人工智能（AI）和深度學習在物理安全市場中的應用涵蓋了從云計算到邊緣計算的各個領域熏萎。各種硬件解決方案都能夠把AI部署在不同級別的系統(tǒng)中，從云端到邊緣設備刹越，如安全攝像頭厨刷。

 

更智能的AI應用

 

分布式結(jié)構可以包含云計算和邊緣計算。它將人工智能（AI）算法從云端擴展到本地視頻錄像機和服務器妨菩，并進一步擴展到安全攝像機等邊緣設備糙枚。三層架構都支持構建一類新的AI驅(qū)動應用目標，甚至更智能厚饱，更快速檐伞。

 

云端攝像機視頻分析和深度學習功能的結(jié)合可以改善視頻分析。攝像機可以配備基本的視頻分析捕如，它們與云基礎設施相連切拳，可提供額外的深度學習算法。這些攝像機提供計算機視覺預處理揩池，而大量詳細的分析則可以在云端神經(jīng)網(wǎng)絡中處理孽倒。

 

軟件即服務（SaaS或云）模式為企業(yè)提供了改善深度學習的資源。使基于用云端系統(tǒng)來自不同客戶的大數(shù)據(jù)泪桥，系統(tǒng)將變得更加精確救鲤、規(guī)模更大更容易擴展。所有數(shù)據(jù)匯聚到一起秩冈，用戶之間便可以共享知識數(shù)據(jù)帶來的利益本缠。

 

從邊緣到云端的數(shù)據(jù)分布

 

云計算允許具有各種計算功能的用戶在私有云或位于數(shù)據(jù)中心的第三方服務器上存儲和處理數(shù)據(jù)。然而入问，隨著計算業(yè)務變得越來越頻繁和復雜丹锹，對數(shù)據(jù)處理性能的需求甚至更高。在數(shù)據(jù)傳輸?shù)皆贫说倪^程中芬失，云計算消耗了巨大的網(wǎng)絡資源和時間楣黍，這些都導致網(wǎng)絡擁塞和低可靠性。

 

從邊緣到云端棱烂，整個系統(tǒng)的數(shù)據(jù)分布租漂，任何一點都可以減輕壓力。通過將AI算法配置到邊緣設備中垢啼，僅僅提取和發(fā)送諸如視頻圖像中的人員或車輛之類的關鍵信息窜锯，將明顯地提高傳輸效率并降低網(wǎng)絡帶寬，同時仍然能夠保持高質(zhì)量和準確性芭析。

 

云端增加了AI功能

 

云端提供了AI和深度學習應用所需的額外數(shù)據(jù)計算功能悄贴。單個Amazon 網(wǎng)絡服務數(shù)據(jù)中心就擁有50,000到80,000臺服務器】颍總而言之诈绷，據(jù)觀察人士評估，亞馬遜網(wǎng)絡服務可能擁有300萬到500萬臺服務器圃星。而其它主要云服務商怒央，如谷歌，微軟，VMware项请，Citrix等烦盛，都增加到了數(shù)百萬臺服務器。

 

亞馬遜網(wǎng)絡服務（AWS）為企業(yè)提供廣泛而深入的機器學習和人工智能服務肚轴。實際上紧邑，該服務為所有開發(fā)人員提供機器學習，使他們能夠快速構建稠还，培訓和部署機器學習模型伞缺。

 

為了消費者的利益，亞馬遜網(wǎng)絡服務將專注于處理那些比較棘手的阻礙開發(fā)者使用機器學習的挑戰(zhàn)叁丧。所有功能基于全面的云平臺構建啤誊，該平臺針對機器學習進行了優(yōu)化，具備高性能且不會影響安全性和數(shù)據(jù)分析拥娄。

 

邊緣系統(tǒng)的優(yōu)勢

 

深度學習和神經(jīng)網(wǎng)絡計算無處不在蚊锹。它們現(xiàn)在已經(jīng)在本地計算機，嵌入邊緣設備的系統(tǒng)中条舔，甚至云端廣泛使用枫耳。

 

邊緣計算在視頻監(jiān)控市場中尤為重要，它使系統(tǒng)能夠在任何帶寬或延遲問題都會限制基于中央服務器系統(tǒng)有效性的情況下運行孟抗。同時迁杨，基于邊緣的功能還降低了對信息隱私的擔憂和對網(wǎng)絡連接的依賴。

 

人工智能（AI）是一個計算密集型的過程凄硼，無論是在云端還是在本地計算機上铅协，在邊緣進行處理都無需集中進行。特別是視頻監(jiān)控攝像機摊沉，沒有足夠的帶寬來通過網(wǎng)絡基礎設施傳輸視頻數(shù)據(jù)以進行處理狐史。全球一半以上人口密集的地區(qū)互聯(lián)網(wǎng)速度低于8 mbps，這肯定無法處理新智能應用所需的數(shù)據(jù)水平用六。

 

延時是采用邊緣智能的另一個優(yōu)勢近振。目前，大量的應用越來越要求很小甚至沒有延時（小于200毫秒）烂锤，并且將數(shù)據(jù)傳輸?shù)狡渌胤皆龠M行處理則需要花費時間暴遂。

 

邊緣計算還可以確保數(shù)據(jù)更加私密，而不是將數(shù)據(jù)留存在私有云或公共云中架暗，甚至本地存儲粘伊。 更高的計算能力和邊緣嵌入式系統(tǒng)的效率為具有智能的物理安全設備鋪平了道路，遠遠超出了業(yè)界現(xiàn)在使用的范圍约粒。