虽然这听起来像是科技专业术语，但将边缘运算与 AI 结合确实带来了实际的优势。事实上，边缘AI 是 AI 在安防行业中的主要应用领域之一，因此在如何以负责任的方式实践 AI 上也领先思考。在这篇文章中，我们将探讨边缘AI的现状及其带来的优势。
首先，什么是边缘AI？
在我们期望你接受“边缘AI”这个专业术语之前，其值得做一个解释。
近年来，私有和公共网络边缘的连接设备数量逐年增长，从2019年不到90亿台，预计到2030年将增长至约290亿台。
这些设备中的许多包括监控摄像机，已经变成了强大的运算设备。这使得在边缘设备本身上进行更多处理成为可能，这也就是所谓的边缘运算。
随着处理能力的增强，机器学习（ML）和深度学习（DL）这两个人工智能（AI）子集的进步，使我们能将 AI 功能嵌入到摄像机中。因此，这就是“边缘AI”的由来。
边缘AI在視頻监控的影响
简单来说，对于視頻监控网络来说，边缘AI代表更多的操作可以在摄像机上进行，主要透过更先进的分析来实现。
AI使摄像机能够实时理解场景并分类重要细节。这种侦测、分类、计数和追踪对象（如人和车辆）的高精准度和细节形成了基于捕获数据导出洞察信息并采取行动的基础。
这些洞察信息将减轻人员在分析数据和做出决策时所需的工作量。最终，它可以加快响应时间，并提供宝贵的洞察信息，塑造我们未来的建筑、城市、交通系统等。
提供更多可行的洞察信息
边缘AI在能力上带来了显著提升。过去，基于移动的分析只能侦测到“某物”已经移动并触发警报。而基于AI的边缘分析将辨识移动物体是车辆，并分类其类型，是否进入了受限或危险区域，周围是否有可能受危险的人，还有许多其他元素。
这些信息为操作员提供了更多可行的洞察分析，并大幅减少了误报。
例如，边缘AI分析可以识别高速公路上的物体（能够迅速区分影像，这通常是挑战），并透过广告牌自动提醒司机。
但AI带来的额外能力可以帮助区分人与车辆，进而帮助确定应对驾驶员的警告严重程度。如果摄像机发现路上有危险人物，它们可以自动启动广告牌告示来减速或甚至停车，并提醒紧急服务部门。
辨识车辆（或其他物体）后，分析还能够追踪它，帮助操作人员监控和调查事件。
提升搜寻能力
与边缘AI分析所创建的数据（和元数据）一起，还支持更高阶的影像搜寻。这使操作人员能够从多台摄像机的数小时視頻中快速精确地锁定具体的目标物体。大幅提高了事件后调查的速度和效率。
分担负担：边缘AI在混合解决方案架构中的应用
边缘AI将强大的分析功能带到了网络边缘，但在混合解决方案架构中也发挥宝贵的作用。这种架构充分利用了边缘、云端和本地服务器环境的最佳功能。
当分析集中在服务器上时，增加更多的摄影机会增加数据传输量，并需要额外的服务器来处理分析。部署边缘AI分析代表只有最相关的信息会被发送到网络中，从而减少带宽和储存的负担。
云端和服务器端的分析通常可以受益于从边缘端的预先处理，这样可以支持“非摄像机”分析，并提供更容易消化的元数据。其他更复杂的分析则可能需要完全在云端或服务器上进行。
混合解决方案将边缘AI创建的元数据传输到基于云端的数据仪表板，并运用强大的服务器端分析来办识和响应趋势、模式和异常。
在混合架构中智能运作，充分发挥系统每个部分的能力、容量和强度，有助于避免瓶颈，降低成本并保持高性能。
边缘AI分析提升准确性
在这看似“元”层次的情况下，边缘AI分析现在也被用来支持准确性，因为数据不会降级。
边缘分析的主要优势是，分析发生在最高质量的影像上，尽可能接近来源。在传统模式中 - 当分析发生在服务器上时 – 影像经常在传输之前进行压缩，因此分析是基于降级质量的影像进行的。
然而，边缘AI依赖高质量的視頻，但像镜头脏污或被遮挡，或者摄影机未对准等问题会造成困扰。
正如名称所示，边缘AI分析中的一个新类别 - 視頻健康分析 - 将不断监测监控摄像机所捕捉影像的质量，并在影像质量低于进行其他边缘AI分析所需的阈值时提醒操作人员。
边缘AI：推动超越安全领域的应用
显而易见，边缘AI正在为传统的安全和安防应用带来价值，使前线人员和保全人员能够更快速、适当地作出反应。此外，边缘AI分析所提供的详细数据和元数据也在提升各行业的运营效率。
- 城市规划者正在使用数据来驱动“数字孪生”城市环境，测试设计改善、交通管理和噪音控制，以提高市民的生活质量。
- 企业正在利用分析来更完善管理建筑内的能源使用，从而产生积极的环境影响。
- 在医疗保健、教育、零售等领域，边缘AI在监控摄像机的应用正改善服务质量和患者、学生、顾客的结果。
即便如此，我们才刚刚接触到边缘AI潜力的表面。
