採取行動是不現實的。 這一過程面臨多種挑戰，包括：
-
將所有數據發送到雲需要大量帶寬
-
將所有內容存儲在雲中會呈指數級增長您的雲存儲成本
-
將某些類型的敏感資訊移至雲端會使該數據面臨風險
這些營運效率問題都通過邊緣計算得到解決，或至少大大減少，無論是作為CDN的一部分在附近執行的伺服器，還是通過用於公共或專用網路的5G移動邊緣計算(MEC)基礎設施在本地執行。
最後，邊緣AI最重要的方面之一是它能夠為實時使用案例提供低延遲。 通過將處理功能放置在靠近終端設備的位置，Edge AI顯著減少了數據攝取/採集，處理和最後所需操作之間的延遲 降低延遲對於實現創新應用至關重要，從連接的車輛，更沉浸式遊戲和媒體體驗到更智能，更快的製造環境。
Edge AI還允許在可能無法提供可靠的網際網路/Wi-Fi連接(或根本無法連接)的環境中使用連接的物聯網設備和ML應用程式，例如深海鑽機，研究船或機場。 如果智能應用程式依賴於雲連接，則用於監控環境條件(例如危險氣體的存在)將毫無用處。
Edge人工智慧應用程式
Edge AI有潛力成為各種行業和使用案例中許多新應用的技術平臺。 例如，Edge AI將支援在製造細分市場廣泛實施Industry 4.0計劃，包括更多預測分析，自動化工廠車間，可重新配置的生產線和優化物流。 媒體和娛樂可以使用Edge AI來本地化內容並提高個性化程度。 EDGE AI可以通過在教育/公共部門，遠程醫療領域實現更先進的應用，或通過將交通自動化提昇到更高水平，推動城市基礎設施的全面改進。 可能性幾乎是無限的。
為了展示我們的Edge AI平臺的功能和多功能性，我們開發了多種原型和演示，包括：
-
預測性故障檢測解決方案
-
智能貨架系統，用於使用計算機視覺的零售
-
實驗室或製造工廠的陌生人檢測系統
-
用於質量保證的自動化光學檢測系統
對於預測性故障檢測應用程式，傳感器安裝在電機和其他設備上，並配置為連續將溫度，振動和電流信號傳輸到邊緣AI平臺。 AI不再將所有數據發送到雲，而是在本地持續分析數據，以預測特定電機何時即將發生故障。 工廠或維護主管可以採取糾正措施，通過準確檢測異常和故障條件來防止生產中斷。 由於數據存儲和分析在工廠所在地內進行，組織可以獲得更及時的警報，同時提高數據安全性並降低數據存儲和帶寬成本。
圖2 由Edge AI驅動的預測性故障分析可以最大程度地降低意外故障和中斷的風險。
在自動化零售庫存跟蹤系統的工作原型中，自動貨架掃描機器人將攝像頭饋送至在Edge AI平臺上執行的ML模型。 該系統可以識別對象並將庫存詳細資訊發送到儀表板，從而提供更頻繁，更準確，更全面的庫存狀態洞察，以及實時狀態監控和針對庫存不足的警報。
圖3 由Edge AI提供支援的自動化零售庫存跟蹤功能可提供監控趨勢的洞察力，並提供實時警報。
儘管有電子鎖和其他安全措施，但防止未經授權進入分散的製造設施或實驗室環境中的受限區域仍是一項挑戰。 通過將來自整個設施的影片源整合到邊緣AI中，系統可以使用面部識別來檢測陌生人，並向安全人員提供實時通知。
圖4 Edge AI通過使用計算機視覺來識別製造或實驗室環境中的陌生人來提高安全性。
Edge AI和計算機視覺的另一個用例是生產線上的自動光學檢查。 在這種情況下，組裝的部件將通過檢查站進行自動目測分析。 Edge AI計算機視覺模型檢測缺失或未對齊的零件或任何其他缺陷，並將結果發送到實時儀表板，顯示檢查狀態。 由於數據可以流回雲進行進一步分析，因此可以不斷改進ML模型以減少誤報。 該系統提高了缺陷識別的速度和準確性，從而提高了製造產量並提高了工藝吞吐量。
如這些示例所示，將人工智慧和計算容量與雲服務直接集成到網路邊緣，使組織能夠將日益復雜和變革性的使用案例推向市場。 作為一個完全集成的平臺，Edge AI顯著減少了將這些使用案例付諸實踐的障礙。
我們將在下一期的三部分系列中深入探討Edge AI平臺的要素。
Contact我們將詳細了解您的應用程式如何從我們的邊緣AI平臺中受益。
