深度学习已成为一种实用技术 现已成为许多需要人工智能应用的基础
新时代，高科技越来越发达。朋友们读了很多关于科技的重要新闻。我们也应该在生活中使用很多这些高科技的东西。朋友应该注意什么？今天，我想和大家分享一条关于科技的知识。我希望你会喜欢它。
其中许多应用程序托管在强大的服务器上的云中，因为任务有时涉及处理数据丰富的源，如图像、视频和音频。这些服务器通常需要加速硬件的额外性能，从图形处理单元到定制设备。这对于数字密集型过程尤其重要，在这种过程中，将针对新数据训练神经网络。
通常，使用训练有素的网络评估新数据的推理过程比训练计算量少。还有一些工作负载涉及不太密集的数据来源，例如从物联网设备读取传感器，在这些设备中，训练和推理可以在性能较低的硬件上执行。因此，系统设计人员发现，一旦AI模型得到训练，就没有必要将工作负载放在云中，尽管出于业务原因，许多当前的服务仍然需要这样做。相反，训练好的模型可以转移到本地机器上，在更接近数据源的地方进行处理。
边缘人工智能的优势
让AI模型更接近网络边缘的原因有很多。一个主要驱动力是隐私和用户接受度。例如，使用智能音箱等设备的消费者越来越担心定期记录他们的私人对话，并上传到云服务，以获得可以在本地支持的服务。
控制系统也受到高通信延迟的不利影响。如果在闭环控制系统中使用AI模型，从云中获取更新的任何延迟都会导致不准确和不稳定。一些系统可能会混合云和本地处理。例如，监控摄像头将通过在本地识别即时威胁来保留网络带宽，但随后会调用云来对本地模型无法应对的情况执行其他处理。
当AI处于边缘时，电池寿命也显著增加，因为通过网络发送的数据更少，从而降低了网络和云成本。
人工智能在预测性维修中的应用
目前，预测性维护是连接工业应用中最流行的用例。因为可以减少现场检查的频率，所以可以提供很高的投资回报。通过准确识别组件的剩余可用服务时间，还可以减少机器的停机时间，从而可以利用机器的使用寿命，而不会在运行过程中出现故障。根据运行数据预测使用寿命也有助于优化维护计划和准确确定正确的备件需求。使用预测性维护的客户的效率提高了20%至25%。
本文就为大家讲解到这里了。