|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
将计算基础架构从数据中心扩展到边缘这一主张，得到了越来越广泛的共识。诸如联邦学习之类的概念，通过共享的预测模型进行协作学习这种方式，将标准集中式机器学习(ML)方法从数据中心转移到手机——在将数据存储到云的需求中，消解了对可实现ML能力的要求。5而各种高级深度神经网络(DNN)，每天都在发展、以更好地赋能基于边缘的处理功能。成功地将智能带到边缘设备也带来了与传统的AI不同的商机——例如：个性化购物，基于AI的助手;或在制造设施中进行预测分析。边缘/雾计算的应用，比如：车辆的自动驾驶;需要复杂反馈机制的机器人技术的远程控制;甚至是使用ML、可更好地管理可再生能源的智能电网终端设备;以及在电网中对本地电能使用进行预测分析。对于此类应用，成功实施AI的主要决定因素包括：
- e: r+ K4 \- N+ V3 q. t2 Q3 @8 e: n8 `
成本效益+ I0 i2 ^( N6 }& E G2 x6 R* P
F+ q; ]6 M& [$ R
低功耗: b% ?1 k" S* v" c- P3 b8 C
; s, c0 ]; H, i3 y# y. E2 V
可重构性/灵活性4 m. I9 t1 L. \
, Y8 e- t: p4 B: m8 v
尺寸
+ f2 ]6 J. W: q- C' Q" L% T# Z, @ |
|
/1 
发表于 2021-9-29 09:54
收藏
淘帖
支持！
反对！