术语“边缘智能”，也称为“边缘智能”，描述了边缘计算的一个新阶段。组织正在使用边缘智能来开发更智能的工厂车间、零售体验、工作空间、建筑物和城市。通过以前仅限于云或内部数据中心的分析，边缘已变得“智能”。在这个过程中，智能远程传感器节点可以在现场做出决策，或者将数据发送到网关进行进一步筛选，然后再将其发送到云端或其他存储系统。

挖掘大数据以获得有用的见解可能是一项重大挑战。搜索数据非常像淘金——一项耗时的任务，偶尔会有回报。组织意识到战略的重要性大数据和分析，但仍有许多障碍需要克服。

虽然数据可以为企业带来竞争优势，但也有可能用毫无价值的信息淹没他们的存储系统。每天都会创建大量数据，其中大部分是无用的。阿莎·凯迪英特尔公司副总裁兼下一代和标准经理表示：“我们正在生成太多数据。”

之前边缘计算，数据流直接从物联网 (IoT) 发送到中央数据存储系统。早期的边缘计算是一种使用微数据站（最好在传感器节点的 100 平方英尺内）提供数据筛选过程的努力，以在发送数据之前消除不必要或冗余的数据。简单来说，早期的边缘计算试图发送更精简、更高效的数据流，在主系统上存储和处理的数据更少。

城市、建筑和工业系统始于边缘传感器节点，它感知和测量特定范围的信息，然后用于做出关键决策。边缘节点可以智能地处理数据，并且可以捆绑、提炼或加密数据以传输到数据存储系统。理想情况下，边缘节点很小、不显眼，并且可以适应空间最小的环境。

情报方面
有广泛的各种传感设备可在边缘使用，提供有关振动、声音、温度、湿度、运动、压力、污染物、音频和视频等各种数据。筛选后的数据然后通过网关传输到云端进行存储和进一步分析。这些网关本质上是小型服务器，存在于组织的云或数据中心，或其云与所使用的传感器之间。

边缘网关已经发展成为提高网络互联网性能的架构组件。这些网关可作为现成的设备提供，其适应性足以与不同的云和传感器混合和匹配。不同的网关用于不同的任务。需要对来自工厂车间的数据进行实时分析的网关需要比仅跟踪自动化履行中心位置数据的网关更强大。

连接的传感器提供了广泛的信息，应用于做出关键决策。边缘节点是数据源，如果记录的信息有缺陷和质量差，使用数据弊大于利。

机器学习
机器学习 (ML) 是边缘智能的一个重要方面，为运行 ML 模型而设计的芯片已上市。ML 可以检测数据流中的模式和异常并启动适当的响应。

机器学习为工厂、智能城市、智能电网、增强和虚拟现实、联网汽车和医疗保健系统提供支持。ML 模型在云端进行训练，然后用于使边缘变得智能。

机器学习是创建功能性 AI 的有效方法。已经开发了许多 ML 技术，例如决策树、贝叶斯网络和 K-means 聚类，以训练 AI 实体进行分类和预测。深度学习（ML 领域的一个细分领域）是其中一种技术，它使用人工神经网络。深度学习已经产生了令人印象深刻的执行多项任务、分类图像和识别面部的能力。

人工智能
虽然机器学习在制造业的传感器节点中变得非常流行，人工智能(AI) 正在应用于从社交媒体内容、商业信息学和在线购物记录等收集的大数据。

这些数据通常被发送到并存储在海量数据中心中。然而，随着移动计算和物联网的发展，这种趋势开始逆转。思科估计到 2021 年，网络边缘的所有人、机器和事物将产生近 850 ZB 的数据。

将大量数据从 IoT 设备（智能手机和 iPad）传输到云端进行分析可能既昂贵又低效。最近的解决方案使用运行 AI 应用程序的设备分析来在本地处理 IoT 数据。然而，这种情况并不理想。这些人工智能应用程序需要强大的计算能力（智能手机上不具备这种能力），并且经常遇到性能和能源效率低下的问题。

一项提案建议通过将云服务从网络核心推向网络边缘来应对这些挑战。边缘节点传感器可以是智能手机或其他移动设备。传感器与网络网关或微数据中心通信。在这种情况下，与数据源设备的物理接近是最重要的特征。（假设您有一部智能手机。它的 GPS 会向附近电线杆上的 5G 传感器发送信号，然后将信号发送到确定您所在位置的网关，然后将经过提炼的最终数据发送到云端存储或进一步分析。）   

自 2009 年以来，微软一直在持续研究哪些应用程序应该从云端转移到边缘。他们的研究范围从语音命令识别到交互式云游戏再到实时视频分析。

实时视频分析预计将成为非常流行的边缘计算应用程序。作为建立在计算机视觉之上的应用程序，实时视频分析将不断收集从监控摄像头拍摄的高清视频。这些应用程序需要高计算量、高带宽和低延迟来分析视频。这可以通过将云的 AI 扩展到覆盖边缘的网关来实现。

智能工厂
一种快速普及的传感器可以测量带有机械部件（旋转轴或齿轮）的设备的振动。这些多轴传感器实时测量设备的振动位移。然后可以处理振动位移并与可接受的位移范围进行比较。在工厂中，分析这些信息可以提高效率、减少停机时间并在机械故障发生之前预测它们。在某些情况下，可能会立即关闭具有分解机械部件的设备，这会导致进一步损坏。

通过包含边缘节点分析，可以显着减少传感器节点做出反应所需的时间。一个MEMS传感器例如，当超过阈值限制时会发出警告，并会立即发出警报。如果数据表明事件足够糟糕，传感器可能会自动禁用设备，防止发生灾难性故障。

智慧城市
在智慧城市中，可以使用一些工业物联网边缘节点传感器，例如具有嵌入式视频分析功能的工业相机。的使命宣言智慧城市通常包括将有用信息整合并传达给其公民和员工的愿望。一个常见的应用程序提供停车位可用性。相机可用于识别各种各样的物体（例如停放的汽车）并识别运动。这也可以用来分析历史运动。

其他传感器是专门为智能城市设计的，例如污染传感器，当企业超出其允许标准时会向城市官员发出警告。可以在某些区域安装声级传感器，或者可以使用传感器来监控车辆和行人交通，以优化步行和驾驶路线。市民可以监测他们的能源和水消耗量，以获得减少使用量的建议。在我们的设备、应用程序和业务流程中越来越多地使用自动化决策，这使得人工智能对于保持竞争力至关重要。

边缘计算的未来
这智能边缘继续流行，连接设备和系统以收集和分析数据。全球范围内使用的物联网设备数量呈爆炸式增长，云计算正被产生的数据量所淹没。智能边缘不仅提供对运营效率的实时洞察，例如在重要设备发生故障之前改善其维护，还可以筛选出无用的数据。

无缝、同步的用户体验是许多互联网组织的基本目标。对于技术供应商而言，智能边缘及其连接设备为开发更智能、更集成的系统提供了机会。这些连接的设备通过筛选无用的数据来减轻云计算的负担，而忽视边缘计算概念的企业将不可避免地失去他们在制造或客户服务方面可能拥有的任何竞争优势。

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！ 机器学习模型方法总结 历史最全机器学习/深度学习/人工智能专业术语表中英对照表 机器学习如何应用于商业场景？三个真实的商业项目 数据工作者的自我修养 | 哪些技能是必不可少的？ 《汗牛充栋：数据分析书籍分享》CDA网校新课上线 文本挖掘常用的107个语料库 一图读懂“东数西算”工程 零基础转行数据分析，看这篇文章就够了