其中许多应用程序都托管在功能强大的服务器上的云中，因为任务有时涉及处理数据丰富的源，例如图像，视频和音频。这些服务器通常需要加速硬件的附加性能，这些性能从图形处理单元到定制设备不等。这对于数字密集型过程尤其重要，在此过程中，将对新数据训练神经网络。

通常，使用训练有素的网络评估新数据的推理过程比训练要少计算量。还有一些工作量涉及较少的数据密集型源，例如从IoT设备读取传感器，其中可以在性能较低的硬件上执行训练和推理。结果，系统设计师发现，一旦训练了AI模型，就不必将工作负载放置在云中，尽管许多当前服务仍然出于业务原因而需要这样做。取而代之的是，可以将训练后的模型转移到本地机器上，以便更靠近数据源进行处理。

边缘AI的好处

使AI模型更接近网络边缘的原因很多。一个主要的驱动力是隐私和用户接受度。例如，使用诸如智能扬声器之类的设备的消费者越来越担心要定期录制他们的私人对话，并将其上传到云服务以获取可以在本地支持的服务。

控制系统还受到高通信延迟的不利影响。如果在闭环控制系统中使用AI模型，则从云中获取更新的任何延迟都将导致不准确和不稳定性的产生。某些系统可能混合使用云和本地处理。例如，监控摄像机将通过在本地识别即时威胁来保留网络带宽，但随后调用云以针对本地模型无法应对的情况执行其他处理。

当AI位于边缘时，电池寿命也显着增加，因为通过网络发送的数据更少，从而降低了网络和云成本。

人工智能在预测性维护中的应用

当前，预测性维护是连接工业应用程序中最流行的用例。由于它能够减少现场检查的频率，因此可提供高投资回报。通过准确识别组件的剩余可用服务时间，还可以减少机器的停机时间，从而可以利用其使用寿命，而不会冒着在运行期间发生故障的风险。根据运营数据预测使用寿命还有助于优化维护计划并准确确定正确的备件需求。使用预测性维护的客户已经看到效率提高了20%到25%。