物理安防中，AI和雲的下一步是什麼？

物理安防中，ai和雲的下一步是什麼？

人工智慧（ai）和深度學習在物理安全市場中的應用涵蓋了從雲計算到邊緣計算的各個領域。各種硬體解決方案都能夠把ai部署在不同級別的系統中，從雲端到邊緣裝置，如安全攝像頭。

更智慧型的ai應用

軟體即服務（saas或雲）模式為企業提供了改善深度學習的資源。使基於用雲端系統來自不同客戶的大資料，系統將變得更加精確、規模更大更容易擴充套件。所有資料匯聚到一起，使用者之間便可以共享知識資料帶來的利益。

從邊緣到雲端的資料分布

雲計算允許具有各種計算功能的使用者在私有雲或位於資料中心的第三方伺服器上儲存和處理資料。然而，隨著計算業務變得越來越頻繁和複雜，對資料處理效能的需求甚至更高。在資料傳輸到雲端的過程中，雲計算消耗了巨大的網路資源和時間，這些都導致網路擁塞和低可靠性。

雲端增加了ai功能

雲端提供了ai和深度學習應用所需的額外資料計算功能。單個amazon 網路服務資料中心就擁有50，000到80，000臺伺服器。總而言之，據觀察人士評估，亞馬遜網路服務可能擁有300萬到500萬台伺服器。而其它主要雲服務商，如谷歌，微軟，vmware，citrix等，都增加到了數百萬台伺服器。

亞馬遜網路服務（aws）為企業提供廣泛而深入的機器學習和人工智慧服務。實際上，該服務為所有開發人員提供機器學習，使他們能夠快速構建，培訓和部署機器學習模型。

為了消費者的利益，亞馬遜網路服務將專注於處理那些比較棘手的阻礙開發者使用機器學習的挑戰。所有功能基於全面的雲平台構建，該平台針對機器學習進行了優化，具備高效能且不會影響安全性和資料分析。

邊緣系統的優勢

深度學習和神經網路計算無處不在。它們現在已經在本地計算機，嵌入邊緣裝置的系統中，甚至雲端廣泛使用。

延時是採用邊緣智慧型的另乙個優勢。目前，大量的應用越來越要求很小甚至沒有延時（小於200毫秒），並且將資料傳輸到其它地方再進行處理則需要花費時間。

邊緣計算還可以確保資料更加私密，而不是將資料留存在私有雲或公共雲中，甚至本地儲存。更高的計算能力和邊緣嵌入式系統的效率為具有智慧型的物理安全裝置鋪平了道路，遠遠超出了業界現在使用的範圍。