人工智能、机器学习和边缘计算作为完整集成IoT 解决方案的关键组成部分，其重要性与日俱增。在这篇博文中，我们将提供人工智能/机器学习的基本定义，并讨论边缘计算在现代网络中的主要用途和优势。最后，我们将讨论这些技术的集成如何支持包括计算机视觉应用在内的复杂用例。当然，我们还将分享 Digi 目前是如何支持这些下一代技术的。
什么是 AI/ML？
人工智能（AI）是指在机器中模拟人类智能，使其能够执行学习、推理和解决问题等任务。机器学习（ML）是人工智能的一个子集，侧重于算法和统计模型，使计算机能够根据数据进行学习和预测。ML 涉及使用数据训练模型，以识别模式、提高性能和做出决策，而无需明确编程。总之，人工智能涵盖了广泛的能力，包括 ML、自然语言处理和机器人技术，旨在创建能够自主执行复杂任务的系统，而机器学习是其中的关键组成部分。
为什么边缘计算对现代网络至关重要？
边缘计算在更靠近数据生成地的地方处理数据，与云计算相比具有多项优势。这些优势包括：减少延迟，因为数据不需要传输到遥远的服务器；提高速度和性能，这对实时应用至关重要；增强安全性和隐私性，因为数据可以在本地处理；减少带宽使用和成本，因为传输到云的数据更少；提高可靠性和可用性，因为即使与云的网络连接中断，本地处理也能继续进行。这些优势使边缘计算成为IoT 、制造自动化、自动驾驶汽车、计算机视觉应用和其他对延迟敏感的应用的理想选择。
这一切意味着什么？以生产自动化为例，人类一次只能完成一项任务。我们的眼睛和感官可以发现某些景象和异常，但我们很容易忽略快速生产线上的一个小特异性。与计算机相比，我们的速度非常慢，而且容易犯错。在计算机视觉应用中，必须快速（有时只需几分之一秒）、准确地完成多个动作，人工干预是不可能的。自动化需要极高的精度、快速的机器人数据处理，以及能在纳秒级时间内准确执行的操作。
另一个关键概念是，这些关键数据处理和精密自动化事件不能有任何延迟。这意味着数据不能从设备（无论是生产设施、仓库还是快速移动的车辆）发送到基于云的应用程序进行处理，然后再通过另一个耗时的过程将数据返回到现场的设备。
边缘转型：边缘人工智能和计算机视觉对各行各业的影响
我们刚才简要解释了为什么即使有强大的服务器数据中心或云服务，物联网中的智能联网设备也必须自己进行处理和决策。
现在，让我们来仔细看看这两项新兴和趋势技术的主要潜在优势：边缘人工智能和计算机视觉。
带宽
与带宽或传输能力相比，智能设备收集了大量数据。事实上，传感器收集的这些数据在很多情况下绝大部分都被丢弃了。例如，简单的监控应用只关注检测是否超过阈值，而不会识别数据中的模式以推断中短期内可能发生的情况。
一个可行且诱人的解决方案是利用云计算。但是，并不总是有足够的连接、带宽或电力将定制的数据流可靠地发送到服务器群。IoT 部署在现场的设备通常依靠电池运行，并不总是处于连接状态。这正是边缘人工智能发挥关键作用的地方。虽然某些机器学习模型对计算资源的要求很高，但仍远未达到数据传输所需的水平，而数据传输是嵌入式系统中能耗最高的任务之一。
某些数据分析可在设备本身进行，无需将所有数据传输到云端，在警报和提示的情况下仅利用机器对机器（M2M）通信，从而优化电池寿命。当然，没有任何连接的设备也很常见，这些设备过去由于与互联网断开连接，只能执行较为有限的任务。
延迟
数据从边缘到云的往返传输可能需要数百毫秒。这是在连接带宽充足可靠的情况下，因为卫星通信可能会将这种交换延迟几分钟甚至几小时。
有些用例需要更快的响应速度和尽可能小的抖动。例如，自动驾驶汽车不能依赖与远程服务器的通信。边缘人工智能解决了这一问题，因为人工智能应用可以在车上运行，从而消除了总的往返时间。
经济
让我们来谈谈钱。互联产品隐含着连接所产生的成本。带宽越高、范围越大，费用就越高。边缘人工智能降低了数据传输和云处理的成本，在某些情况下还避免了这些成本，从而使过去不具成本效益的解决方案成为可能。在某些部署中，连接成本可能不是问题，但必须考虑服务器端基础设施或云计算资源的维护成本。
值得一提的是，虽然利用边缘人工智能应用并不能完全消除这些成本，但由于需要对设备进行监控和算法更新，边缘人工智能可以在很大程度上减轻维护负担，例如减少必须派遣技术人员到现场执行某些人工任务的次数。
可靠性
根据 NIST 术语表其定义如下"系统或组件在规定条件下运行一段时间的能力"。显然，由边缘人工智能控制的产品或系统是 先验 与那些依靠外部或云技术进行连接和处理的解决方案相比，无线技术的可靠性更高。增加无线连接技术（即使是有线技术）和云技术，意味着要增加一系列复杂的、难以承受的依赖性。
即使做出了正确的决定，所有这一切也会转化为巨大的可靠性风险，因为并非一切都在控制之中。诚然，对于某些用例来说，这种情况可能仍然是可以控制的，但会牺牲最终用户的体验。然而，在其他情况下，安全性是一项强制性要求。让我们设想一个基于人工智能的系统，它可以在病人接受手术时对其进行监控，并负责分析和检测可能偏离安全操作参数的情况。在任何情况下，互联网中断都不能危及病人的生命。该设备必须能够在出现连接问题时自主工作，因为人工智能已集成并运行于嵌入式系统本身，无需依赖外部连接。就其本质而言，边缘人工智能非常复杂，学习曲线陡峭，而且本身存在风险。不过，它可以成为提高解决方案可靠性的关键工具，而到目前为止，这些解决方案都依赖于复杂的全球连接。
隐私权
如今，"隐私 "是一个被过度使用的概念。近年来，我们大多数终端用户几乎毫无抵触地接受了隐私与便捷之间的平衡。我们的电子产品变得越来越智能，但我们的数据和决策却是在数百或数千英里外的数据中心服务器上做出的。即使在那些看似无害的应用中，隐私仍然是一个巨大的问题，因为我们的数据总是有可能因为安全漏洞或漏洞而暴露。
在这里，边缘人工智能还能实现大量的使用案例，尤其是在工业和医疗保健等领域。如果数据在嵌入式系统内处理，很少传输到云端，那么泄露用户隐私的可能性就微乎其微。此外，根据这些行业严格的安全法规，不收集数据、不向云端乱发数据流的产品最有可能获准上市。
边缘人工智能和计算机视觉实施实例
让我们来讨论一下如今边缘人工智能和计算机视觉是如何融入不同行业的。在业界探索可能的过程中，这一令人兴奋的趋势才刚刚开始。
设备上医疗成像和智能康复
边缘人工智能也适用于医疗保健领域，并为这一年轻的技术范式带来了诸多益处。医疗成像技术传统上会将大量数据传输到服务器进行处理。通过网络传输大量敏感的病人数据会危及他们的隐私，延误诊断。
借助边缘人工智能，医疗图像的实时分析可以在设备本身上进行。以超声波机为例。这在提高诊断准确性和缩短诊断时间的同时，还能保持对患者数据的保护。边缘人工智能算法可以检测扫描中的异常情况，并立即向医疗专家提供反馈。
这仅仅是个开始，由于TinyML（微小机器学习）等技术趋势侧重于在低功耗边缘设备上部署模型，预计嵌入式医疗成像应用的数量将大幅增加。
我们还可以谈谈未来的智能康复，它可以从实时反馈中获益，调整医疗疗法，改善患者的病情。利用现场推理，边缘人工智能医疗设备可以分析传感器数据，实时适应每位患者的个性化需求和特点，提高他们的舒适度和治疗效果，在不需要持续监护的情况下，让康复疗程发挥最大作用。
改进快节奏物流应用
得益于集成了边缘人工智能和计算机视觉的二维码扫描仪，供应链行业正在享受边缘人工智能/ML 和计算机视觉带来的好处。
想想看，从我们确认购物车开始，到几天后运输公司将包裹送到我们家门口，这期间有多少包裹在世界各地流动。再加上那些不符合我们期望的产品的退货。包裹数量巨大，物流管理也异常复杂。
仓库中最常用的工具之一是手持式条形码或二维码阅读器。在这种情况下，边缘人工智能与设备本身的计算机视觉相结合，就有可能克服读取损坏或高度扭曲的条形码，甚至读取吸塑包装下的条形码，而传统的基于规则的算法是无法解码的。后者是一种非常早期/原始的人工智能，它使用一套预先编写的规则，涉及以 "如果-那么 "语句等规则形式编码的人类知识，来做出决策和解决问题。
得益于更高的解码性能，它可以识别有污渍、划痕和粗糙背景的代码。我们都知道，我们收到或寄出的包裹并非一尘不染。本地解码带来了低延迟和低功耗，以及边缘人工智能固有的其他优势。
工业领域的实时质量控制
在要求苛刻的工业领域，客户的期望以及严格的行业法规和标准要求保持高质量的产品。边缘人工智能可通过设备推理实现实时质量控制，自动检测异常和缺陷。
我们能做到这一点，要归功于在嵌入式系统中直接部署人工智能模型1，通过计算机视觉实时、高精度地分析来自传感器或物体的数据，一旦发现缺陷，立即触发纠正措施，从而毫不拖延地解决潜在问题。
这种新方法具有多种优势，如大幅减少质量控制流程的延迟。这些优势包括
- 改进数据安全
- 消除复杂的数据存储和通信基础设施，节省成本
- 减少废物
- 保持可持续性
- 避免代价高昂地召回被误认为符合标准的产品
- 确保及时推出符合市场要求的产品，并赶在竞争对手之前推出
事实上，嵌入式边缘人工智能解决方案的另一个根本优势在于其在动态生产流程中的巨大灵活性，能够适应常见的客户快速变化。
加强城市流动性和交通安全
另一个特别值得关注的领域是交通管理及其与城市居民生活质量的关系。边缘人工智能可以通过交通预测模型，分析分散在城市各处的摄像头和传感器的数据，从而改善城市交通。例如，想象一下，人工智能公交服务配备传感器，可根据交通状况、天气条件或交通事故实时调整路线和时间表，从而改善乘客体验并减少延误。
除了优化公共交通线路，边缘人工智能还能简化交通信号序列。让我们想想自适应交通信号灯，它利用交通摄像头和传感器的实时数据来加强信号同步，例如调整绿灯的持续时间，从而减少拥堵，进而降低排放，更接近环境可持续发展的目标。
Digi ConnectCore® MP25 简介：我们最新的带 NPU 和 ISP 的创新 SOM 解决方案
现在，Digi ConnectCore OEM 解决方案生态系统的最新成员--"... Digi ConnectCore MP25 STM32MP25 系统级模块 (SOM)。
Digi ConnectCore MP25 是一款多功能、安全且经济高效的无线 SOM，专为工业应用和智能互联设备而设计。意法半导体的 STM32MP25 为边缘 AI 和计算机视觉应用增加了时敏网络 (TSN)、神经处理单元 (NPU) 和图像信号处理 (ISP)。其紧凑的 SMTplus® 外形尺寸（30 x 30 毫米）非常适合对功耗要求较低的小型便携式设备。
它具有人工智能和机器学习功能以及高度可靠的无线连接，是安全计算机视觉应用的完美解决方案。它具有高度稳定性，适用于要求苛刻的工业、医疗、公用事业和交通用例，并具有长寿命、可扩展性和 100% 的工作时间，产品生命周期可达 10 年以上。专为降低成本、加速开发和确保边缘人工智能产品的质量而设计。
功能强大，可支持对物体识别至关重要的应用：
- 安全和工业视觉摄像机
- 交通监控和管理系统
- 智能便携设备
- 工业 4.0- 制造业自动化
Digi ConnectCore MP25 的亮点：
获取数据表
进一步了解Digi ConnectCore MP25
下载 PDF
下一步工作
1. 人工智能模型的一个例子是通过海量数据训练在云端正常生成的知识。这些模型就地或通过云服务（如Digi ConnectCore 云服务）部署在边缘设备上。模型在边缘设备外生成，因为它们需要大量的计算能力。这是边缘人工智能（一般人工智能）的潜在业务之一。