|
作者：安富利公司 人工智能（AI）與物聯網(IoT)在實際應用中的落地融合，形成了 AIoT(智能物聯網)，也就是萬物的智能互聯。目前，AIoT已經成為業界公認的未來技術主流形態。艾瑞咨詢最近發布的《2020中國智能物聯網（AIoT）白皮書》預測，2025年，中國物聯網連接數近200億個，海量連接產生的交互及數據分析需求將促使IoT與AI進行更深層次的融合。另一方面，智能的物聯網系統暴露了云計算中的潛在問題。智能和自動化的增加，無可避免地導致性能表現及安全性突出的應用出現了無法預料的延遲。 現今，兩大主要挑戰威脅著數量倍增的連網裝置：一是用于遠程通訊的邊緣裝置的性能，二是離網型物聯網應用的電池壽命。 原始數據的傳輸對任何裝置來說都是十分耗電的。傳統的蜂巢式廣域網（WAN）功耗大，因此不適用于電池供電的物聯網裝置。物聯網應用LoRaWAN（遠距離，廣域網）是物聯網應用中的首選通訊協議之一，能夠處理人工智能如何透過邊緣應用來改變物聯網架構的問題。 
為什么要使用LoRaWAN及邊緣人工智能？ 隨著智能裝置的激增，核心網域和終端裝置都面臨著來自通訊的挑戰，例如壅塞、安全性、服務延遲、數據隱私和缺乏互操作性。 對于網域，大部分的挑戰來自過度依賴云計算。將數據發送到云時，會產生更大量的能源消耗、帶寬、存儲和延遲，導致更高的成本。而霧計算或邊緣計算可以降低成本并提高效率。 當使用無線技術進行數據傳輸時，終端裝置中的通訊障礙就會出現。在物聯網中，藍牙和其他無線標準技術的優勢是低功耗，但有限的覆蓋范圍卻是一大障礙，特別是對于智慧城市服務而言。在這種情況下，低功率廣域網（LPWAN）成為了介于遠程蜂巢式和短程操作技術間的可靠的替代方案。 LPWAN是在Sub-GHz免照無線電頻段上運作的低功耗及覆蓋范圍更廣的通訊物理層。LPWAN是對鏈路和網絡層有效的標準協議，提供可變的數據速率，增加了以吞吐量交換為鏈路穩健性、覆蓋范圍或能量消耗的可能。而組織單位和個人都可以部署LPWAN網絡。 LPWAN和接近邊緣的霧計算架構 在智能和數據處理方面，邊緣計算和霧計算看起來很相似。但是，它們之間的主要差別在于計算和智能所發生的位置。 霧計算的環境將智能處理放在區域網（LAN）上，將數據從端點傳輸到網關。 而另一方面，邊緣計算將處理能力和智能放在嵌入式自動化控制器等裝置中。 這些裝置可以運行算法，產出邊緣智能—AI和邊緣計算的產物。 利用LPWAN進行邊緣計算的優勢 • 減少數據傳輸: 邊緣計算減少了傳輸的數據量和云端存儲。另一個優勢是將計算能力放置在網絡邊緣，可使延遲和成本極小化，同時減輕對帶寬的需求。 • 降低延遲: 邊緣計算可將數據傳輸、處理，以及依照從過程中獲得見解所采取之行動的時間間隔最小化。另外，以較低的成本增加了分析和事件處理的速度，信噪比也降低了。由于更加靠近終端用戶的位置，能夠降低核心網絡和連接裝置的帶寬及功耗，因此邊緣計算透過實時服務提供了低延遲能力，而這是智慧城市以及車對車通信和其他要求延遲低于數十毫秒的應用所必備的。這比主流的云服務的延遲要低。 • 安全性增強: 大多數的用戶將數據安全性和隱私視為首要考慮的問題，主要是因為這些因素對智慧城市的相關應用構成了安全威脅。安全性必須分三層：用戶隱私、數據安全性和網絡連接。 邊緣計算通過憑證升級和多個實體裝置上的安全檢查等措施，解決了物聯網安全性的挑戰。 • 擴展的應用程序: LPWAN和邊緣裝置在衛生保健監控中無所不在，例如用于偵測患者跌倒。 在篩選數據來進行實時處理的情況下，邊緣裝置可以提高準確度和適應能力。傳統系統中，在云端傳輸原始數據序列，因此警報的延遲增加了。邊緣系統透過將繁重的計算負載從傳感器節點調換到邊緣網關，來減少傳感器節點上的計算工作。 如何利用邊緣人工智能加速應用場景落地 雖然邊緣裝置的模型構建和訓練階段會消耗大量資源，并增加額外的復雜性，但市場上有提供定制和降低復雜性的高質量選擇。 安富利的SmartEdge Agile裝置可以簡化并大幅降低這種復雜性。SmartEdge Agile是搭載各種類型傳感器的邊緣計算裝置。Brainium用于構建和訓練模型。該裝置具有LPWAN連接以建立霧計算架構，并使用網關連接到Brainium。安富利的SmartEdge工業物聯網網關可安全且無縫連接Brainium和云。 |
