AIOT技術與Edge分析：一種強大的組合
2021-9-23新聞
在人工智能（AI）集成的許多情況下，活動需要在本地進行才能迅速行動。例如，如果人工智能系統收到了機器故障的警報，人工智能系統可能會做出決定，停止機器運行以避免產品損壞。通過在邊緣而不是云端整合人工智能系統，可以避免延遲問題，這意味著機器被關閉的速度要快得多，產品損壞的數量也更少。
這同樣適用于流程優化活動，如：改變機器的運動速度或運動類型。邊緣的人工智能系統可以向設備發送指令，以改善其性能，比從云端發送的速度更快。 在邊緣集成人工智能和處理數據的另一個好處是提高了安全性。云計算可能會帶來許多安全問題，因為數據由第三方提供商存儲在公司場所之外，并且可以通過 Internet 訪問。邊緣計算可以通過在源頭過濾敏感信息并將其存儲在本地，作為克服這些安全問題的補充，從而減少將機密材料傳輸到云或大型集中式系統。 此外，設施往往有大量的移動設備連接到AIOT，因此處理大量數據。 將所有這些數據發送到云端可能是不可能的，所以最好在邊緣進行分析。 邊緣分析可以從原始數據中提取高值特性，只向云端發送重要和必要的信息，例如，機器的剩余壽命等。
為了在邊緣整合AIoT，行業領導者必須首先建立一個離線的AI模型。然后，他們必須通過使用先前存儲的數據集來訓練該模型，以改善它，并確保它符合預期和要求。一旦對模型感到滿意，行業領導者可以通過導出并在線應用新的實時數據來執行它。
但是，將模型應用于在線場景中的實時數據，與在訓練階段已被分類的存儲數據上測試模型是非常不同的。實時數據還沒有經過過濾或分類，每組數據可能在不同的時間到達，為AIoT創造了一個混亂的信息。 因此，在AIoT使用之前，需要對數據做一些處理--這也是邊緣分析的作用所在。Crosser平臺可以在數據到達AIoT之前以多種方式幫助準備數據。例如，它可以協調來自多個來源的不同格式的數據。 在不同時間傳來的數據可以由平臺在常規時間界限上進行調整。此外，如果數據源有不同的采樣率，那么平臺可以填入中間值，以便在每次更新時用所有傳感器的新數據更新模型。它還可以在時間序列數據上創建不同類型的窗口。 該平臺還可用于特征提取。根據所使用的模型，可能需要從原始數據中創建其他特征。例如，這可以是獲取振動數據并將其從時域轉換為頻域。所有這些步驟都會在數據到達 AIoT 之前進行數據簡化。 誠然，機器智能擁有巨大的潛力，但其他支持性技術可以幫助發掘其全部潛力。在邊緣整合AIoT的行業領導者可以從高效、反應式控制系統中獲益--快速優化流程。
