边缘计算

什么是边缘计算以及为什么边缘人工智能是它的下一个前沿?

2022-05-23 tuwei312 356

5G 和物联网设备(联网设备)的部署进一步推动了对边缘计算的需求,这些设备要求分析和处理能力位于数据创建位置附近。

除了物联网设备的增加之外,需要实时数据处理的应用程序的快速增长继续推动世界各地的边缘计算系统,因为边缘计算已经彻底改变了数据处理、分析和分布的方式在数百万台设备上。

随着 5G 快速无线的到来,实时处理和现场数据分析等边缘计算需求在人工智能推理、自动驾驶  车辆、视频分析和处理以及机器人等应用中得到了增强。

物联网创建的数据的增长引发了人们对数据隐私、安全性、延迟挑战以及长距离传输数据的带宽成本的担忧。为了解决这些问题,在现场和实时存储、处理和分析数据的应用程序带来了对边缘计算的需求。

边缘计算的优势


究竟什么是边缘计算?

简单来说,边缘计算是指在边缘处理信息。边缘计算所做的是通过分散流程来减少设备和操作之间的距离。数据的存储和计算更靠近创建数据的设备,而不是将数据传输到很远的中心位置。在收集数据的设备上存储和计算数据是为了解决可能对应用程序性能产生负面影响的延迟问题,尤其是在实时数据处理应用程序中。通过在本地执行这些过程,可以节省资金,因为需要在基于云的位置处理的数据量大大减少。

物联网设备的增长非常迅速,它们需要连接到互联网才能将数据传输到云端并从云端接收信息。大量物联网设备意味着产生大量数据,因此需要边缘计算。

边缘计算


例如,用于在道路上甚至办公室或工厂车间进行监控的设备,例如连接到互联网并传输实时画面的摄像机。只需网络上的一台摄像机即可轻松传输生成的数据;但是,当需要同时发送数据的设备数量显着增加(数百甚至数千)时,延迟问题将随着带宽成本的增加而出现。

为了提供解决方案,边缘计算硬件支持本地存储和数据处理。边缘网关可以处理来自边缘设备的数据,只将相关数据通过云端传回,这样可以减少带宽需求,如果是实时应用,可以将数据传回边缘设备。边缘设备包括智能手机、笔记本电脑、安全摄像头、物联网传感器、电视,甚至是连接到互联网的冰箱等设备。在边缘计算分布式拓扑中,边缘设备也被认为是边缘网关。


边缘计算分布式


为什么边缘计算很重要?

边缘计算的最大优势之一是处理和存储数据的速度更快。这对于需要实时处理的应用程序尤其重要。从边缘 AI 算法生成对查询的响应所需的时间(不到 400 毫秒)中也可以看出重要性。与使用以秒为单位的云架构获得的延迟相比,这个时间要好得多。

随着云的使用,带宽成本非常高。许多企业发现,在这方面节省成本是利用边缘计算架构的一个很好的理由。 

如果没有边缘计算,用于扫描面部以进行面部识别的智能手机将不得不通过云运行人工智能算法,这将需要相当长的时间来处理。随着边缘计算的部署,面部识别算法将在智能手机或边缘网络上运行。一些需要快速周转时间的应用包括自动驾驶汽车(自动驾驶汽车)、虚拟现实、智能建筑、增强现实、智能道路和智能城市。毫无疑问,随着技术的快速发展,边缘计算将在未来几十年处于技术进步的前沿。

现在,越来越多的公司在他们的系统模块中加入了人工智能,并了解了边缘处理的需求。一个例子是 NVIDIA 的 Jetson Xavier NX 模块,它可以内置到机器人、无人机和其他类型的设备中。大多数人工智能算法都通过云服务运行,因为它们需要大量的处理能力。允许在边缘处理数据的人工智能芯片组还将实现更快的实时响应,尤其是对于需要近乎即时响应的应用程序。 

5G的作用

这不仅仅与速度有关,但即使 4G 速度很快,5G 也快得多。随着 5G 的出现,游戏的播放方式、电影的观看方式、行业的运营方式,甚至我们与家庭互动的方式都发生了变化。物联网将连接如此多(数十亿)设备,如智能手机、汽车、道路、冰箱、微波炉、建筑物等,从而改变我们的生活、娱乐和工作方式。5G 将通过提供极快的速度(高达 10GBps)、低延迟和增加的带宽来为这种连接性负重大责任。使用 5G 连接,将有更低的延迟、更大的可用性、覆盖范围并减少网络能源使用。

世界各地的电信公司正在安装具有更高带宽和超惊人速度的 5G 无线,这将使企业能够从云架构迁移到边缘架构。这些电信公司正在其 5G 部署中实施边缘计算,从而为众多应用(智能手机、自动驾驶汽车等)提供实时处理。

边缘计算

5G 将推动边缘计算进入比目前更大的领域,并将推动边缘计算,从而导致 5G 技术应用改变流量需求模式,从而成为移动数据网络中边缘计算的最大推动者。低延迟应用程序将需要边缘计算基础设施来满足其实时处理要求。其中一些低延迟应用是自动驾驶汽车、机器学习、物联网分析、虚拟现实和增强现实。尽管边缘计算的最初目标是降低远距离物联网设备的带宽成本,但对边缘计算的需求已经增长到包括对本地存储和本地处理的要求。


人工智能作为下一个前沿领域。

通常,机器学习模型托管在云上,预测请求从设备发送到基于云的 API(应用程序编程接口),同时对请求的响应也会通过互联网发回。当涉及的数据量很小时,通过互联网传输数据通常不是问题。当它涉及传输大量数据(例如高质量的视频和照片)时,可能会遇到问题。在没有网络覆盖或网络覆盖率低的地区,这种通过互联网将数据从一个位置传输到另一个位置的方法可能会造成严重问题。

如果不考虑人工智能,我们就不能谈论边缘计算应用。在边缘设备上运行这些算法就是所谓的 边缘人工智能。它只是人工智能和边缘计算的结合。运行机器学习算法需要大量的处理能力,并且可以实时进行推理。AI边缘计算本质上使用机器学习算法来处理设备在本地获取的数据。该设备无需连接到互联网即可进行数据处理。实时处理后以毫秒为单位收到响应。与在云模型中获得的相比,边缘计算模型显着降低了通信成本。

使用边缘人工智能,数据存储、数据处理和查询响应都不需要互联网连接。人工智能算法在设备上处理,机器学习模型位于边缘。数以亿计的边缘人工智能芯片将被出售,这些芯片可以在现场而不是在远程中心处理机器学习任务,这将促进边缘计算的使用。


边缘人工智能的优势

AI边缘计算最重要的优势之一是低延迟,这是 云AI 的典型限制。它是对通常机器学习架构的众多增强之一。数据通信成本也大大降低。这些是有利的,特别是在设备加载了将用于在未连接到互联网的情况下做出决策的算法的情况下。

 

设备


在边缘推动人工智能

随着数据的增长速度,对本地数据计算和本地数据存储的需求变得更加迫切。速度的提高、安全性、隐私性、延迟的提高和带宽成本的降低都为 在边缘广泛采用人工智能提供了理由

每家公司都应该投资于能够实现更可持续的数据方法的技术。边缘计算和边缘人工智能是知识利用、性能和成本之间的正确折衷。

首页
产品
案例
联系