在边缘AI与云AI之间寻找平衡

另一种方法是使用已知可以在边缘AI中很好地工作的网络体系结构，并直接为目标平台训练它们。他发现，鉴于训练数据的数量和种类足够多，就绝对性能而言，这种方法通常可以胜过跨平台编译器方法。但是，它还需要在培训期间以及预处理和后期处理中进行一些手工操作。

边缘和云AI之间的常见折衷

开发人员需要在云和边缘AI之间进行权衡的一些最常见的折衷方案包括：

· 处理能力：边缘计算设备通常功能较弱，并且难以更换或升级。

· 延迟：云计算速度很快，但尚未为驾车或工业控制等实时应用做好准备。

· 能耗：大多数设计人员通常不必像对待边缘那样考虑云的能耗约束。

· 连通性：当连通性下降时，像自动驾驶汽车这样的安全关键服务将无法停止工作，这会将实时AI驱动的决策的处理推向边缘。

· 安全性：用于驱动身份验证和处理敏感信息（例如指纹或病历）的AI服务通常最好是在本地出于安全考虑而完成。即使部署了非常强大的云安全性，用户从边缘处理中获得更好的隐私感也可能是重要的考虑因素。

延伸阅读：

• 迎接拐点到来，边缘计算从1.0到2.0
• 边缘计算之争：新的云战场并不在云上
• 腾讯云：5G为边缘计算打开了广阔的商业空间

（编辑：应用网_阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!