人工智能驅(qū)動的機器視覺每天都變得越來越強大和廣泛。機器視覺和人工智能的新應(yīng)用正在快速發(fā)展，尤其是在醫(yī)療保健、自動駕駛汽車、制造、農(nóng)業(yè)和安全等領(lǐng)域。
在醫(yī)療保健領(lǐng)域，機器視覺用于快速分析數(shù)以千計的 X 射線、CAT 掃描和其他醫(yī)學(xué)圖像。它通過優(yōu)先考慮醫(yī) 院急診室的患者治療來挽救生命。在交通運輸行業(yè)，人工智能驅(qū)動的機器視覺系統(tǒng)使自動駕駛汽車能夠發(fā)現(xiàn)障礙物并安全地在道路上行駛。
機器視覺也通過自動缺陷檢測在制造業(yè)中發(fā)揮著關(guān)鍵作用，數(shù)字農(nóng)業(yè)的快速擴展領(lǐng)域部署了計算機視覺系統(tǒng)來限制甚至消除農(nóng)藥的使用，同時可持續(xù)地增加產(chǎn)量。
與機器視覺系統(tǒng)一樣有用，它們是大量非結(jié)構(gòu)化數(shù)據(jù)的來源。根據(jù) IDC 的研究，它們的日益普及是推動全球收集的數(shù)據(jù)量爆炸式增長的一個重要因素。
有了所有這些用途以及用于人工智能機器視覺的所有這些數(shù)據(jù)，它對企業(yè)產(chǎn)生了許多數(shù)據(jù)管理影響。今天，大多數(shù)組織都面臨著相互沖 突的數(shù)據(jù)管理需求。
大多數(shù)數(shù)據(jù)源自邊緣，但計算和存儲基礎(chǔ)設(shè)施通常集中在幾個大型數(shù)據(jù)中心或公共云上。將數(shù)據(jù)移動到集中位置會帶來與傳輸和存儲數(shù)據(jù)相關(guān)的大量延遲和成本。
據(jù)Gartner 稱，到 2025 年，大約 75% 的企業(yè)生成數(shù)據(jù)將在傳統(tǒng)數(shù)據(jù)中心或云之外創(chuàng)建和處理。在邊緣捕獲的大多數(shù)數(shù)據(jù)目前都轉(zhuǎn)移到集中位置進行處理，用于人工智能模型開發(fā)。
在實施機器視覺技術(shù)時必須考慮這一點。對于捕獲和集中 PB 級非結(jié)構(gòu)化數(shù)據(jù)的任何企業(yè)而言，這些負載都會顯著減慢機器學(xué)習算法的訓(xùn)練過程。這種集中式數(shù)據(jù)處理方法延遲了 AI 開發(fā)管道和生產(chǎn)模型調(diào)整。在工業(yè)環(huán)境中，這可能會導(dǎo)致遺漏產(chǎn)品缺陷，從而可能給企業(yè)造成巨額損失，甚至危及生命。
為了解決這個問題，越來越多的企業(yè)開始轉(zhuǎn)向分布式、去中心化的架構(gòu)。這意味著大多數(shù)數(shù)據(jù)都在邊緣保存和處理，以解決延遲和延遲挑戰(zhàn)，并解決與數(shù)據(jù)處理速度相關(guān)的問題。邊緣分析和聯(lián)合機器學(xué)習技術(shù)的部署帶來了顯著的好處，同時解決了集中式系統(tǒng)固有的安全和隱私缺陷。
一個不斷捕獲視頻片段的大型監(jiān)控網(wǎng)絡(luò)會編譯大量原始數(shù)據(jù)以供以后分析。為了從素材中有效地訓(xùn)練 ML 模型意味著必須對其進行審查以區(qū)分視頻中的特定對象。只需要檢測到新事物的鏡頭，而不需要可能捕獲空建筑物或街道的無變化視頻的乏味時間。通過在邊緣預(yù)先分析數(shù)據(jù)并將必要的鏡頭移動到一個集中點，企業(yè)可以節(jié)省時間、帶寬和成本。
雖然分布式架構(gòu)有許多優(yōu)點，但它們也引入了額外的復(fù)雜性。在邊緣選擇和部署適當?shù)拇鎯陀嬎慊A(chǔ)設(shè)施以及集中管理至關(guān)重要，并且會顯著影響整體系統(tǒng)效率和擁有成本。
