如今，有两种可能的深度学习技术部署：直接在设备上在云端和边缘。
由于对处理能力和内存消耗的广泛需求以及AI模型的规模，这些部署中的大多数依赖于云。尽管云部署使AI可以从高性能计算系统的功能中受益，但挑战依然存在。需要将数据从设备来回发送到云以进行处理会引起隐私问题，并且由于延迟，带宽和连接性而存在限制。
这促使业界专注于边缘AI的开发，这是我在上一篇文章中谈到的主题。这些工作主要围绕引入用于训练AI模型的新方法进行，这些方法可以减少占用空间，因此可以将这些模型直接部署在边缘设备上。
边缘AI将通过使智能设备实时做出真正自主的决策来解决深度云的不足，从而促进深度学习。具体而言，这将消除了将所有数据连续发送到云或从云连续发送的需要，从而改善了隐私，带宽和延迟限制。此外，新兴的边缘AI部署方法极大地提高了速度，功耗和内存消耗，从而可以降低成本并限制对环境的影响。
一个人的利益不能被另一个人完全取代；因此，最具影响力的现实世界AI部署将是采用混合方法的部署：在云中和边缘。但是混合方法是什么样的呢？
混合部署的免费工作流可获得更好的结果
第一步是通过确定必须实时在边缘进行决策的用例，并通过可在云中进行处理以进行长期分析和改进的方案，来淘汰可最大化效率和可扩展性的工作流程。
如果您在智能边缘设备上部署深度学习，那么在需要实时决策的情况下，例如自动驾驶汽车，农业无人机和系统，摄像机，移动设备等。同时，系统可以将数据上传到云中以进行存储以及进一步处理和分析，而这些处理和分析可以由功能更强大的引擎执行。这将确保该系统可以实现大功率计算的优势，并允许将云中的数据与其他系统中的数据进行组合。
利用这些组合数据，可以对模型进行重新训练以进行持续改进。一旦在云中进行了再培训，就可以在边缘重新部署新模型。
与采用单一方法相比，将云AI和边缘部署的优势整合在一起更强大。具体来说，云AI的处理能力和高性能可以补充边缘AI的效率，速度和自主性。
混合方法在行动
人工智能在自动驾驶汽车中的
应用是一个说明补充方法好处的特定用例。
在此用例中，至关重要的是，AI模型必须在边缘，直接在设备和车辆上运行，以确保汽车可以安全行驶。如果汽车在将数据发送到云端并进行处理之前无法采取行动，那么它将无法做出反应并迅速做出决策以确保安全。另外，无法保证车辆将保持连续的互联网连接。
但是，汽车制造商还可以从捕获数据中受益，而不仅仅是实时决策所必需的。将收集的数据发送到云进行处理是持续改进和重新训练模型的关键。这不仅可以彻底处理设备的数据，而且还可以将深度学习的见解与从其他边缘设备收集的数据相结合，以进行更大的输入和理解。基于此见解，可以不断改进算法以发展自动驾驶汽车系统。
下一步是什么？边缘AI和云AI的演变
随着越来越多的组织在云端或边缘利用AI的力量，我们将看到更多能够提供现实价值的深度学习应用程序。
5G的兴起将继续推动深度学习的发展。随着5G变得越来越普遍，它将增强超级计算的可访问性。具体来说，5G将使从边缘到云的数据共享变得更加无缝和高效，从而促进更高效的数据处理。
但是，即使使用5G，仍然需要在边缘进行实时决策。云仍将无法即时满足边缘应用程序对数据处理的需求。因此，在计划部署模型时，边缘AI必须继续成为AI公司关注的焦点。对于云和边缘部署采用互补方法的企业，无论是在其模型的短期处理能力还是在有效存储，处理和改进模型的长期能力上，都将获得最大的成功。
