隨著越來越多的公司將物聯(lián)網(wǎng)（IoT）設(shè)備與邊緣計算能力相結(jié)合，人們逐漸對如何使用人工智能（AI）來優(yōu)化這些應(yīng)用感到好奇。以下是一些發(fā)人深省的可能性。

利用機器學(xué)習(xí)提高物聯(lián)網(wǎng)傳感器推斷精度

技術(shù)研究人員仍處于研究如何通過機器學(xué)習(xí)提高邊緣部署物聯(lián)網(wǎng)傳感器性能的早期階段。早期應(yīng)用包括將傳感器用于圖像分類或涉及自然語言處理的任務(wù)。不過有一個例子表明了人們是如何取得進步的。

IMDEA Network的研究人員意識到，如果將物聯(lián)網(wǎng)傳感器用于特定的深度學(xué)習(xí)任務(wù)，可能會導(dǎo)致傳感器無法保證特定的服務(wù)質(zhì)量，如遭遇延遲和推理準確性降低。然而，參與該項目的研究人員開發(fā)了一種名為AMR2的機器學(xué)習(xí)算法來應(yīng)對這一挑戰(zhàn)。

AMR2利用邊緣計算基礎(chǔ)設(shè)施使物聯(lián)網(wǎng)傳感器推斷更加準確，同時實現(xiàn)迅速響應(yīng)和實時分析。實驗表明，與不使用該算法的基本調(diào)度任務(wù)結(jié)果相比，使用算法后的推理精度提高了40%。

他們發(fā)現(xiàn)，像這樣高效的調(diào)度算法對于幫助物聯(lián)網(wǎng)傳感器在邊緣部署時正常工作至關(guān)重要。一位項目研究人員指出，如果開發(fā)人員將AMR2算法用于類似于谷歌圖片的服務(wù)（即根據(jù)圖像包含的元素對圖像分類），可能會影響執(zhí)行延遲。開發(fā)人員可以部署該算法以確保用戶在使用應(yīng)用程序時不會注意到此類延遲。

邊緣人工智能降低連接設(shè)備的能耗

2023年，一項針對科技公司首席財務(wù)官的研究表明，預(yù)計80%的公司來年收入會增加。但增加收入的前提是，員工了解客戶的需求并相應(yīng)地提供產(chǎn)品或服務(wù)。

許多物聯(lián)網(wǎng)設(shè)備的制造商想讓人們經(jīng)常佩戴他們產(chǎn)品。一些可穿戴設(shè)備可以監(jiān)測獨身一人的員工是否跌倒或感到痛苦；還可以監(jiān)測擔任高體力要求的角色是否處于過度疲勞的狀態(tài)而需要休息。在這種情況下，用戶必須對他們的物聯(lián)網(wǎng)設(shè)備有信心，相信設(shè)備可以在工作及其他時間可靠地工作。

這就是研究人員探索邊緣人工智能如何提高物聯(lián)網(wǎng)設(shè)備的能源效率的原因之一。物聯(lián)網(wǎng)設(shè)備用于研究久坐對健康的影響，以及正確的姿勢是怎樣改善結(jié)果的。任何捕捉生活方式數(shù)據(jù)的物聯(lián)網(wǎng)設(shè)備都必須持續(xù)收集數(shù)據(jù)，所以幾乎或根本不能出現(xiàn)因為設(shè)備電量耗盡而停止收集信息的情況。

為了避免上述情況，受試者佩戴的無線設(shè)備通常由紐扣電池供電。一般來說，每個小裝置都有慣性傳感器，用來收集人們?nèi)煲苿恿康臏蚀_數(shù)據(jù)。然而最主要的問題是，由于傳輸?shù)臄?shù)據(jù)量很大，電池的電量只維持幾個小時。例如研究表明，一個九通道運動傳感器每秒讀取50個樣本，那么一天則會產(chǎn)生超過100MB的數(shù)據(jù)。

然而，研究人員意識到，機器學(xué)習(xí)可以讓算法僅把關(guān)鍵數(shù)據(jù)從邊緣部署的物聯(lián)網(wǎng)設(shè)備傳輸?shù)街悄苁謾C或其他幫助分析信息的設(shè)備。他們繼續(xù)使用預(yù)訓(xùn)練的遞歸神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)該算法實現(xiàn)了實時性能，能夠改進物聯(lián)網(wǎng)設(shè)備的功能。

為設(shè)備端的人工智能訓(xùn)練創(chuàng)造機會

邊緣計算的進步，提供了在更多地方使用智能設(shè)備的機會。例如，人們建議部署可以根據(jù)實時交通狀況打開和關(guān)閉的智能路燈。技術(shù)研究人員和愛好者也對直接部署在邊緣的物聯(lián)網(wǎng)設(shè)備上人工智能的訓(xùn)練機會增加感興趣。這種方法可以提高產(chǎn)品功能，同時降低能耗并完善隱私保護。

麻省理工學(xué)院的一個團隊研究了在智能邊緣設(shè)備上訓(xùn)練人工智能算法的可行性。他們嘗試了優(yōu)化多種技術(shù)，其中一種技術(shù)只需157K內(nèi)存就可以在微控制器上訓(xùn)練機器學(xué)習(xí)算法，而其他輕量級訓(xùn)練方法通常需要300-600 MB的內(nèi)存。這一創(chuàng)新取得了顯著的改進。

研究人員解釋說，在訓(xùn)練中生成的任何數(shù)據(jù)都會保留在設(shè)備上，從而減少了隱私泄露的危險。他們還提出在正常使用過程中進行訓(xùn)練的用例，例如算法能否通過在智能鍵盤上鍵入的內(nèi)容進行學(xué)習(xí)。

這種方法無疑取得了令人印象深刻的成果。在一個案例中，該團隊只訓(xùn)練了10分鐘算法，便能檢測圖像中的人。這個例子表明優(yōu)化可以雙向進行。

盡管前兩個例子側(cè)重于改進物聯(lián)網(wǎng)設(shè)備的工作方式，但這種方法也增強了人工智能訓(xùn)練過程。不過，如果開發(fā)人員在物聯(lián)網(wǎng)設(shè)備上訓(xùn)練算法并實現(xiàn)更好的性能的話，這將對人工智能算法和物聯(lián)網(wǎng)邊緣設(shè)備都有益處。

如何使用人工智能來改善物聯(lián)網(wǎng)邊緣設(shè)備的工作方式？

這些例子表明，在探索人工智能如何改善部署在邊緣的物聯(lián)網(wǎng)設(shè)備功能時，研究人員所關(guān)注重點。希望這些能為你提供寶貴的見解和靈感。從一個定義明確的問題開始解決總是最好的，然后再尋找能夠幫助實現(xiàn)目標的技術(shù)和創(chuàng)新方法。