松下繼電器廠家代理機器學習與AWS Greengrass的邊緣計算相結合
41
在之前的文章中，我們已經了解了邊緣計算如何將處理、存儲和網絡資源轉移到更靠近它們將被使用的地方，并遠離為云提供動力的大型集中式數據中心。這對于許多(甚至是絕大多數)云應用程序都是可行的，它可能工作得很好。但是如果您需要的不僅僅是處理能力呢?
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據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據集。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中執行。
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據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據中推導出推論，并在存在連接性時傳遞這些數據。
ML、物聯網和邊緣計算
這種分工很自然地適合于物聯網設置，在這種環境中，系統可能需要實時推斷，而沒有大量計算資源的現成可用性。這項技術的一些潛在應用包括:
工業設置，其中傳感器可以監控活動水平(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。
在農業領域，物聯網傳感器可以監測傳統作物或溫室作物，測量溫度、濕度、酸度和其他因素，以預測作物產量，并幫助農民根據環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(如密碼學和數字貨幣挖掘)非常有用。
本文最初出現在Upwork中。
