雖然這聽起來像是科技專業術語，但將邊緣運算與 AI 結合確實帶來了實際的優勢。事實上，邊緣AI 是 AI 在安防行業中的主要應用領域之一，因此在如何以負責任的方式實踐 AI 上也領先思考。在這篇文章中，我們將探討邊緣AI的現狀及其帶來的優勢。
首先，什麼是邊緣AI？
在我們期望你接受“邊緣AI”這個專業術語之前，其值得做一個解釋。
近年來，私有和公共網絡邊緣的連接設備數量逐年增長，從2019年不到90億台，預計到2030年將增長至約290億台。
這些設備中的許多包括監控攝影機，已經變成了強大的運算設備。這使得在邊緣設備本身上進行更多處理成為可能，這也就是所謂的邊緣運算。
隨著處理能力的增強，機器學習（ML）和深度學習（DL）這兩個人工智慧（AI）子集的進步，使我們能將 AI 功能嵌入到攝影機中。因此，這就是“邊緣AI”的由來。
邊緣AI在影像監控的影響
簡單來說，對於影像監控網路來說，邊緣AI代表更多的操作可以在攝影機上進行，主要透過更先進的分析來實現。
AI使攝影機能夠即時理解場景並分類重要細節。這種偵測、分類、計數和追蹤對象（如人和車輛）的高精準度和細節形成了基於捕獲數據匯出洞察資訊並採取行動的基礎。
這些洞察資訊將減輕人員在分析數據和做出決策時所需的工作量。最終，它可以加快回應時間，並提供寶貴的洞察資訊，塑造我們未來的建築、城市、交通系統等。
提供更多可行的洞察資訊
邊緣AI在能力上帶來了顯著提升。過去，基於移動的分析只能偵測到“某物”已經移動並觸發警報。而基於AI的邊緣分析將辨識移動物體是車輛，並分類其類型，是否進入了受限或危險區域，周圍是否有可能受危險的人，還有許多其他元素。
這些資訊為操作員提供了更多可行的洞察分析，並大幅減少了誤報。
例如，邊緣AI分析可以識別高速公路上的物體（能夠迅速區分影像，這通常是挑戰），並透過看板自動提醒司機。
但AI帶來的額外能力可以幫助區分人與車輛，進而幫助確定應對駕駛員的警告嚴重程度。如果攝影機發現路上有危險人物，它們可以自動啟動看板告示來減速或甚至停車，並提醒緊急服務部門。
辨識車輛（或其他物體）後，分析還能夠追蹤它，幫助操作人員監控和調查事件。
提升搜尋能力
與邊緣AI分析所創建的數據（和元數據）一起，還支援更高階的影像搜尋。這使操作人員能夠從多台攝影機的數小時影像中快速精確地鎖定具體的目標物體。大幅提高了事件後調查的速度和效率。
分擔負擔：邊緣AI在混合解決方案架構中的應用
邊緣AI將強大的分析功能帶到了網路邊緣，但在混合解決方案架構中也發揮寶貴的作用。這種架構充分利用了邊緣、雲端和本地伺服器環境的最佳功能。
當分析集中在伺服器上時，增加更多的攝影機會增加數據傳輸量，並需要額外的伺服器來處理分析。部署邊緣AI分析代表只有最相關的資訊會被發送到網路中，從而減少頻寬和儲存的負擔。
雲端和伺服器端的分析通常可以受益於從邊緣端的預先處理，這樣可以支持“非攝影機”分析，並提供更容易消化的元數據。其他更複雜的分析則可能需要完全在雲端或伺服器上進行。
混合解決方案將邊緣AI創建的元數據傳輸到基於雲端的數據儀表板，並運用強大的伺服器端分析來辦識和回應趨勢、模式和異常。
在混合架構中智慧運作，充分發揮系統每個部分的能力、容量和強度，有助於避免瓶頸，降低成本並保持高性能。
邊緣AI分析提升準確性
在這看似“元”層次的情況下，邊緣AI分析現在也被用來支援準確性，因為數據不會降級。
邊緣分析的主要優勢是，分析發生在最高品質的影像上，盡可能接近來源。在傳統模式中 - 當分析發生在伺服器上時 – 影像經常在傳輸之前進行壓縮，因此分析是基於降級品質的影像進行的。
然而，邊緣AI依賴高品質的影像，但像鏡頭髒污或被遮擋，或者攝影機未對準等問題會造成困擾。
正如名稱所示，邊緣AI分析中的一個新類別 - 影像健康分析 - 將不斷監測監控攝影機所捕捉影像的品質，並在影像品質低於進行其他邊緣AI分析所需的閾值時提醒操作人員。
邊緣AI：推動超越安全領域的應用
顯而易見，邊緣AI正在為傳統的安全和安防應用帶來價值，使前線人員和保全人員能夠更快速、適當地作出反應。此外，邊緣AI分析所提供的詳細數據和元數據也在提升各行業的運營效率。
- 城市規劃者正在使用數據來驅動“數位孿生”城市環境，測試設計改善、交通管理和噪音控制，以提高市民的生活品質。
- 企業正在利用分析來更完善管理建築內的能源使用，從而產生積極的環境影響。
- 在醫療保健、教育、零售等領域，邊緣AI在監控攝影機的應用正改善服務品質和患者、學生、顧客的結果。
即便如此，我們才剛剛接觸到邊緣AI潛力的表面。
