機(jī)器學(xué)習(xí)介紹

機(jī)器學(xué)習(xí)是大多數(shù)AI應(yīng)用的核心，負(fù)責(zé)教計(jì)算機(jī)學(xué)會(huì)識(shí)別數(shù)據(jù)中的模式。更具體地來(lái)說(shuō)，其目標(biāo)就是創(chuàng)建訓(xùn)練有素的模型。這可以通過(guò)監(jiān)督學(xué)習(xí)來(lái)完成，這種學(xué)習(xí)方式向計(jì)算機(jī)提供學(xué)習(xí)實(shí)例。另外，這個(gè)過(guò)程也可以不受監(jiān)督——計(jì)算機(jī)只是在數(shù)據(jù)中尋找其關(guān)心的模式。還有涉及連續(xù)學(xué)習(xí)或持續(xù)學(xué)習(xí)的技術(shù)，這些技術(shù)可以使計(jì)算機(jī)從錯(cuò)誤中吸取教訓(xùn)，但這些不在本文討論范圍之內(nèi)。

運(yùn)行您的ML模型

一旦建成了ML模型，便可以將其應(yīng)用于手頭的工作。模型可用于預(yù)測(cè)未來(lái)事件、識(shí)別異常，以及進(jìn)行圖像或語(yǔ)音識(shí)別。幾乎在所有情況下，模型都依賴(lài)于大型深層樹(shù)狀結(jié)構(gòu)，并且需要大量的算力才能運(yùn)行。對(duì)于通常基于人工神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像和語(yǔ)音識(shí)別的模型而言尤其如此。神經(jīng)網(wǎng)絡(luò)創(chuàng)建稠密網(wǎng)格，因此需要在高度并行化的硬件（通常基于GPU）上運(yùn)行。直到最近，也只有AWS或Azure等云服務(wù)提供商才有實(shí)力提供此類(lèi)功能。

為了讓您對(duì)所需的算力有個(gè)概念，下表列示了AWS P3實(shí)例的規(guī)格，這是一個(gè)針對(duì)ML應(yīng)用進(jìn)行了優(yōu)化的處理平臺(tái)

表1：AWS P3實(shí)例規(guī)格

這些都是頂配機(jī)型。它們具備大容量RAM，以及極快的網(wǎng)絡(luò)和存儲(chǔ)訪問(wèn)權(quán)限。最重要的是，它們具有強(qiáng)大的CPU和GPU處理能力，正是這一要求使ML模型在網(wǎng)絡(luò)邊緣運(yùn)行成為了真正的挑戰(zhàn)。

集中式AI的缺點(diǎn)

目前為止，由于ML模型難以在網(wǎng)絡(luò)邊緣運(yùn)行，因此大多數(shù)最著名的AI應(yīng)用都依賴(lài)于云。但是，這種對(duì)云計(jì)算的依賴(lài)給AI的使用帶來(lái)了一些限制。下面列出了集中式AI在運(yùn)行方面的一些缺陷。

有些應(yīng)用無(wú)法在云端運(yùn)行

為了在云端運(yùn)行AI，需要有容量足夠的可靠網(wǎng)絡(luò)連接。如果沒(méi)有這種條件，則可能由于缺乏基礎(chǔ)設(shè)施，有些AI應(yīng)用不得不在本地運(yùn)行。換言之，只有能夠在邊緣運(yùn)行ML模型，這些應(yīng)用才能正常工作。

以自動(dòng)駕駛汽車(chē)為例。它需要完成許多依賴(lài)于機(jī)器學(xué)習(xí)的任務(wù)。這些任務(wù)中最重要的是探測(cè)和規(guī)避物體。這要求ML模型要有相當(dāng)大的算力。但是，即使是聯(lián)網(wǎng)汽車(chē)也只有較低的連接帶寬，這些連接還并不一致（盡管5G可能會(huì)改善這一點(diǎn)）。

在為采礦和其他重工業(yè)創(chuàng)建智能物聯(lián)網(wǎng)監(jiān)控系統(tǒng)時(shí)，同樣存在這種限制。通常在本地會(huì)有快速網(wǎng)絡(luò)，但是互聯(lián)網(wǎng)連接可能會(huì)依賴(lài)于衛(wèi)星上行鏈路。

延遲是關(guān)鍵

許多ML應(yīng)用需要實(shí)時(shí)工作。上面提到的自動(dòng)駕駛汽車(chē)就是此類(lèi)應(yīng)用，另外還有實(shí)時(shí)面部識(shí)別等應(yīng)用。它可以用于門(mén)禁系統(tǒng)或安保措施；例如，警察經(jīng)常使用這項(xiàng)技術(shù)監(jiān)視體育賽事和其他活動(dòng)中的人群，以找出已知的鬧事者。

AI也越來(lái)越多地用于打造智能醫(yī)療設(shè)備。其中一些需要實(shí)時(shí)工作才能發(fā)揮真正的作用，但是連接到數(shù)據(jù)中心的平均往返時(shí)間約在10到100毫秒之間。因此，如果不將ML模型轉(zhuǎn)移到網(wǎng)絡(luò)邊緣，就很難實(shí)現(xiàn)實(shí)時(shí)應(yīng)用。

安全性可能會(huì)成為問(wèn)題

許多ML應(yīng)用會(huì)處理安全數(shù)據(jù)或敏感數(shù)據(jù)。顯然，這類(lèi)數(shù)據(jù)可以通過(guò)網(wǎng)絡(luò)發(fā)送，并被安全存儲(chǔ)到云端。但是，當(dāng)?shù)卣咄ǔ＝惯@樣做。健康數(shù)據(jù)尤其敏感，許多國(guó)家對(duì)發(fā)送到云服務(wù)器這一做法有著嚴(yán)格的法規(guī)要求。總之，確保僅連接到本地網(wǎng)絡(luò)的設(shè)備的安全性永遠(yuǎn)更加容易。

成本

訂購(gòu)ML優(yōu)化的云實(shí)例可能會(huì)非常昂貴 - 表1中所示的最低規(guī)格實(shí)例每小時(shí)花費(fèi)約3美元。許多云提供商會(huì)收取額外的費(fèi)用，例如用于存儲(chǔ)和網(wǎng)絡(luò)訪問(wèn)的費(fèi)用，這筆費(fèi)用也要考慮在內(nèi)。實(shí)際上，運(yùn)行一個(gè)AI應(yīng)用每月可能要花費(fèi)高達(dá)3,000美元。

結(jié)論

實(shí)現(xiàn)成功的機(jī)器學(xué)習(xí)通常需要具有強(qiáng)大算力的基于云或服務(wù)器的資源。但是，隨著應(yīng)用的發(fā)展和新用例的出現(xiàn)，將機(jī)器學(xué)習(xí)轉(zhuǎn)移到網(wǎng)絡(luò)邊緣變得更加引人注目，尤其是在需要優(yōu)先考慮延遲、安全性和實(shí)現(xiàn)成本等因素的情況下。

審核編輯：郭婷