什么是边缘智能

边缘设备（如物联网传感器）在本地收集和处理数据，然后仅将最关键的信息传输到云端，减少了数据传输成本和延迟。

边缘计算平台支持现场数据处理和分析，从而实现更快的洞察和决策，对于时间敏感型应用（如自动驾驶汽车）至关重要。

边缘智能使设备能够独立做出决策，无需依赖远程服务器，对于需要即时响应的应用（如能源运营中的危险检测）很重要。

通过将敏感数据保留在边缘，组织可以更好地保护用户隐私，降低数据泄露风险。

总的来说，边缘智能将AI/ML的强大功能与边缘计算的优势相结合，实现更高效、响应更快、更安全的数据处理，靠近数据源。

边缘智能的第一步是在数据源处部署边缘设备和传感器，用于采集数据。这些设备可以内置人工智能和机器学习功能，实现本地数据分析和实时决策。例如，在石油钻井平台、风力发电机或自动驾驶汽车上安装边缘设备。

为了在边缘位置处理和存储数据，需要建立边缘计算基础设施，如微数据中心或云端。这样可以减少向中央云发送数据的带宽需求，降低延迟。边缘计算基础设施应与5G网络相结合，以获得支持复杂边缘用例（如自动驾驶汽车）所需的高速、低延迟连接。

在能源、医疗保健和制造业等行业，可以利用边缘智能提高运营效率、安全性和生产力。边缘人工智能可用于检测危险、优化流程和获取业务洞见。开发人员需要针对特定行业构建边缘智能应用程序。

在部署边缘智能时，需要确保遵守数据主权和隐私法规，将敏感数据保留在本地。边缘计算可以减少向云发送数据的需求，提高数据隐私性和安全性。

边缘智能可以支持自动驾驶汽车的实时感知和决策制定。自动驾驶汽车需要实时处理大量传感器数据，边缘计算可以在本地进行即时分析，避免了依赖远程服务器带来的延迟。边缘智能还可以让自动驾驶汽车之间直接通信，提高响应速度和安全性。

医疗保健和公共安全领域对快速响应的需求较高，边缘智能可以满足这一需求。例如，边缘智能可用于人脸识别等应用，提高公共安全水平。在医疗领域，边缘设备可以实时监测病人的体温、血糖等关键指标，并将这些敏感数据存储在本地，提高隐私保护水平。

边缘智能可以支持更复杂的分析和人工智能工具，提高运营效率。在工业物联网中，边缘设备可以收集来自油田、风力发电机等设备的数据，并通过边缘人工智能进行故障检测和预测性维护，提高能源行业的效率和工人安全。

边缘智能可以减少向云端传输数据的带宽需求，通过在本地处理数据后再传输，适用于增强现实和语音识别等应用，可以提高响应速度和用户体验。

边缘计算的分布式特性带来了安全方案的转变，数据可能在不同的分布式节点之间传输，需要独立于云的特殊加密机制。此外，边缘节点可能是资源受限的设备，限制了安全方法的选择。边缘计算的使用还需要从集中式自上而下的基础设施转变为分散式信任模型。

边缘计算中设备的异构性、不同的性能和能耗约束、高度动态的条件以及与云数据中心相比连接的可靠性，都使可扩展性成为一大挑战。边缘计算的安全要求也可能引入节点间通信的额外延迟，从而减缓扩展过程。

边缘计算需要解决故障管理问题，以保持服务的持续运行。单个节点发生故障时，用户仍然应该能够无中断地访问服务。边缘计算系统必须提供从故障中恢复的操作，并向用户发出事件警报。

操作和组合数据、提出正确的查询和分析仍然是一个挑战。对统计分析和复杂查询的理解对于实时管理至关重要，但需要一些时间来建立所需的技能。

分析大量运营数据的挑战在于拥有干净、标记和组织良好的数据以获得洞见。边缘设备的历史数据也必须正确存储，以理解底层的运营智能解决方案。