智能边缘计算设备-智能边缘计算-北京速***子(查看)

边缘设备智能化的基本要求

将计算基础架构从数据中心扩展到边缘这一主张，得到了越来越广泛的共识。诸如联邦学习之类的概念，通过共享的预测模型进行协作学习这种方式，将标准集中式机器学习(ML)方法从数据中心转移到手机——在将数据存储到云的需求中，智能边缘计算卡，消解了对可实现ML能力的要求。5而各种深度***网络(DNN)，每天都在发展、以更好地赋能基于边缘的处理功能。成功地将智能带到边缘设备也带来了与传统的AI不同的商机——例如：个性化购物，智能边缘计算设备，基于AI的助手;或在制造设施中进行预测分析。边缘/雾计算的应用，比如：车辆的自动驾驶;需要复杂反馈机制的机器人技术的远程控制;甚至是使用ML、可更好地管理可再生能源的智能电网终端设备;以及在电网中对本地电能使用进行预测分析。对于此类应用，成功实施AI的主要决定因素包括：成本效益低功耗可重构性/灵活性尺寸

边缘计算

在工业领域，边缘应用场景包括能源分析、物流规划、工艺优化分析等。就生产任务分配而言，需根据生产订单为生产进行的设备排产排程，智能边缘计算，这是APS或者广义MES的基本任务单元，需要大量计算。这些计算是靠具体MES厂商的软件平台，还是“边缘计算”平台—基于Web技术构建的分析平台，在未来并不会存在太多差别。从某种意义上说MES系统本身是一种传统的架构，而其既可以在软件系统，也可以存在于云、雾或者边缘侧。在这样的应用场景，总体而言，在整个智能制造、工业物联网的应用中，各自分工如下。自动化厂商提供“采集”，包括数据源的作用，这是利用自动化已经在分布式I/O采集、总线互联、以及控制机器所产生的机器生产、状态、质量等原生“信息”。ICT厂商则提供“传输”，实现工业连接。因为在如何提供数据的传输、存储、计算方面，ICT厂商有其传统优势，包括成本方面，已经云平台的优势。传统工业企业的业务经验和知识，则为分析软件（***的或者企业内部）厂商提供“分析”的依据。这些业务过程的理解，仍然是不能缺少。产业链的协同，仍然是解决“质量、成本、交付”的问题。

边缘计算

边缘计算则让自动驾驶汽车更快速地处理数据成为可能。这种技术使得联网设备能够处理在“边缘”形成的数据，智能边缘计算价格，这里的“边缘”是指位于设备内部或者与设备本身要近得多的地方。

据估计，到2020年，每人每天平均将产生1.5GB的数据量。随着越来越多的设备连接到互联网并生成数据，云计算可能无法完全处理这些数据——尤其是在某些需要非常快速地处理数据的使用场景当中。