在過去的幾年裏，邊緣計算和機器學習已經成爲兩項領先的技術，它們已經獲得了大量的研究興趣和研究投資。在物聯網(IoT)時代，尖端設備和機器學習平臺的數量已經在各個行業中大量增加，越來越多的應用被開發和測試。
邊緣計算是將數據、應用程序和服務從雲中移到網絡邊緣的方法。這使數據處理和分析以及結果生成能夠在靠近數據源中進行。然而，機器學習是人工智能(AI)的一個分支，它專注於讓機器自己學習，而不需要人工干預，也不需要顯式編程。機器通過經驗改進自身的能力被視爲任何人工智能的基本要素。然而，將機器學習應用於網絡邊緣或生成源數據的設備更有意義。在本文中，我們將討論在邊緣上機器學習的5個用例。
1. 網絡入侵檢測
由於網絡中潛在漏洞或攻擊媒介的數量大幅增加，網絡安全顯然正成爲許多組織機構中更爲重要優先考慮的事項。在網絡的邊緣部署機器學習技術可以論述如何不斷改進網絡安全軟件和設備。通過模擬不同類型的網絡攻擊，機器學習技術可以用來識別持續改進的威脅，這得益於它們在數據來源上使用分析和推理的能力。在關鍵情況下，切斷雲服務器可以節省寶貴的時間。
2. 環境管理
機器學習在邊緣應用的一種方式是用於環境和野生動物領域的管理。例如，通過利用地圖數據，森林管理已看到機器學習在預測和優化再造林目的樹種選擇方面的應用。然後，根據諸如海拔、暴露程度、土壤類型和溼度等變量，通過學習系統得出高度精確的結果，就可以推斷出哪種物種是最理想的。
3. 物聯網設備活動檢測
隨着物聯網的迅速發展，連接設備對健康和健身應用程序和可穿戴設備的興趣日益增加。 這些應用程序通常從位於許多現代智能手機中的陀螺儀和加速度計收集數據。 然而，隨着這些應用程序收集和傳輸的個人數據量不斷增加，人們越來越擔心個人隱私和安全數據傳輸。 在智能手機等邊緣設備上進行機器學習可以直接在設備上直接學習安全模型，無需將數據發送到雲或將其外部化。 隨着物聯網設備變得越來越多，諸如此類的隱私問題將成爲邊緣機器學習的焦點。
4. 產品評級預測
電子商務中的機器學習已應用於諸如客戶情緒評估等領域，機器學習技術用於根據客戶留下的書面評論預測產品評分。 從這些評論中收集的文本數據然後在邊緣機器學習確定相關單詞序列之前將其分析爲單詞序列，並最終學習預測模型。 提供類似這樣的見解，邊緣機器學習對於任何希望利用文本數據，特別是聲音數據（根據客戶聲音）客戶羣來預測產品評級。
5. 遠程監控
對於一個行業來說，延遲可能會成爲一個生死攸關的問題。例如，在油井或加油站，邊緣機器學習正在應用於遠程監控和預測性維護等等。在進行遠程監控的情況下，將數據發送到雲進行分析和處理會對設備和機器操作員需要多長時間通知任何異常情況或危險情況的整體速度有所減緩（將數據發送雲端處理會延遲事故處理效率）。在這些類型的環境中，安全性至關重要。因此，隨着時間的推移，通過利用邊緣機器學習縮短這一時間可能成爲越來越多地被採用的一種方法。
總結
儘管大多數人工智能和機器學習技術仍然安裝在大型強大的雲服務器中，但這段時間很快就會結束。邊緣機器學習有望使網絡邊緣設備具備利用學習模型的能力，並能夠從他們收集數據的相同位置進行數據處理和分析。2018年人工智能已經開始制定相關規範，隨着物聯網的不斷擴展，在智能家居，辦公室，工廠等的實現智能互聯成爲可能，這也可能帶動機器學習領域的巨大飛躍。