將機器學習轉(zhuǎn)移到網(wǎng)絡邊緣變得引人注目

離網(wǎng)絡邊緣更近一步

機器學習介紹

機器學習是大多數(shù)AI應用的核心，負責教計算機學會識別數(shù)據(jù)中的模式。更具體地來說，其目標就是創(chuàng)建訓練有素的模型。這可以通過監(jiān)督學習來完成，這種學習方式向計算機提供學習實例。另外，這個過程也可以不受監(jiān)督——計算機只是在數(shù)據(jù)中尋找其關心的模式。還有涉及連續(xù)學習或持續(xù)學習的技術，這些技術可以使計算機從錯誤中吸取教訓，但這些不在本文討論范圍之內(nèi)。

運行您的ML模型

一旦建成了ML模型，便可以將其應用于手頭的工作。 模型可用于預測未來事件、識別異常，以及進行圖像或語音識別。 幾乎在所有情況下，模型都依賴于大型深層樹狀結構，并且需要大量的算力才能運行。 對于通?；谌斯?a href="http://ttokpm.com/tags/神經(jīng)網(wǎng)絡/" target="_blank">神經(jīng)網(wǎng)絡進行圖像和語音識別的模型而言尤其如此。 神經(jīng)網(wǎng)絡創(chuàng)建稠密網(wǎng)格，因此需要在高度并行化的硬件（通?；?a href="http://ttokpm.com/tags/gpu/" target="_blank">GPU）上運行。 直到最近，也只有AWS或Azure等云服務提供商才有實力提供此類功能。

為了讓您對所需的算力有個概念，表1列示了AWS P3實例的規(guī)格，這是一個針對ML應用進行了優(yōu)化的處理平臺：

表1：AWS P3實例規(guī)格

這些都是頂配機型。它們具備大容量RAM，以及極快的網(wǎng)絡和存儲訪問權限。最重要的是，它們具有強大的CPU和GPU處理能力，正是這一要求使ML模型在網(wǎng)絡邊緣運行成為了真正的挑戰(zhàn)。

集中式AI的缺點

目前為止，由于ML模型難以在網(wǎng)絡邊緣運行，因此大多數(shù)最著名的AI應用都依賴于云。但是，這種對云計算的依賴給AI的使用帶來了一些限制。下面列出了集中式AI在運行方面的一些缺陷。

有些應用無法在云端運行

為了在云端運行AI，需要有容量足夠的可靠網(wǎng)絡連接。如果沒有這種條件，則可能由于缺乏基礎設施，有些AI應用不得不在本地運行。換言之，只有能夠在邊緣運行ML模型，這些應用才能正常工作。

以自動駕駛汽車為例。它需要完成許多依賴于機器學習的任務。這些任務中最重要的是探測和規(guī)避物體。這要求ML模型要有相當大的算力。但是，即使是聯(lián)網(wǎng)汽車也只有較低的連接帶寬，這些連接還并不一致（盡管5G可能會改善這一點）。

在為采礦和其他重工業(yè)創(chuàng)建智能物聯(lián)網(wǎng)監(jiān)控系統(tǒng)時，同樣存在這種限制。通常在本地會有快速網(wǎng)絡，但是互聯(lián)網(wǎng)連接可能會依賴于衛(wèi)星上行鏈路。

延遲是關鍵

許多ML應用需要實時工作。上面提到的自動駕駛汽車就是此類應用，另外還有實時面部識別等應用。它們可以用于門禁系統(tǒng)或安保措施。例如，警察經(jīng)常使用這項技術監(jiān)視體育賽事和其他活動中的人群，以找出已知的鬧事者。

AI也越來越多地用于打造智能醫(yī)療設備。其中一些需要實時工作才能發(fā)揮真正的作用，但是連接到數(shù)據(jù)中心的平均往返時間約在10到100毫秒之間。因此，如果不將ML模型轉(zhuǎn)移到網(wǎng)絡邊緣，就很難實現(xiàn)實時應用。

安全性可能會成為問題

許多ML應用會處理安全數(shù)據(jù)或敏感數(shù)據(jù)。顯然，這類數(shù)據(jù)可以通過網(wǎng)絡發(fā)送，并被安全存儲到云端。但是，當?shù)卣咄ǔ＝惯@樣做。健康數(shù)據(jù)尤其敏感，許多國家對發(fā)送到云服務器這一做法有著嚴格的法規(guī)要求?？傊?，確保僅連接到本地網(wǎng)絡的設備的安全性永遠更加容易。

成本

訂購ML優(yōu)化的云實例可能會非常昂貴—表1中所示的最低規(guī)格實例每小時花費約3美元。許多云提供商會收取額外的費用，例如用于存儲和網(wǎng)絡訪問的費用，這筆費用也要考慮在內(nèi)。實際上，運行一個AI應用每月可能要花費高達3，000美元。

結論

實現(xiàn)成功的機器學習通常需要具有強大算力的基于云或服務器的資源。但是，隨著應用的發(fā)展和新用例的出現(xiàn)，將機器學習轉(zhuǎn)移到網(wǎng)絡邊緣變得更加引人注目，尤其是在需要優(yōu)先考慮延遲、安全性和實現(xiàn)成本等因素的情況下。

責任編輯：haq