边缘人工智能的风险
边缘的人工智能可以彻底改变业务,我们需要什么来防止意外后果?
随着对更快的结果和实时洞察的需求日益增长,企业正在转向边缘人工智能。边缘人工智能是一种利用从网络边缘的传感器和设备收集的数据,以接近实时的方式提供可操作见解的人工智能。虽然这项技术提供了很多好处,但其使用也有风险。
在边缘地带,人工智能有许多潜在的用例。一些可能的应用包括:
- 自动驾驶汽车: 边缘人工智能实时处理传感器收集的数据,以决定何时以及如何刹车或加速。
- 智能工厂: 边缘人工智能实时监控工业机械,检测异常或故障。摄像头还能检测生产线上的缺陷。
- 医疗保健: 可穿戴设备可以检测心脏不正常情况或监测术后患者。
- 零售: 追踪顾客移动和行为的传感器。
- 视频分析: 人工智能实时分析视频片段,识别潜在的安全威胁。
- 面部识别: 边缘人工智能可以通过面部特征来识别个人。
- 语音识别: 边缘人工智能现在被用于实时识别和转录口语。
- 传感器数据处理: 边缘人工智能可以处理传感器收集的数据,以决定何时以及如何刹车或加速。
边缘人工智能风险
丢失/丢弃的数据
边缘人工智能风险包括数据在处理后可能丢失或丢弃。边缘人工智能的优点之一是,系统在处理后可以删除数据,从而节省资金。人工智能判断这些数据不再有用,并将其删除。
这种设置的问题是,数据不一定是无用的。例如,一辆自动驾驶汽车可能会在偏远农村的一条空旷道路上行驶。人工智能可能会认为收集到的大部分信息是无用的,并将其丢弃。
然而,来自偏远地区空旷道路的数据可能会有所帮助,这取决于需求。此外,收集到的数据可能包含一些有用的信息,如果这些信息能够送到云数据中心进行存储和进一步分析的话。例如,其可能揭示动物迁徙的模式或环境的变化,否则这些变化将无法被发现。
社会不平等加剧
人工智能的另一个边缘风险是,其可能加剧社会不平等。这是因为边缘人工智能需要数据才能运行。问题是,并不是每个人都可以访问相同的数据。
例如,如果想使用边缘人工智能进行面部识别,则需要一个人脸照片数据库。如果这些数据的唯一来源来自社交媒体,那么唯一能被准确识别的人就是那些活跃在社交媒体上的人。这就形成了一个双层系统,在这个系统中,边缘人工智能可以准确地识别一些人,而其他人则不能。
此外,只有某些群体可以访问带有传感器或处理器的设备,这些设备可以收集和传输数据,供边缘人工智能算法处理。这可能导致社会不平等加剧:那些买不起设备或生活在没有本地网络的农村地区的人将被排除在边缘人工智能革命之外。这可能导致一个恶性循环,因为边缘网络的建设并不简单,且成本也很高。这意味着数字鸿沟可能会扩大,弱势社区、地区和国家在利用边缘人工智能优势方面的能力可能会进一步落后。
数据质量差
如果传感器数据质量很差,那么边缘人工智能算法生成的结果也可能质量很差。这可能会导致误报或漏报,从而造成灾难性后果。例如,如果使用边缘人工智能识别潜在威胁的安全摄像头产生误报,这可能导致无辜的人被拘留或讯问。
另一方面,如果由于传感器维护不佳而导致数据质量差,这可能会导致错失机会。例如,自动驾驶汽车配备了边缘人工智能,用于处理传感器数据,以决定何时以及如何刹车或加速。低质量的数据可能会导致汽车做出糟糕的决定,从而导致事故。
效率低
在典型的边缘计算设置中,边缘设备的功能不如其所连接的数据中心服务器强大。这种有限的计算能力可能会导致边缘人工智能算法效率较低,因为其必须在内存和处理能力更小的设备上运行。
安全漏洞
边缘人工智能应用受到各种安全威胁,如数据隐私泄露、对抗性攻击和机密性攻击。
边缘人工智能最重要的风险之一是数据隐私泄露。边缘云存储和处理大量数据,包括敏感的个人数据,这使得其成为攻击者的诱人目标。
边缘人工智能的另一个固有风险是对抗性攻击。在这种攻击中,攻击者破坏人工智能系统的输入,导致系统做出错误的决策或产生错误的结果。这可能会产生严重的后果,比如导致自动驾驶汽车相撞。
最后,边缘人工智能系统也容易受到机密性或推理攻击。在这种攻击中,攻击者试图揭示算法的细节并对其进行逆向工程。一旦正确推断出训练数据或算法,攻击者就可以预测未来的输入。边缘人工智能系统还容易受到各种其他风险的影响,如病毒、恶意软件、内部威胁和拒绝服务攻击。
平衡风险和回报
边缘人工智能既有好处也有风险。但,可以通过仔细的规划和实施来降低这些风险。在决定是否在业务中使用边缘人工智能时,我们必须权衡潜在的好处和威胁,以确定什么适合自己的特定需求和目标。
相关文章
- 聊聊确定性网络的二三事
- Flink 计算 Pv 和 Uv 的通用方法
- 对边缘计算与云原生的理解与思考
- 为什么叫 HTTP/2 ,而不是 HTTP/2.0 ?
- 初探Bonree Box 3.0 看博睿数据是如何帮助企业提升用户体验
- 从中心走向边缘——深度解析云原生边缘计算落地痛点
- 三季度数据出炉,三大运营商原地踏步还是跑出“加速度”?
- 聊一聊边缘计算的优秀实践
- 企业级计算与公有云面临的困境
- Kafka 的生成者、消费者、broker 的基本概念
- NoSQL“开山之作”Amazon DynamoDB的十年创新之旅
- MySQL分表之后,怎么平滑上线?
- BigQuery vs Snowflake终极指南
- SolarWinds数据库性能监控产品在Azure中可交付
- 亚马逊云科技赋能伊克罗德建立云端优势 助力600+企业数字化转型
- 云计算人工智能vs边缘人工智能:2022年选择哪个更好?
- 对于云计算,你了解多少?
- 双轮驱动,看墨迹风云如何布局 “B +C”端
- 盘点:2022年值得关注的十大边缘计算开源项目
- 2021去中心云计算行业概览