这促使业界专注于边缘AI的开发，这是我在上一篇文章中谈到的主题。这些工作主要围绕引入用于训练AI模型的新方法进行，这些方法可以减少占用空间，因此可以将这些模型直接部署在边缘设备上。

边缘AI将通过使智能设备实时做出真正自主的决策来解决深度云的不足，从而促进深度学习。具体而言，这将消除了将所有数据连续发送到云或从云连续发送的需要，从而改善了隐私，带宽和延迟限制。此外，新兴的边缘AI部署方法极大地提高了速度，功耗和内存消耗，从而可以降低成本并限制对环境的影响。

一个人的利益不能被另一个人完全取代;因此，最具影响力的现实世界AI部署将是采用混合方法的部署：在云中和边缘。但是混合方法是什么样的呢?

混合部署的免费工作流可获得更好的结果

第一步是通过确定必须实时在边缘进行决策的用例，并通过可在云中进行处理以进行长期分析和改进的方案，来淘汰可最大化效率和可扩展性的工作流程。

如果您在智能边缘设备上部署深度学习，那么在需要实时决策的情况下，例如自动驾驶汽车，农业无人机和系统，摄像机，移动设备等。同时，系统可以将数据上传到云中以进行存储以及进一步处理和分析，而这些处理和分析可以由功能更强大的引擎执行。这将确保该系统可以实现大功率计算的优势，并允许将云中的数据与其他系统中的数据进行组合。

利用这些组合数据，可以对模型进行重新训练以进行持续改进。一旦在云中进行了再培训，就可以在边缘重新部署新模型。

与采用单一方法相比，将云AI和边缘部署的优势整合在一起更强大。具体来说，云AI的处理能力和高性能可以补充边缘AI的效率，速度和自主性。