在当前的商业环境中，研发资金的重要性比以往任何时候都要凸显。企业对新技术和基础设施的投资往往持谨慎态度，而项目利益相关者则面临着失败风险带来的巨大压力。

不过，这并不意味着创新的步伐应当减慢或停顿。无论是初创公司还是大型企业，专注于新兴技术与变革性科技对于确保竞争优势至关重要。人工智能（AI）在各行各业提供了多元化的解决方案。

在过去十年间，AI已显著推动了新收入机会的涌现。从深度理解与预测用户行为到辅助生成代码和内容，AI与机器学习（ML）的革新极大地提升了消费者从应用、网站和在线服务中获取价值的能力。

然而，这场革命主要集中在云端，得益于无限的存储和计算资源，以及主要云服务提供商提供的便捷虚拟硬件，构建AI/ML应用的最佳实践相对容易实现。但AI处理活动主要在云端执行，边缘设备面临的挑战仍然存在。

边缘AI与边缘ML引入了一系列独特且复杂的挑战，需要跨学科团队的紧密协作与参与，这些团队涵盖了系统集成、设计、运营与物流，以及嵌入式、数据、IT与ML工程等领域。

边缘AI意味着算法需在特定用途的硬件上运行，从高端网关或本地服务器到低能耗的能量收集传感器与微控制器（MCU）。确保这类产品的成功，需要数据与ML团队与产品与硬件团队紧密合作，以理解并考虑彼此的需求、约束与要求。

构建边缘AI解决方案的挑战并非不可克服，但专门用于边缘AI算法开发的平台有助于弥合团队间的鸿沟，加速成功成果的产出，并确定进一步投资的方向。

在算法开发的同时，测试硬件是基础部分。数据科学与ML团队开发算法后，应传递给固件工程师，使其在设备上安装。缺乏硬件上的算法运行与测试方法，难以预见开发边缘AI算法时可能出现的内存、性能与延迟限制。

基于云的模型架构并不适用于所有类型的受限或边缘设备，提前预测这些限制能为固件与ML团队节省大量时间。

物联网（IoT）数据并非仅仅关乎数据量，而是数据质量及其类型，如时间序列传感器数据、音频数据或图像。结合传统传感器数据处理技术与AI/ML，可产生提供先前技术无法达到的精确洞察的新边缘AI算法。然而，物联网数据不等于大数据，因此边缘人工智能开发的数据集数量与分析方法有所不同。

硬件选择与基准测试对于构建边缘AI软件至关重要。在选择物料清单前进行基准测试至关重要。对于现有硬件，设备可用内存限制可能更为关键。

边缘AI开发平台提供了性能与内存估计，即使使用小型数据集，也能开始评估硬件类型是否支持边缘AI软件负载的运行。

构建、验证新的边缘AI软件并将其推向生产的流程中，考虑不同厂商提供的工程支持同样重要。边缘AI涉及数据科学、ML、固件与硬件等多个领域，内部开发团队可能需要额外的支持。

在某些情况下，问题不在于实际模型的开发，而是系统级设计流程的规划，包括数据基础设施、ML开发工具、测试、部署环境与持续集成、持续部署（CI/CD）管道。

针对边缘AI开发工具，适应团队中的不同用户群体，包括ML工程师与固件开发者，是关键。低代码/无代码的用户界面有助于快速构建应用原型，而API与SDK则对经验丰富的ML开发者有用，他们能够利用Python高效工作。

平台的优势在于提供灵活性，满足构建边缘AI应用的跨职能团队中多样化的利益相关者或开发人员需求。

本文作者： Sheena Patel，Edge Impulse的高级企业客户经理； Jorge Silva，Edge Impulse的高级解决方案工程师。

免责声明：本内容主要源自原创、合作伙伴供稿与第三方自媒体投稿，仅供参考。我们将尽力确保信息的准确性与可靠性，但不对资料的准确性与可靠性负责。在使用信息前，请进一步核实。如有任何单位或个人认为内容可能侵犯其知识产权或存在不实内容，应及时联系我们提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。我们将依法尽快联系文章源头核实情况，并采取相应措施。