混合部署的免费工作流可获得更好的结果

第一步是通过确定必须实时在边缘进行决策的用例，并通过可在云中进行处理以进行长期分析和改进的方案，来淘汰可最大化效率和可扩展性的工作流程。

如果您在智能边缘设备上部署深度学习，那么在需要实时决策的情况下，例如自动驾驶汽车，农业无人机和系统，摄像机，移动设备等。同时，系统可以将数据上传到云中以进行存储以及进一步处理和分析，而这些处理和分析可以由功能更强大的引擎执行。这将确保该系统可以实现大功率计算的优势，并允许将云中的数据与其他系统中的数据进行组合。

利用这些组合数据，可以对模型进行重新训练以进行持续改进。一旦在云中进行了再培训，就可以在边缘重新部署新模型。

与采用单一方法相比，将云AI和边缘部署的优势整合在一起更强大。具体来说，云AI的处理能力和高性能可以补充边缘AI的效率，速度和自主性。

混合方法在行动

人工智能在自动驾驶汽车中的应用是一个说明补充方法好处的特定用例。

在此用例中，至关重要的是，AI模型必须在边缘，直接在设备和车辆上运行，以确保汽车可以安全行驶。如果汽车在将数据发送到云端并进行处理之前无法采取行动，那么它将无法做出反应并迅速做出决策以确保安全。另外，无法保证车辆将保持连续的互联网连接。

但是，汽车制造商还可以从捕获数据中受益，而不仅仅是实时决策所必需的。将收集的数据发送到云进行处理是持续改进和重新训练模型的关键。这不仅可以彻底处理设备的数据，而且还可以将深度学习的见解与从其他边缘设备收集的数据相结合，以进行更大的输入和理解。基于此见解，可以不断改进算法以发展自动驾驶汽车系统。

（编辑：广安站长网）

【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!