人工智能驅動的機器視覺每天都變得越來越強大和廣泛。機器視覺和人工智能的新應用正在快速發(fā)展，尤其是在醫(yī)療保健、自動駕駛汽車、制造、農業(yè)和安全等領域。

　　在醫(yī)療保健領域，機器視覺用于快速分析數以千計的 X 射線、CAT 掃描和其他醫(yī)學圖像。它通過優(yōu)先考慮醫(yī) 院急診室的患者治療來挽救生命。在交通運輸行業(yè)，人工智能驅動的機器視覺系統(tǒng)使自動駕駛汽車能夠發(fā)現(xiàn)障礙物并安全地在道路上行駛。

　　機器視覺也通過自動缺陷檢測在制造業(yè)中發(fā)揮著關鍵作用，數字農業(yè)的快速擴展領域部署了計算機視覺系統(tǒng)來限制甚至消除農藥的使用，同時可持續(xù)地增加產量。

　　與機器視覺系統(tǒng)一樣有用，它們是大量非結構化數據的來源。根據 IDC 的研究，它們的日益普及是推動全球收集的數據量爆 炸式增長的一個重要因素。

　　有了所有這些用途以及用于人工智能機器視覺的所有這些數據，它對企業(yè)產生了許多數據管理影響。今天，大多數組織都面臨著相互沖 突的數據管理需求。

　　大多數數據源自邊緣，但計算和存儲基礎設施通常集中在幾個大型數據中心或公共云上。將數據移動到集中位置會帶來與傳輸和存儲數據相關的大量延遲和成本。

　　據Gartner 稱，到 2025 年，大約 75% 的企業(yè)生成數據將在傳統(tǒng)數據中心或云之外創(chuàng)建和處理。在邊緣捕獲的大多數數據目前都轉移到集中位置進行處理，用于人工智能模型開發(fā)。

　　在實施機器視覺技術時必須考慮這一點。對于捕獲和集中 PB 級非結構化數據的任何企業(yè)而言，這些負載都會顯著減慢機器學習算法的訓練過程。這種集中式數據處理方法延遲了 AI 開發(fā)管道和生產模型調整。在工業(yè)環(huán)境中，這可能會導致遺漏產品缺陷，從而可能給企業(yè)造成巨額損失，甚至危及生命。

　　為了解決這個問題，越來越多的企業(yè)開始轉向分布式、去中心化的架構。這意味著大多數數據都在邊緣保存和處理，以解決延遲和延遲挑戰(zhàn)，并解決與數據處理速度相關的問題。邊緣分析和聯(lián)合機器學習技術的部署帶來了顯著的好處，同時解決了集中式系統(tǒng)固有的安全和隱私缺陷。

　　一個不斷捕獲視頻片段的大型監(jiān)控網絡會編譯大量原始數據以供以后分析。為了從素材中有效地訓練 ML 模型意味著必須對其進行審查以區(qū)分視頻中的特定對象。只需要檢測到新事物的鏡頭，而不需要可能捕獲空建筑物或街道的無變化視頻的乏味時間。通過在邊緣預先分析數據并將必要的鏡頭移動到一個集中點，企業(yè)可以節(jié)省時間、帶寬和成本。

　　雖然分布式架構有許多優(yōu)點，但它們也引入了額外的復雜性。在邊緣選擇和部署適當的存儲和計算基礎設施以及集中管理至關重要，并且會顯著影響整體系統(tǒng)效率和擁有成本。

　　許多收集的主要用于 AI 模型訓練的圖像和視頻應該永久存儲用于不同的目的。

　　例如，在高級駕駛員輔助系統(tǒng)和自動駕駛汽車中，人工智能根據其實時收集的數據做出決策。但是，如果出現(xiàn)問題：可能是幾個月或幾年后，企業(yè)需要能夠回過頭來分析發(fā)生了什么。盡管對安全性至關重要，但這種存儲的成本很高。據 Gartner 稱，平均每年每 TB 為 3,351 美元。當您考慮到平均自動測試車輛每小時捕獲 2 TB 的數據時，很容易看出成本是如何增加的。

　　許多存儲大量非結構化數據的企業(yè)通常依賴于網絡附加存儲設備或公共云存儲。但是，采用分層數據存儲架構可以顯著節(jié)省成本。

　　在分層系統(tǒng)中，在處理和分析數據的活動期間，內容被放置在快速存儲中，而備份副本則存儲和存檔在成本較低的存儲上，例如磁帶或對象存儲。大規(guī)模的低成本存儲可低至每 TB 50 美元。在包括自動駕駛汽車在內的許多行業(yè)中，大多數收集的數據需要無限期保存，但很少使用，可以存儲在最低成本層。

　　非結構化數據存儲解決方案和邊緣分析的新發(fā)展不斷沖擊市場。為了利用這些優(yōu)勢，企業(yè)應該從頭到尾專注于實施模塊化數據管理，以便在發(fā)布時將元素替換為更先進的技術。

　　使用機器視覺尋找新機會

　　即使擁有最好的技術和服務，成功傳輸、處理和存儲為機器視覺用例捕獲的大量數據仍將繼續(xù)挑戰(zhàn)各種垂直領域的企業(yè)。

　　然而，存儲的數據也提供了一個新興的機會。例如，可以重復使用圖像和視頻來開發(fā)新的用例。

　　因此，存儲數據將成為企業(yè)新的收入來源，而不是成本。同樣，當更先進的分析技術投入使用時，許多企業(yè)可以重用現(xiàn)有的存檔數據來開發(fā)自己的新產品。一些尤其是汽車制造商，已經開始意識到這種潛力。這些潛在的新收入流和數據使用是當今開始優(yōu)先考慮智能高效處理和存儲數據的絕佳理由。