隨著物聯(lián)網的采用，連接的應用程序和系統(tǒng)正在遷移到云端。云上生成的終端設備和數據的數量也在增加。物聯(lián)網生態(tài)系統(tǒng)中的傳感器、移動設備、可穿戴設備、機器人和許多其他連接設備等邊緣設備會產生大量分散的數據。

由于缺乏可靠的連接性、在云上處理這些龐大數據的延遲和困難，從這些數據中分析和提取重要見解面臨挑戰(zhàn)。為了應對這一挑戰(zhàn)，企業(yè)正在利用邊緣分析和云計算。

這種組合通過使計算能力接近數據源并減少分析延遲，從而為物聯(lián)網網絡帶來穩(wěn)定性，從而為各個行業(yè)的問題提供實時洞察和解決方案。換句話說，當無法將數據帶到算法中時，邊緣分析會將算法帶到數據中并提供重要的見解。

邊緣分析

近年來，由于半導體技術的進步，MCU 和處理器配備了更多的處理能力、專用硬件組件和計算能力，通過部署深度神經網絡或卷積神經網絡等先進的機器學習方法，有助于在邊緣進行更快的分析。

在 TensorFlow、keras 和 Caffe 等流行框架上開發(fā)的模型經過優(yōu)化后可以部署在 Andriod 和微控制器等推理設備上運行?？紤]到 MCU 功能而設計的推理引擎，如 TensorFlow-Lite、TensorFlow-micro、CMSIS-NN 等，可以在邊緣執(zhí)行量化模型以加快分析速度。

邊緣分析使邊緣需要數據洞察力的組織受益。讓我們看看邊緣分析如何幫助全球多個行業(yè)。

汽車

根據題為“全球汽車傳感器技術市場”的報告，汽車中使用的傳感器平均數量已從 50-60 個增加到 100+，并且在不久的將來將達到 200+，這將產生大量數據。持續(xù)可靠的云連接是移動車輛的另一個挑戰(zhàn)。例如，在自動駕駛汽車的情況下，延遲將數據發(fā)送到云端、分析數據并在之后執(zhí)行操作可能會對自動駕駛汽車的成敗產生巨大影響。

汽車中的邊緣分析將幫助公司實時收集、分析和處理數據，從而可以立即采取必要的行動。此外，可以通過人工智能和邊緣機器學習設計智能應用，如防撞、交通路線、視線偏離道路檢測系統(tǒng)等。這確保了優(yōu)化的資產使用、低維護和乘客安全。

衛(wèi)生保健

物聯(lián)網驅動的醫(yī)療設備可以收集患者的數據。邊緣分析可以分析收集的數據，而無需持續(xù)的網絡連接。隨著半導體技術的進步，硬件和機器學習方法變得更加高效，因此邊緣設備可以監(jiān)測和分析更復雜的參數，如神經活動、心律、血壓等。

通過邊緣計算，患者管理、遠程監(jiān)控、住院護理和健康信息管理都變得更快。舉例來說，醫(yī)生的移動或平板設備是患者（數據源）和云之間的邊緣。使用手機或平板電腦治療患者的臨床醫(yī)生將能夠將患者數據輸入到邊緣的分析平臺中，并在該平臺上近乎實時地處理和顯示。這有助于更快地治療患者，減少他們的訪問頻率。此外，它還在云和設備之間增加了一個安全的計算能力層，從而保護了患者數據。

制造業(yè)

在制造單位或工廠中，邊緣設備上的任何生產線都涉及多個傳感器，這些傳感器連續(xù)測量商品和設備的溫度、濕度、壓力等參數。將這些連接到云并分析數據將非常耗時。邊緣計算可以處理這些數據以進行分析，并在流程中實施或建議所需的更改。邊緣機器學習還支持預測性監(jiān)控，機器學習算法可以在設備故障發(fā)生之前預測設備故障并安排及時的維護，這有助于延長設備的使用壽命、減少停機時間并總體節(jié)省維護成本。

云端分析

看到邊緣分析的優(yōu)勢后，重要的是要了解它不會取代云，而是通過實時分析補充云計算，因為它靠近數據源。很少有進程會繼續(xù)在云中執(zhí)行。

機器學習算法的訓練：機器學習算法的開發(fā)依賴于大量數據，在訓練模型之前，學習過程會從中得出許多實體、關系和集群。這可以在訓練模型的同時在云上進行。

處理能力和存儲容量：存儲和處理能力的無限可擴展性、易于部署的分析使云分析不可替代。歷史數據存儲在云中，將來可以使用，因為基于云的分析 適用于更多種類的數據。例如，它可以將歷史數據添加到流數據中，或者使用邊緣分析分析所有設備的所有輸出。

利用連接到單個云的應用程序的所有邊緣設備，云能夠對邊緣分析執(zhí)行超級分析。云可以管理這些數據并將其轉化為有意義的預測和分析。

邊緣分析如何補充云？

由于延遲、帶寬、功耗、成本、外形尺寸和其他各種考慮因素，物聯(lián)網系統(tǒng)中的實時決策仍然具有挑戰(zhàn)性。這可以通過在邊緣添加人工智能來克服。

數據帶寬/傳輸的利用率較低：將大量數據轉移到云端進行處理會消耗高數據帶寬并產生明顯的延遲，這可能會對時間關鍵型應用程序產生負面影響。為了避免這種延遲并消除對數據帶寬的依賴，可以在邊緣執(zhí)行數據處理。

消除持續(xù)連接到云的需求：在石油、天然氣或采礦等行業(yè)，公司員工在遠離人口稠密地區(qū)的偏遠地點工作，因此不存在連接。在這種情況下，機器人等邊緣設備上的傳感器可以捕獲數據、分析數據并監(jiān)控運行參數，無論它們是否在其正常值范圍內。

實時性能和更快的處理速度：邊緣計算顯著減少了必須通過網絡發(fā)送的數據量，從而減少網絡擁塞并加快運行速度。邊緣計算不是在云中運行進程，而是在計算機、物聯(lián)網設備或邊緣服務器等本地位置運行進程。通過將計算帶到網絡邊緣，可以減少客戶端和服務器之間的遠程通信并獲得實時洞察。

增強的數據安全性（更接近數據源和位置感知）：解釋一下，而不是讓安全攝像頭將其視頻內容流式傳輸到云端，以便針對某些情況（未知的人、物體等）進行分析，該分析可以在相機本身內完成。與生物特征數據相關的數據隱私和安全問題使得僅在設備本地使用數據而不通過云連接將其發(fā)送出去非常重要。

云計算和邊緣計算是不同的方法，完全取決于實現的應用程序。雖然他們不抹黑，但相輔相成。不可能有一個適合所有場景的解決方案。很少有關鍵因素，如實時性能、帶寬成本、數據大小、應用程序復雜性等，它們決定了是進行邊緣分析還是云分析或兩者兼而有之（兩全其美）。

審核編輯：郭婷