以人工智能为动力的机器视觉的兴起对企业数据控制发生了影响

人工智能驱动的机器视觉每天都变得越来越弱小和宽泛。机器视觉和人工智能的新运行正在极速开展，尤其是在医疗保健、智能车辆、制作业、农业和安保等畛域。

在医疗保健畛域，机器视觉被用来极速剖析不可胜数的X光片、CAT扫描和其余医学图像。它经过优先思考医院急诊室的病人治疗来援救生命。在交通运输行业，人工智能驱动的机器视觉系统使自主车辆能够发现阻碍物并安保地在路线上传驶。

机器视觉经过智能毛病检测在制作业中也施展着关键作用，数字农业畛域的极速裁减部署了计算机视觉系统来限度甚至消弭农药的经常使用，同时继续参与产量。

由于人工智能驱动的机器视觉的一切这些用途和一切这些数据，它为企业发明了许少数据控制的含意。当天，大少数组织都面临着相互抵触的数据控制需求。

大少数数据源于边缘，但计算和存储基础设备通常集中在几个大型数据中心或公共云上。将数据移动到集中的位置会带来与传输和存储数据关系的严重提前和老本。

对速度的须要

依据Gartner的数据，到2025年，大概75%的企业生成的数据将在传统数据中心或云之外创立和处置。目前，在边缘捕捉的大少数数据都被移动到一个集中的位置启动处置，用于人工智能模型开发。

在成功机器视觉技术时必定思考到这一点。关于任何捕捉和集中PB级非结构化数据(无论是视频、图像还是传感器数据)的企业来说，这些负载大大减慢了机器学习算法的训练环节。这种集中的数据处置方法提前了人工智能开发管道和消费模型的调整。在工业环境中，这或者会造成遗漏产品毛病，或者会给企业带来巨额损失，甚至危及生命。

为了处置这个疑问，越来越多的企业开局转向散布式、去中心化的体系结构。这象征着大少数数据都在边缘保留和处置，以处置提前和提前疑问，并处置与数据处置速度关系的疑问。边缘剖析和联结机器学习技术的部署在处置集中式系统固有的安保性和隐衷无余的同时带来了清楚的好处。

例如，一个始终捕捉视频片段的大型监控网络会汇编少量原始数据，以备日后剖析。要有效地从视频中训练ML模型，就必定对其启动审核，以辨别视频中的特定对象。只有要检测到新事物的镜头，而不是或者捕捉到空无一人的修建或街道的简短的不扭转的视频。经过在边缘对数据启动预剖析，只将必要的镜头移到一个集中点，企业可以节俭时期、带宽和老本。

虽然散布式体系结构有许多优势，但它们也带来了额外的复杂性。在边缘选用和部署适当的存储和计算基础架构以及集中化的控制是至关关键的，它会清楚影响总体系统效率和领有老本。

分层存储

许多搜集的图像和视频关键用于人工智能模型训练，应终身性地存储在不同的目的。例如，在初级驾驶员辅佐系统和智能驾驶车辆中，人工智能依据实时搜集的数据做出决策。但是，假设一个疑问出现——或者是几个月或几年之后——企业须要能够回去剖析出现了什么。虽然这种存储对安保至关关键，但它的老本却很高——据Gartner统计，平均每TB每年须要3351美元。当您思考到平均每小时智能测试车辆捕捉两TB的数据时，很容易看出老本是如何参与的。

许多存储少量非结构化数据的企业通常依赖于网络衔接存储设备或公共云存储。但是，驳回分层数据存储体系结构可以清楚节俭老本。在分层系统中，在处置和剖析数据的优惠时期，内容被放在极速存储上，而备份正本则被存储和归档在老本较低的存储上，如磁带或对象存储。低老本存储的规模可以低至每TB50美元。在许多部门，包含智能驾驶车辆，大少数搜集的数据须要有限期保留，但很少经常使用，可以以最低的老本存储。

非结构化数据存储处置打算和边缘剖析的新开展始终冲击市场。为了应用这些优势，企业应该从头到尾地实施模块化数据控制，以便在颁布时能够将元素替换为更先进的技术。

应用机器视觉寻觅新时机

即使有了最好的技术和服务，成功地传输、处置和存储为机器视觉用例捕捉的少量数据仍将继续应战各种垂直畛域的企业。

但是，存储的数据也提供了一个新的时机。例如，可以重用图像和视频来开发新的用例。因此，存储的数据将成为企业新的支进去源，而不是老本。雷同，当更先进的剖析技术出现时，许多企业可以重用现有的存档数据来开发自己的新产品。一些公司，尤其是汽车制作商，曾经开局看法到这一后劲。这些潜在的新支出流和数据经常使用是如今开局优先思考智能高效的数据处置和存储的绝佳理由。