到目前為止，邊緣計算框架的局限性之一是如何在可能遠離數(shù)據(jù)中心的本地連接設備上處理計算密集型操作(例如機器學習和人工智能所需的那種操作)。然而，最近Amazon Web Services (AWS)更新了Greengrass軟件以支持本地ML推斷。

 

快速機器學習復習

 

我們之前學過機器學習，但是我們會再復習一些知識點。首先是如何訓練機器學習模型。這些是資源密集型的操作，需要許多小時、大量計算能力和大型數(shù)據(jù)集。這就是為什么這些操作通常在云中或運行Spark或Hadoop的大型分布式計算系統(tǒng)中執(zhí)行。

 

第二個問題是，一旦這些模型經過訓練，如何使用它們。雖然ML模型仍然需要處理能力，但它的運行成本通常要低得多，這使得它對于許多需要基于模型從未見過的數(shù)據(jù)進行實時推斷的操作非常重要。

 

 

AWS Greengrass的與眾不同之處在于它將ML模型的訓練與ML推理分離開來。前者保留在云中，可以利用云資源的可伸縮性，而后者在連接的設備上進行本地處理。這些設備只需要間歇性的云連接就可以獲得新版本的模型。其余的時間，他們可以從他們遇到的任何數(shù)據(jù)中推導出推論，并在存在連接性時傳遞這些數(shù)據(jù)。

 

 

ML、物聯(lián)網和邊緣計算

 

這種分工很自然地適合于物聯(lián)網設置，在這種環(huán)境中，系統(tǒng)可能需要實時推斷，而沒有大量計算資源的現(xiàn)成可用性。這項技術的一些潛在應用包括:

 

工業(yè)設置，其中傳感器可以監(jiān)控活動水平(溫度、噪音等)，檢測異常行為，并主動安排檢查或維修，以保持工廠在最高運行效率。

 

在農業(yè)領域，物聯(lián)網傳感器可以監(jiān)測傳統(tǒng)作物或溫室作物，測量溫度、濕度、酸度和其他因素，以預測作物產量，并幫助農民根據(jù)環(huán)境變化調整耕作方式。

 

在零售和娛樂場所，攝像頭可以安裝物體和面部識別算法，以監(jiān)控人群并改善客戶服務。

 

其中面部識別和場景分析可用于主動檢測和識別潛在威脅。

 

此外，AWS Greengrass承諾在硬件和框架方面都非常靈活和強大。您可以將自己的預培訓模型上傳到Amazon S3，但是ML推斷還包括TensorFlow Lite和Apache MXNet的包，并且可以支持其他流行的機器學習框架，如coff2和Microsoft Cognitive Toolkit。在硬件方面，ML推斷可以在由Raspberry Pi、Intel Atom或Nvidia Jetson TX2驅動的設備上運行，還可以訪問設備的GPU，這對于某些應用程序(如密碼學和數(shù)字貨幣挖掘)非常有用。

 

本文最初出現(xiàn)在Upwork中。