物联网（IoT）供应商常常吹捧其设备的即插即用特性：只需将其连接到网络，它就会开端报告所需的数据。
操作，并且还可是，为了使它们的价值以及所搜集数据的价值最大化，不仅需求对设备进行练习，使其不仅执行所需的应发现异常并在出现问题之前进行预防。
一般经过人工智能（AI）和机器学习（ML）流程在云中对设备进行练习以保证它们能够交给安排所需的结果。可是，安排的IoT实施中特定设备的属性存在满足的差异，因而不切实际。例如，每个设备的使命不同，每个物理环境也不同，依此类推。
在云中进行练习也或许会付出昂扬的代价-大多数公司用于其IoT实施的蜂窝网络都对数据的每个字节收费。这些字节加起来，很难在不发生昂扬本钱的情况下进行扩展。
第二种挑选是运用AI模型在网络边际进行练习。可是，物联网设备面对的挑战是它们一般很小且资源有限，因而难以进行这一级其他处理。需求的解决方案必须小到能够在各种IoT设备上作业，但又要强壮到足以处理正在搜集，整理和处理的数据量和速度。
让我们探讨运用存在于设备，电路板或网关上的AI模型进行练习的一些好处：
节约本钱，因为数据留在边际。物联网设备和传感器一般每秒处理多达300个数据点。该数据以及从其他设备搜集的数据正在经过蜂窝网络发送到云以进行实时处理。经过直接在边际处理数据并仅将需求在云中进一步处理的数据发送到云，安排能够节约很多本钱。
如何完本钱钱节约的一个示例是监督电动机中的振荡。能够依据数据显现的距离以不同的时刻距离获取振荡读数，例如，假如振荡共同，则能够每分钟一次而不是每秒一次进行读数。假如振荡发生改变，读数或许会更加频繁。经过削减数据发送频率，并能够挑选要发送的数据，能够节约本钱。
安全。当数据停留在设备的边际而不是经过IoT网络传输到云时，浸透点就会削减，然后导致网络更加安全。安全有两个优先事项：拒绝那些不应该拥有该设备的人访问该设备；假如确实发生了安全漏洞，请保证该设备能够快速停止。经过当即检测设备行为的改变（无需返回到云进行处理）来发现异常的才能显现了在边际进行练习的价值。
功用。工业物联网运用一般需求高功用网络，而推迟或许是将数据移至云中进行处理的问题。经过在边际而不是在云上进行练习，能够轻松解决推迟问题。经过在边际处理数据，传感器能够确认故障迹象并发送实时警报，这或许只是采取举动的简单消息，也或许会生成API调用以封闭机器。
实战练习
边际练习的价值能够经过以下两个例子得到最好的体现：
汽车制造业：在这种环境下，作为一条生产线的一部分或许会有100个机械臂，每个臂上有十几个或更多传感器。在一个安排中，或许有1,000或更多的手臂在做同一件事。要将这台设备报告的很多数据导入云环境进行练习几乎是不或许的。必须在边际运用AI模型来完结。
才智城市：在这种环境下，单个区域中或许会布置10,000个智能灯泡。物联网运用程序监督动力运用情况，每盏灯都每秒发送数据，以查找异常情况，例如能量水平是否上升到一定数量。能够在边际运用AI模型进行练习关于这种规划的布置至关重要。
运用AI在网络边际进行练习是IoT实施的要害部分，尤其是随着规划的扩展。可是，因为云的强壮功用，云将一直发挥作用。可是，处理一切传入的数据并存储搜集到的信息会很快变得贵重。该优势可明显节约本钱，进步安全性和进步功用，是安排扩展时的明确挑选。
