AWS面向AIOT的思考

AIOT, 概括为云端训练，边缘推理，在云平台上运用各种AI/ML工具，训练出模型，然后将模型推送到边缘设备，然后当传感器感知后，将信息输入到边缘设备，然后边缘设备通过模型直接进行运算并得出结论作出响应。而这些输入输出信息又可以提交到云平台作为基础数据，进行训练，整体上形成一个闭环的自循环的AIOT。

所以可以看出云端训练，面向历史数据，重在训练模型，而边缘推理，面向实时数据，重在部署模型，并根据模型得出结果。

IOT物联网收集数据，DT大数据技术ETL数据，甚至有初步BI可视化展示，然后通过AI训练模型，再回馈给IOT。

以上流程，AWS提供全套解决方案。在IOT端，提供Greengrass软件，安装在边缘设备中，它支持docker与lamda，可安装Tensorflow/MXNet等框架，用于模型部署、推理与推送数据至云端，而在云端，通过各种大数据技术，比如使用ElasticSearch做数据的清洗与可视化展示，然后通过各种AI服务(面向软件工程师，通过上传数据与调用API即可实现智能化)和ML服务(面向数据工程师，通过对各流行机器学习与深度学习框架集成，满足各种训练需要)。

AI服务

视觉CV：Amazon Rekongnition

语音：Amazon Polly

聊天机器人：Amazon Lex

预测：Amazon Forcast

ML服务

Amazon SageMaker

它支持的框架包括：TensorFlow、PyTorch、Apache MXNet、Chainer、Keras、Gluon、Horovod、Scikit-learn 和 Deep Graph Library。

 

案例1：

Amazon 包裹打包，解决客户开箱体验，节省企业成本。

案例2：

睿视智觉工业AI自训练系统，帮忙用户封装算法至设备，取代人工质检，甚至可用于生物细胞检验，其实只要有关视觉方面检验，这套解决方案都适用。

他们从最早的，把算法放到客户机器，进行训练，到目前远程把算法训练好，远程传到设备。