【资料图】

边缘计算是推动技术领域发展耐人寻味的话题之一。试图将计算任务分布在多个地点，然后将这些不同的努力协调成一个有凝聚力的、有意义的整体，比它最初看起来要难得多。当试图将小型概念验证项目扩展到全面生产时，这一点尤其真实。

几年来，IBM研究小组一直在努力帮助克服其中的一些挑战。最近，他们已经开始看到在汽车制造等工业环境中通过采取不同的方法来解决问题而获得成功。特别是，该公司一直在重新思考如何在各个边缘地点分析数据，以及如何与其他地点共享人工智能模型。

例如，在汽车制造android厂，大多数公司已经开始使用人工智能驱动的视觉检查模型，帮助发现人类可能难以识别或成本太高的制造缺陷。例如，使用像IBM Maximo应用套件的视觉检查解决方案工具，既可以帮助汽车制造商在避免缺陷方面节省大量资金，又可以使制造线尽可能快地运行。鉴于许多汽车公司最近面临供应链的限制，这一点最_编程客栈近变得尤为关键。

然而，真正的诀窍是进入解决方案的零缺陷方面，因为基于错误解释数据的不一致结果实际上会产生相反的效果，特别是如果这种错误的数据最终通过不准确的人工智能模型颁布到多个制造基地。为了避免昂贵和不必要的生产线停工，关键是要js确保只有适当的数据被用来生成人工智能模型，并定期检查模型本身的准确性，以避免错误标记的数据可能造成的任何缺陷。

这种对人工智能模型的"重新校准"是IBM研究院带给制造商带来的福音。IBM正在研究他们称之为"超出分布"（OOD）的算法，它可以帮助确定用于完善视觉模型的数据是否超出了可接受的范围，避免模型对传入的数据进行不准确的推断。最重要的是，它是在自动化基础上进行这项工作，以避免人工贴标工作所带来的减速，并使这项工作能够在多个生产基地进行扩展。

OOD检测的一个副产品，称为数据汇总，是选择数据进行人工检查、标记和更新模型的能力。事实上，IBM正在努力将目前许多早期边缘计算部署的数据流量减少10-100倍。此外，这种方法通过消除多余的数据，使人工检查和标记的时间利用率提高了10倍。结合OFA（Once For javascriptAll）模型架构探索等最先进的技术，该公司希望将模型的大小也减少100倍之多。这使得边缘计算的部署更加高效。