隨著越來越多的公司將物聯網（IoT）設備與邊緣計算能力相結合，人們逐漸對如何使用人工智能（AI）來優化這些應用感到好奇。以下是一些發人深省的可能性。

利用機器學習提高物聯網傳感器推斷精度

技術研究人員仍處于研究如何通過機器學習提高邊緣部署物聯網傳感器性能的早期階段。早期應用包括將傳感器用于圖像分類或涉及自然語言處理的任務。不過有一個例子表明了人們是如何取得進步的。

IMDEA Network的研究人員意識到，如果將物聯網傳感器用于特定的深度學習任務，可能會導致傳感器無法保證特定的服務質量，如遭遇延遲和推理準確性降低。然而，參與該項目的研究人員開發了一種名為AMR2的機器學習算法來應對這一挑戰。

AMR2利用邊緣計算基礎設施使物聯網傳感器推斷更加準確，同時實現迅速響應和實時分析。實驗表明，與不使用該算法的基本調度任務結果相比，使用算法后的推理精度提高了40%。

他們發現，像這樣高效的調度算法對于幫助物聯網傳感器在邊緣部署時正常工作至關重要。一位項目研究人員指出，如果開發人員將AMR2算法用于類似于谷歌圖片的服務（即根據圖像包含的元素對圖像分類），可能會影響執行延遲。開發人員可以部署該算法以確保用戶在使用應用程序時不會注意到此類延遲。

邊緣人工智能降低連接設備的能耗

2023年，一項針對科技公司首席財務官的研究表明，預計80%的公司來年收入會增加。但增加收入的前提是，員工了解客戶的需求并相應地提供產品或服務。

許多物聯網設備的制造商想讓人們經常佩戴他們產品。一些可穿戴設備可以監測獨身一人的員工是否跌倒或感到痛苦；還可以監測擔任高體力要求的角色是否處于過度疲勞的狀態而需要休息。在這種情況下，用戶必須對他們的物聯網設備有信心，相信設備可以在工作及其他時間可靠地工作。

這就是研究人員探索邊緣人工智能如何提高物聯網設備的能源效率的原因之一。物聯網設備用于研究久坐對健康的影響，以及正確的姿勢是怎樣改善結果的。任何捕捉生活方式數據的物聯網設備都必須持續收集數據，所以幾乎或根本不能出現因為設備電量耗盡而停止收集信息的情況。

為了避免上述情況，受試者佩戴的無線設備通常由紐扣電池供電。一般來說，每個小裝置都有慣性傳感器，用來收集人們全天移動量的準確數據。然而最主要的問題是，由于傳輸的數據量很大，電池的電量只維持幾個小時。例如研究表明，一個九通道運動傳感器每秒讀取50個樣本，那么一天則會產生超過100MB的數據。

然而，研究人員意識到，機器學習可以讓算法僅把關鍵數據從邊緣部署的物聯網設備傳輸到智能手機或其他幫助分析信息的設備。他們繼續使用預訓練的遞歸神經網絡，發現該算法實現了實時性能，能夠改進物聯網設備的功能。

為設備端的人工智能訓練創造機會

邊緣計算的進步，提供了在更多地方使用智能設備的機會。例如，人們建議部署可以根據實時交通狀況打開和關閉的智能路燈。技術研究人員和愛好者也對直接部署在邊緣的物聯網設備上人工智能的訓練機會增加感興趣。這種方法可以提高產品功能，同時降低能耗并完善隱私保護。

麻省理工學院的一個團隊研究了在智能邊緣設備上訓練人工智能算法的可行性。他們嘗試了優化多種技術，其中一種技術只需157K內存就可以在微控制器上訓練機器學習算法，而其他輕量級訓練方法通常需要300-600 MB的內存。這一創新取得了顯著的改進。

研究人員解釋說，在訓練中生成的任何數據都會保留在設備上，從而減少了隱私泄露的危險。他們還提出在正常使用過程中進行訓練的用例，例如算法能否通過在智能鍵盤上鍵入的內容進行學習。

這種方法無疑取得了令人印象深刻的成果。在一個案例中，該團隊只訓練了10分鐘算法，便能檢測圖像中的人。這個例子表明優化可以雙向進行。

盡管前兩個例子側重于改進物聯網設備的工作方式，但這種方法也增強了人工智能訓練過程。不過，如果開發人員在物聯網設備上訓練算法并實現更好的性能的話，這將對人工智能算法和物聯網邊緣設備都有益處。

如何使用人工智能來改善物聯網邊緣設備的工作方式？

這些例子表明，在探索人工智能如何改善部署在邊緣的物聯網設備功能時，研究人員所關注重點。希望這些能為你提供寶貴的見解和靈感。從一個定義明確的問題開始解決總是最好的，然后再尋找能夠幫助實現目標的技術和創新方法。