內(nèi)容簡介：
隨著邊緣設(shè)備數(shù)量指數(shù)級增長，以及設(shè)備性能的提升，數(shù)據(jù)量爆發(fā)式增長，數(shù)據(jù)規(guī)模已由原來的EB級擴(kuò)展到ZB級。數(shù)據(jù)回傳中心云處理成本太高，邊緣計(jì)算的價(jià)值已經(jīng)被證明。數(shù)據(jù)在哪，計(jì)算就應(yīng)在哪，人工智能正逐步向邊緣 遷移 ，將云上AI能力下沉到邊緣節(jié)點(diǎn)，做到本地處理，打通AI的最后一公里。雖然邊緣AI技術(shù)的相關(guān)研究和應(yīng)用都有著顯著的進(jìn)展，然而在成本、性能、安全方面仍有諸多挑戰(zhàn)：
a) 數(shù)據(jù)孤島，邊緣天然的地理分布性, 隱私保護(hù)和網(wǎng)絡(luò)瓶頸等因素導(dǎo)致 數(shù)據(jù)集 天然分割, 傳統(tǒng)集中式AI模式在收斂速度, 數(shù)據(jù)傳輸量, 模型準(zhǔn)確度等方面仍存在巨大挑戰(zhàn)。
b) 邊緣數(shù)據(jù)樣本少，冷啟動(dòng)等問題，傳統(tǒng) 大數(shù)據(jù) 驅(qū)動(dòng)的統(tǒng)計(jì)ML方法無法收斂、效果差。
c) 數(shù)據(jù)異構(gòu)：現(xiàn)有機(jī)器學(xué)習(xí)基于獨(dú)立同分布假設(shè)，同一模型用在非獨(dú)立同分布的不同數(shù)據(jù)集的效果差別巨大。
d) 資源受限：相對云上資源的海量易獲取，邊側(cè)資源受限（算力、供電、場地等均受限），建設(shè)與維護(hù)成本更高。
如何發(fā)揮邊緣計(jì)算的實(shí)時(shí)性和 數(shù)據(jù)安全 性，結(jié)合中心云的海量算力優(yōu)勢，實(shí)現(xiàn)AI的邊云協(xié)同，就成了解決上述挑戰(zhàn)的關(guān)鍵課題。
內(nèi)容大綱：
1、業(yè)界邊緣AI遇到的挑戰(zhàn)和痛點(diǎn)；
2、邊云協(xié)同AI訓(xùn)練概念及其使用場景、如何應(yīng)對邊緣AI痛點(diǎn)；
2、KubeEdge邊云協(xié)同AI框架發(fā)布及其技術(shù)原理。
聽眾收益：
1、了解邊緣 AI 的應(yīng)用場景、價(jià)值和技術(shù)挑戰(zhàn)，與傳統(tǒng)離線 AI 和云上 AI 應(yīng)用的差異；
2、了解邊云協(xié)同推理和訓(xùn)練模式對當(dāng)前邊緣 AI“云上訓(xùn)練，端邊推理”模式的效果提升，并了解一些關(guān)鍵技術(shù)方案。
