當(dāng)我們談?wù)撎崛鞲衅鲾?shù)據(jù)并對其進行處理時，一種方法是將人工智能推向邊緣。這是一個單獨的趨勢嗎?或者它是對我們剛剛討論的內(nèi)容的補充?

我當(dāng)然認為這將與我們正在討論的內(nèi)容相輔相成。如果我們正在尋找生產(chǎn)線上的缺陷或類似的東西，這是我們希望盡可能多地本地化 AI 的完美示例。如果它是一個反復(fù)出現(xiàn)的缺陷，你經(jīng)?？吹剑鼇淼竭@里要簡單得多，而不是去某個地方到云端，然后對其進行處理以停止機器。或停止流程。因此，我們會在未來看到更多此類活動發(fā)生，其中本地化操作將驅(qū)動某些行為。

然而，無論使用何種方法，在應(yīng)用程序中實施人工智能都需要相當(dāng)多的專業(yè)知識。例如，有許多 AI 框架可供選擇，開發(fā)人員必須利用大量數(shù)據(jù)來訓(xùn)練系統(tǒng)。推理引擎必須具有足夠的正確處理能力，以便在訓(xùn)練后執(zhí)行 AI 算法。訓(xùn)練數(shù)據(jù)也需要經(jīng)過深思熟慮，以避免訓(xùn)練 AI 做出錯誤的推斷。例如，經(jīng)過訓(xùn)練以區(qū)分照片中的汽車和坦克的人工智能在現(xiàn)場失敗了，因為訓(xùn)練數(shù)據(jù)集使用了在陽光直射的露天拍攝的汽車照片和在模糊和光線不足的條件下拍攝的坦克照片。推理引擎訓(xùn)練基于照明差異而不是物體差異。

即使涉及到環(huán)境中的面部識別等問題?？梢詥为氂懻撈渲械碾[私方面。但是你真的可以有一個場景，你可以識別一個你不想進入你的辦公環(huán)境的人或類似的東西。因此，如果我們愿意的話，人工智能肯定會在這些方面進入網(wǎng)絡(luò)邊緣的端點。

越來越有趣的是，沒有一家公司能夠獨自解決工業(yè)環(huán)境中的無數(shù)應(yīng)用程序。因此，我們需要生態(tài)系統(tǒng)合作伙伴、庫和軟件支持，才能真正讓我們的客戶將大量此類解決方案帶入市場。在機場進行生物特征識別。所以你可以在沒有登機牌或類似的東西的情況下走上飛機。所有這些都是人們正在努力的事情。

有趣。有趣的。很高興聽到我們不僅在改進和重新思考我們已經(jīng)在做的事情，而且這項技術(shù)正在實現(xiàn)一系列前所未有的全新事物。

隨著越來越多的此類工具可用，開發(fā)人員將越來越多地發(fā)現(xiàn)自己采用了一種新的嵌入式系統(tǒng)控制設(shè)計方法。開發(fā)人員將創(chuàng)建一個 AI 加速處理器，該處理器運行通過機器學(xué)習(xí)開發(fā)的推理算法，而不是傳統(tǒng)的處理器運行代碼來實現(xiàn)人為定義的算法。如果做得好，人工智能推理引擎將能夠處理過于復(fù)雜的任務(wù)，無法通過傳統(tǒng)的編碼方法實現(xiàn)經(jīng)濟高效且可靠的實施。現(xiàn)在出現(xiàn)的創(chuàng)新工具將有助于讓 AI 新手更容易正確地做這件事。

所以基本上，你可以考慮一個真正便宜的傳感器，這樣你就不會僅僅通過查看顏色等來包裝變質(zhì)的肉。人們正在使用膚色來優(yōu)化我們的妝容以適應(yīng)我們的特定膚色。所有這些都是我們在幾年前通過使用光學(xué)傳感器無法想象的事情的例子。

聽到電子行業(yè)正在與露華濃和美寶蓮打交道，我感到很驚訝!或者歐萊雅。是的，正是。確切地。你永遠不會想到過去會發(fā)生這樣的事情。這是一個廣闊的領(lǐng)域。這是一個引人入勝的領(lǐng)域，將在未來提供數(shù)十年的增長。并且可能會軟化我們過去看到的典型周期性。我們不會完全避免周期，但我認為較新的創(chuàng)新將推動該行業(yè)達到過去從未見過的新水平。

人工智能如何改變邊緣計算的未來——雖然將人工智能與邊緣計算相結(jié)合是有意義的，但硬件和軟件組件需要解決幾個挑戰(zhàn)，包括功耗、處理能力、數(shù)據(jù)存儲和安全性。

硬件幫助將 AI 遷移到邊緣——將 AI 遷移到邊緣需要什么類型的處理能力?供應(yīng)商提出了一系列答案。

人工智能使數(shù)據(jù)存儲更有效地進行分析——將數(shù)據(jù)轉(zhuǎn)化為智能需要分析。正如這個概念驗證演示所示，在存儲控制器中實施的 AI 可以大大加快分析速度。

連接性仍然是人工智能、機器學(xué)習(xí)工作負載主流化的核心——一場讓人工智能結(jié)果相關(guān)、可靠和隨時可用的競賽。只有那些在最好的機器/深度學(xué)習(xí)基礎(chǔ)設(shè)施上訓(xùn)練過的人工智能模型，來自最大的數(shù)據(jù)集，才能生存下來。