物联网“新篇章”：如何将机器学习引入边缘计算？（三）
更新时间：2019-10-26 作者：晓天电器
但格兰仕过去传统架构设计的信息系统已不再适用，在数字化转型过程中，格兰仕在对比了众多解决方案后，最终选择利用 AWS IoT 、AWS ECS 等 AWS 解决方案完成了电商平台与物联网平台的开发部署。
在 AWS 智慧家庭设备的解决方案中，用户可在 Amazon SageMaker 中构建预测模型以用于场景检测分析，并对其进行优化以便在任何摄像机上的稳定运行，然后部署该模型以便预测可疑活动并发送警报，实现在云中构建、训练和优化机器学习模型，并在本地设备进行推理的高效响应。
用户首先可将训练数据上传至存储桶中，并选择 SageMaker 提供的现有算法生成训练模型，该模型以压缩 zip 文件的形式被复制到另一 Amazon S3 存储桶内。接下来，该 zip 文件会被复制到设备中，该设备则在运行时由 AWS Lambda 函数进行调用。其中，在 IoT Greengrass 上运行推理过程所收集到的数据可发送回 SageMaker，进行就地标记，并用于不断提高机器学习模型的质量。
在上图具体的智慧家庭场景中，机器学习模型需要在家中的智能摄像头和网关的边缘设备上直接运行，并检测是否发生了一些需要实时处理的数据。在边缘端，这些机器学习模型作为一个 Serverless 函数部署，该函数则由应用程序直接调用。在每个边缘位置，由于 FaaS 中的部署单元为一个函数，因此它比推送到虚拟机或容器要更高效得多，而且一旦有新的机器学习模型在云端产生时，都会为其分配一个新版本，并将其同步到边缘端去运行。总之，机器学习的繁重工作在云中完成，边缘计算简化了推理与部署体验，Serverless 也将简化开发人员的工作负担。
边缘计算作为算力架构优化最重要的技术，不仅是物联网发展的重要方向，同时也是未来 AI 技术的重要延伸。万物互联，将机器学习智能引入边缘计算，使智能计算更接近于应用程序，人工智能与边缘计算的融合与突破，势必将重新定义未来科技的发展新方向。
