在人(rén)工智能（AI）集成的(de)許多(duō)情況下(xià)，活動需要在本地進行才能迅速行動。例如，如果人(rén)工智能系統收到了(le)機器故障的(de)警報，人(rén)工智能系統可(kě)能會做(zuò)出決定，停止機器運行以避免産品損壞。通(tōng)過在邊緣而不是雲端整合人(rén)工智能系統，可(kě)以避免延遲問題，這(zhè)意味著(zhe)機器被關閉的(de)速度要快(kuài)得(de)多(duō)，産品損壞的(de)數量也(yě)更少。

這(zhè)同樣适用(yòng)于流程優化(huà)活動，如：改變機器的(de)運動速度或運動類型。邊緣的(de)人(rén)工智能系統可(kě)以向設備發送指令，以改善其性能，比從雲端發送的(de)速度更快(kuài)。

在邊緣集成人(rén)工智能和(hé)處理(lǐ)數據的(de)另一個(gè)好處是提高(gāo)了(le)安全性。雲計算(suàn)可(kě)能會帶來(lái)許多(duō)安全問題，因爲數據由第三方提供商存儲在公司場(chǎng)所之外，并且可(kě)以通(tōng)過 Internet 訪問。邊緣計算(suàn)可(kě)以通(tōng)過在源頭過濾敏感信息并将其存儲在本地，作爲克服這(zhè)些安全問題的(de)補充，從而減少将機密材料傳輸到雲或大(dà)型集中式系統。

此外，設施往往有大(dà)量的(de)移動設備連接到AIOT，因此處理(lǐ)大(dà)量數據。 将所有這(zhè)些數據發送到雲端可(kě)能是不可(kě)能的(de)，所以最好在邊緣進行分(fēn)析。 邊緣分(fēn)析可(kě)以從原始數據中提取高(gāo)值特性，隻向雲端發送重要和(hé)必要的(de)信息，例如，機器的(de)剩餘壽命等。

爲了(le)在邊緣整合AIoT，行業領導者必須首先建立一個(gè)離線的(de)AI模型。然後，他(tā)們必須通(tōng)過使用(yòng)先前存儲的(de)數據集來(lái)訓練該模型，以改善它，并确保它符合預期和(hé)要求。一旦對(duì)模型感到滿意，行業領導者可(kě)以通(tōng)過導出并在線應用(yòng)新的(de)實時(shí)數據來(lái)執行它。

但是，将模型應用(yòng)于在線場(chǎng)景中的(de)實時(shí)數據，與在訓練階段已被分(fēn)類的(de)存儲數據上測試模型是非常不同的(de)。實時(shí)數據還(hái)沒有經過過濾或分(fēn)類，每組數據可(kě)能在不同的(de)時(shí)間到達，爲AIoT創造了(le)一個(gè)混亂的(de)信息。

因此，在AIoT使用(yòng)之前，需要對(duì)數據做(zuò)一些處理(lǐ)--這(zhè)也(yě)是邊緣分(fēn)析的(de)作用(yòng)所在。Crosser平台可(kě)以在數據到達AIoT之前以多(duō)種方式幫助準備數據。例如，它可(kě)以協調來(lái)自多(duō)個(gè)來(lái)源的(de)不同格式的(de)數據。

在不同時(shí)間傳來(lái)的(de)數據可(kě)以由平台在常規時(shí)間界限上進行調整。此外，如果數據源有不同的(de)采樣率，那麽平台可(kě)以填入中間值，以便在每次更新時(shí)用(yòng)所有傳感器的(de)新數據更新模型。它還(hái)可(kě)以在時(shí)間序列數據上創建不同類型的(de)窗(chuāng)口。

該平台還(hái)可(kě)用(yòng)于特征提取。根據所使用(yòng)的(de)模型，可(kě)能需要從原始數據中創建其他(tā)特征。例如，這(zhè)可(kě)以是獲取振動數據并将其從時(shí)域轉換爲頻(pín)域。所有這(zhè)些步驟都會在數據到達 AIoT 之前進行數據簡化(huà)。

誠然，機器智能擁有巨大(dà)的(de)潛力，但其他(tā)支持性技術可(kě)以幫助發掘其全部潛力。在邊緣整合AIoT的(de)行業領導者可(kě)以從高(gāo)效、反應式控制系統中獲益--快(kuài)速優化(huà)流程。