精益高效模型的策略
当被问及如何优化边缘环境时，Grande 强调首先最大限度地减少所需的传感器数据。 “我们看到很多公司都在处理数据集方面遇到困难。
哪些数据就足够了，他们应该收集哪些数据，他们应该从哪些传感器收集哪些数据。这是一场巨大的斗争，”格兰德解释道。 选择高效的神经网络架构会有所帮助，量化等压缩技术也有助于降低精度，而不会显着影响准确性。始终平衡传感器和硬件限制与功能、连接需求和软件要求。 Edge Impulse 旨在使工程师能够使用常见的 ML 评估指标在部署前验证模型本身，确保可靠性，同时加快实现价值的时间。
端到端开发平台与所有主要云和机器学习平台无缝集成。
设备智能的变革潜力
Grande 强调了已经利用边缘智能来提供个性化健康见解而无需依赖云的创新产品，例如使用Oura Ring进行睡眠跟踪。 “它的销量已超过 10 亿件，每个人都可以体验，每个人都可以感受到边缘人工智能的真正力量，”Grande 解释道。 通过生产线上的异常检测来进行预防性工业维护还存在其他令人兴奋的机会。
最终，格兰德看到了设备上人工智能的巨大潜力，可以极大地提高日常生活中的实用性和可用性。边缘设备不仅仅是原始数据，还可以解释传感器输入，以提供以前不可能的可行建议和响应式体验，这预示着更有用的技术和更高的生活质量。 释放边缘设备上人工智能的潜力取决于克服当前阻碍采用的障碍。
Grande和其他领先专家在今年的人工智能与大数据博览会上就如何打破壁垒并释放边缘人工智能的全部可能性提供了深刻的见解。 “我希望看到一个我们正在使用的设备实际上对我们更有用的世界，”格兰德总结道。
