人工智能驅(qū)動的機(jī)器視覺每天都變得越來越強(qiáng)大和廣泛。機(jī)器視覺和人工智能的新應(yīng)用正在快速發(fā)展，尤其是在醫(yī)療保健、自動車輛、制造業(yè)、農(nóng)業(yè)和安全等領(lǐng)域。

在醫(yī)療保健領(lǐng)域，機(jī)器視覺被用來快速分析成千上萬的X光片、CAT掃描和其他醫(yī)學(xué)圖像。它通過優(yōu)先考慮醫(yī)院急診室的病人治療來挽救生命。在交通運輸行業(yè)，人工智能驅(qū)動的機(jī)器視覺系統(tǒng)使自主車輛能夠發(fā)現(xiàn)障礙物并安全地在道路上行駛。

[[410699]]

機(jī)器視覺通過自動缺陷檢測在制造業(yè)中也發(fā)揮著關(guān)鍵作用，數(shù)字農(nóng)業(yè)領(lǐng)域的快速擴(kuò)展部署了計算機(jī)視覺系統(tǒng)來限制甚至消除農(nóng)藥的使用，同時持續(xù)增加產(chǎn)量。

與機(jī)器視覺系統(tǒng)一樣有用的是，它們是大量非結(jié)構(gòu)化數(shù)據(jù)的來源。國際數(shù)據(jù)中心(IDC)的研究顯示，它們越來越受歡迎是推動全球數(shù)據(jù)收集量激增的一個重要因素，預(yù)計到2025年，全球數(shù)據(jù)收集量將繼續(xù)上升至163zettabytes。

由于人工智能驅(qū)動的機(jī)器視覺的所有這些用途和所有這些數(shù)據(jù)，它為企業(yè)創(chuàng)造了許多數(shù)據(jù)管理的含義。今天，大多數(shù)組織都面臨著相互沖突的數(shù)據(jù)管理需求。

大多數(shù)數(shù)據(jù)源于邊緣，但計算和存儲基礎(chǔ)設(shè)施通常集中在幾個大型數(shù)據(jù)中心或公共云上。將數(shù)據(jù)移動到集中的位置會帶來與傳輸和存儲數(shù)據(jù)相關(guān)的重大延遲和成本。

對速度的需要

根據(jù)Gartner的數(shù)據(jù)，到2025年，大約75%的企業(yè)生成的數(shù)據(jù)將在傳統(tǒng)數(shù)據(jù)中心或云之外創(chuàng)建和處理。目前，在邊緣捕獲的大多數(shù)數(shù)據(jù)都被移動到一個集中的位置進(jìn)行處理，用于人工智能模型開發(fā)。

在實現(xiàn)機(jī)器視覺技術(shù)時必須考慮到這一點。對于任何捕獲和集中PB級非結(jié)構(gòu)化數(shù)據(jù)(無論是視頻、圖像還是傳感器數(shù)據(jù))的企業(yè)來說，這些負(fù)載大大減慢了機(jī)器學(xué)習(xí)算法的訓(xùn)練過程。這種集中的數(shù)據(jù)處理方法延遲了人工智能開發(fā)管道和生產(chǎn)模型的調(diào)整。在工業(yè)環(huán)境中，這可能會導(dǎo)致遺漏產(chǎn)品缺陷，可能會給企業(yè)帶來巨額損失，甚至危及生命。

為了解決這個問題，越來越多的企業(yè)開始轉(zhuǎn)向分布式、去中心化的體系結(jié)構(gòu)。這意味著大多數(shù)數(shù)據(jù)都在邊緣保存和處理，以解決延遲和延遲問題，并解決與數(shù)據(jù)處理速度相關(guān)的問題。邊緣分析和聯(lián)合機(jī)器學(xué)習(xí)技術(shù)的部署在解決集中式系統(tǒng)固有的安全性和隱私不足的同時帶來了顯著的好處。

例如，一個不斷捕捉視頻片段的大型監(jiān)控網(wǎng)絡(luò)會匯編大量原始數(shù)據(jù)，以備日后分析。要有效地從視頻中訓(xùn)練ML模型，就必須對其進(jìn)行檢查，以區(qū)分視頻中的特定對象。只需要檢測到新事物的鏡頭，而不是可能捕捉到空無一人的建筑或街道的冗長的不改變的視頻。通過在邊緣對數(shù)據(jù)進(jìn)行預(yù)分析，只將必要的鏡頭移到一個集中點，企業(yè)可以節(jié)省時間、帶寬和成本。

雖然分布式體系結(jié)構(gòu)有許多優(yōu)點，但它們也帶來了額外的復(fù)雜性。在邊緣選擇和部署適當(dāng)?shù)拇鎯陀嬎慊A(chǔ)架構(gòu)以及集中化的管理是至關(guān)重要的，它會顯著影響總體系統(tǒng)效率和擁有成本。

分層存儲

許多收集的圖像和視頻主要用于人工智能模型訓(xùn)練，應(yīng)永久性地存儲在不同的目的。例如，在高級駕駛員輔助系統(tǒng)和自動駕駛車輛中，人工智能根據(jù)實時收集的數(shù)據(jù)做出決策。然而，如果一個問題出現(xiàn)——可能是幾個月或幾年之后——企業(yè)需要能夠回去分析發(fā)生了什么。盡管這種存儲對安全至關(guān)重要，但它的成本卻很高——據(jù)Gartner統(tǒng)計，平均每TB每年需要3351美元。當(dāng)您考慮到平均每小時自動測試車輛捕獲兩TB的數(shù)據(jù)時，很容易看出成本是如何增加的。

許多存儲大量非結(jié)構(gòu)化數(shù)據(jù)的企業(yè)通常依賴于網(wǎng)絡(luò)連接存儲設(shè)備或公共云存儲。但是，采用分層數(shù)據(jù)存儲體系結(jié)構(gòu)可以顯著節(jié)省成本。在分層系統(tǒng)中，在處理和分析數(shù)據(jù)的活動期間，內(nèi)容被放在快速存儲上，而備份副本則被存儲和歸檔在成本較低的存儲上，如磁帶或?qū)ο蟠鎯Α５统杀敬鎯Φ囊?guī)模可以低至每TB50美元。在許多部門，包括自動駕駛車輛，大多數(shù)收集的數(shù)據(jù)需要無限期保存，但很少使用，可以以最低的成本存儲。

非結(jié)構(gòu)化數(shù)據(jù)存儲解決方案和邊緣分析的新發(fā)展不斷沖擊市場。為了利用這些優(yōu)勢，企業(yè)應(yīng)該從頭到尾地實施模塊化數(shù)據(jù)管理，以便在發(fā)布時能夠?qū)⒃亟粨Q為更先進(jìn)的技術(shù)。

利用機(jī)器視覺尋找新機(jī)會

即使有了最好的技術(shù)和服務(wù)，成功地傳輸、處理和存儲為機(jī)器視覺用例捕獲的大量數(shù)據(jù)仍將繼續(xù)挑戰(zhàn)各種垂直領(lǐng)域的企業(yè)。

然而，存儲的數(shù)據(jù)也提供了一個新的機(jī)會。例如，可以重用圖像和視頻來開發(fā)新的用例。因此，存儲的數(shù)據(jù)將成為企業(yè)新的收入來源，而不是成本。同樣，當(dāng)更先進(jìn)的分析技術(shù)出現(xiàn)時，許多企業(yè)可以重用現(xiàn)有的存檔數(shù)據(jù)來開發(fā)自己的新產(chǎn)品。一些公司，尤其是汽車制造商，已經(jīng)開始意識到這一潛力。這些潛在的新收入流和數(shù)據(jù)使用是現(xiàn)在開始優(yōu)先考慮智能高效的數(shù)據(jù)處理和存儲的絕佳理由。