物聯網（IoT）供應商經常吹捧其設備的即插即用特性：只需將其連接到網絡，它就會開始報告所需的數據。

操作，而且還但是，為了使它們的價值以及所收集數據的價值最大化，不僅需要對設備進行培訓，使其不僅執行所需的應發現異常并在出現問題之前進行預防。

通常通過人工智能（AI）和機器學習（ML）流程在云中對設備進行培訓以確保它們能夠交付組織所需的結果。但是，組織的IoT實施中特定設備的屬性存在足夠的差異，因此不切實際。例如，每個設備的任務不同，每個物理環境也不同，依此類推。

在云中進行培訓也可能會付出高昂的代價-大多數公司用于其IoT實施的蜂窩網絡都對數據的每個字節收費。這些字節加起來，很難在不產生高昂成本的情況下進行擴展。

第二種選擇是使用AI模型在網絡邊緣進行培訓。但是，物聯網設備面臨的挑戰是它們通常很小且資源有限，因此難以進行這一級別的處理。需要的解決方案必須小到可以在各種IoT設備上工作，但又要強大到足以處理正在收集，整理和處理的數據量和速度。

讓我們探討使用存在于設備，電路板或網關上的AI模型進行培訓的一些好處：

節省成本，因為數據留在邊緣。物聯網設備和傳感器通常每秒處理多達300個數據點。該數據以及從其他設備收集的數據正在通過蜂窩網絡發送到云以進行實時處理。通過直接在邊緣處理數據并僅將需要在云中進一步處理的數據發送到云，組織可以節省大量成本。

如何實現成本節省的一個示例是監視電動機中的振動。可以根據數據顯示的間隔以不同的時間間隔獲取振動讀數，例如，如果振動一致，則可以每分鐘一次而不是每秒一次進行讀數。如果振動發生變化，讀數可能會更加頻繁。通過減少數據發送頻率，并能夠選擇要發送的數據，可以節省成本。

安全。當數據停留在設備的邊緣而不是通過IoT網絡傳輸到云時，滲透點就會減少，從而導致網絡更加安全。安全有兩個優先事項：拒絕那些不應該擁有該設備的人訪問該設備；如果確實發生了安全漏洞，請確保該設備能夠快速停止。通過立即檢測設備行為的變化（無需返回到云進行處理）來發現異常的能力顯示了在邊緣進行訓練的價值。

性能。工業物聯網應用通常需要高性能網絡，而延遲可能是將數據移至云中進行處理的問題。通過在邊緣而不是在云上進行培訓，可以輕松解決延遲問題。通過在邊緣處理數據，傳感器可以確定故障跡象并發送實時警報，這可能只是采取行動的簡單消息，也可能會生成API調用以關閉機器。

實戰訓練

邊緣訓練的價值可以通過以下兩個例子得到最好的體現：

汽車制造業：在這種環境下，作為一條生產線的一部分可能會有100個機械臂，每個臂上有十幾個或更多傳感器。在一個機構中，可能有1，000或更多的手臂在做同一件事。要將這臺設備報告的大量數據導入云環境進行培訓幾乎是不可能的。必須在邊緣使用AI模型來完成。

智慧城市：在這種環境下，單個區域中可能會部署10，000個智能燈泡。物聯網應用程序監視能源使用情況，每盞燈都每秒發送數據，以查找異常情況，例如能量水平是否上升到一定數量。能夠在邊緣使用AI模型進行訓練對于這種規模的部署至關重要。

使用AI在網絡邊緣進行訓練是IoT實施的關鍵部分，尤其是隨著規模的擴展。但是，由于云的強大功能，云將始終發揮作用。但是，處理所有傳入的數據并存儲收集到的信息會很快變得昂貴。該優勢可顯著節省成本，提高安全性和提高性能，是組織擴展時的明確選擇。