AI/ML模型实现比传统云连接的物联网系统更高的系统效率

物联网（IOT）通过将虚拟和现实融为一体，将世界变得更智能、更具响应性。在过去的几年里，物联网在广泛的应用领域呈现出指数级增长。根据麦肯锡的一项研究，到2025年，物联网将产生4到11万亿美元的经济影响。边缘设备将变得更加智能，厂家也正在竞相支持更多互联和智能的端点设备。

在安全的云基础设施的支持下，智能互联设备具有许多优势，持有成本、资源效率、灵活以及方便使用。然而，在设备和云之间来回传输数据的过程，会带来额外的数据延迟和隐私风险。对于非实时、低延迟要求的应用来讲，这通常不是问题，但对于依赖实时分析并需要在事件发生时快速响应的业务来说，这会造成性能的瓶颈。

想象一下，在一个工厂中，通过实时数据分析和智能化设备进行感应通信，可以显著优化整体运营、物流和供应链。这种工业传感器产生的数据和为之响应的控制设备对工厂操作人员帮助很大，通过预防性的异常检测避免生产事故，确保工作场所的安全。

这也体现出了执行本地化机器学习和分析的现实需求，缩短关键应用程序的响应延迟，防止数据泄露，并有效管理物联网产生的数据。那么就要将数据的计算下放到离数据采集更近的地方，即所谓“端点”，而不是将数据统统发送回云端的数据中心进行处理。

将高性能物联网设备与人工智能相结合，创造出新的应用场景，就是所谓的AIoT。AIoT——边缘设备上人工智能——释放无限可能。例如：助听器利用算法从谈话中过滤背景噪音，智能家居设备依靠人脸和声音识别来切换用户的个性化设置。正因为端点人工智能，这些个性化的感知、决策和预测成为可能。

Endpoint AI是人工智能领域一个新的前沿技术，它将人工智能的处理能力带到了网络边缘。这是一种在本地设备上管理信息、搜集数据和做出决策的革命性方式。换言之，它为用于数据计算的物联网设备赋予了人工智能，即实时决策的能力。目标是让基于机器学习的智能决策在物理上更接近数据源。预先训练好的AI/ML模型可以有效地部署在端点，从而实现比传统云连接的物联网系统更高的系统效率。

Endpoint AI基于在本地边缘设备上运行机器学习算法来做出决策，而不必向云服务器发送信息（至少减少发送的信息量）。

借助从物联网设备收集的大量实时数据，智能机器学习算法可以高效地从实时数据中获取最有价值的洞察能力。然而，这些机器学习算法可能很复杂，因为它们需要更高的计算能力和更大的内存。此外，在庞大的数据集中进行模式识别并做出准确决策所需的时间可能相当长。

过去，在资源受限的微控制器等设备上采用高效的机器学习算法是不可行的，但随着TinyML技术的进步，一切变得可能。TinyML已经成为许多嵌入式应用的规则改变者，因为它允许用户直接在微控制器上运行ML算法。它能带来更高效的能源管理、数据保护、更快的响应时间以及能在端点上运行的优化算法。

此外，新一代通用微控制器提供了足够的计算能力、智能的省电外设，最重要的是，强大的安全引擎来支持设备对数据隐私的要求。这为AIoT领域的新应用以及新型数据处理、延迟和安全解决方案创造了条件，并支持离线或者在线运行。

让我们简单了解一下Endpoint AI（端点人工智能）的优势。

隐私和安全-这是先决条件

在对隐私和安全非常重视的环境，通常是来自法规和商业需求的压力，数据的搜集和分析是endpoint AI的核心。Endpoint AI从根本上来讲它更加安全。数据不被发送到云端，而是由端点本身来处理。根据F-Secure报告，物联网中的端点设备是“2019年网络攻击的首要目标”，另一项研究表明，物联网设备平均每月遭受5200次攻击。这些攻击大多发生在数据从物联网设备传输到云端的过程。那么，数据不出本地就能进行数据分析，可以大大提高抵御黑客攻击的能力。

高效的数据传输

数据的集中处理需要将数据从数据源转发到处理中心，以便对其进行分析。传输数据的时间可能会很长，也存在数据出错的风险，尤其是传输路径上环境发生重大变化的情况下。

Endpoint AI将数据从设备、传感器和机器传输到边缘数据中心或云，大大减少了决策执行的时间，提高了“数据传输处理-决策”这个周期的效率。

一些数据处理可以在分散的边缘设备上完成，有效减少网络流量，提高准确性，同时降低成本。

最短等待时间

1500毫秒（1.5秒）的延迟是电子商务网站要取得类似实体店用户体验的极限。用户不会容忍更长的延迟，他们会选择放弃，从而导致电子商务营收的减少。有了Endpoint AI，通过将数据转发到更接近数据源的位置来减少延迟。软件和硬件解决方案部署下去能够实现无等待的用户体验。

关键的可靠性

Endpoint AI的另一个关键优势是可靠性，因为从根本上来说，它更少依赖于云，从而提高了整体系统性能，降低了数据丢失的风险。

它可确保您的信息始终可用，并且不会离开本地，从而实现独立、实时的决策。同时决策必须准确并立刻执行。实现这一点的唯一方法是在边缘设备部署AI。

多合一设备

Endpoint AI支持集成多种AI/ML模型，有助于增强系统性能、功能以及最重要的稳健性。例如，语音+视觉功能组合，特别适合基于人工智能的免提视觉系统。语音识别可激活对物体和人脸的识别，用于智能监控或免提视讯会议系统等应用。视觉人工智能识别还可用于许多商业或工业应用中来监控操作员行为、控制关键操作，或者识错管理和风险检测。

可持续并且可行

将AI和ML功能与高性能计算设备相集成，可以开发出高度可持续的解决方案。这些技术的融合可以提供更便携、智能、节能、更经济的设备。，在很多应用中AI可以帮助改善它们对环境的影响可。例如，人工智能参与的分布式清洁电网、精准农业、可持续供应链、环境监测以及天气和灾害的预测和响应。

Renesas根据各种应用和系统的需求，积极参与AI/ML解决方案的提供。它与其合作伙伴一起，在硬件和软件方面提供全面和高度优化的可运行在端点设备上的AI/ML多功能解决方案。

人工智能不仅仅存在于云中；它将无处不在。本地设备的智能化、缩短的延迟、数据完整性、更快的执行力、可扩展性等等都是Endpoint AI的优势所在，这使得它在人工智能领域创造出更多的可能和机遇。

现在，是时候让开发人员、产品经理和业务相关人员抓住这个巨大的商机，构建更好的AIoT系统，解决现实世界中的难题，并产生新的业务营收。

审核编辑：郭婷