人工智能驱动的机器视觉的兴起，对企业数据管理产生何种影响

人工智能驱动的机器视觉每天都变得越来越强大和广泛。机器视觉和人工智能的新应用正在快速发展，尤其是在医疗保健、自动驾驶汽车、制造、农业和安全等领域。

在医疗保健领域，机器视觉用于快速分析数以千计的 X 射线、CAT 扫描和其他医学图像。它通过优先考虑医 院急诊室的患者治疗来挽救生命。在交通运输行业，人工智能驱动的机器视觉系统使自动驾驶汽车能够发现障碍物并安全地在道路上行驶。

机器视觉也通过自动缺陷检测在制造业中发挥着关键作用，数字农业的快速扩展领域部署了计算机视觉系统来限制甚至消除农药的使用，同时可持续地增加产量。

与机器视觉系统一样有用，它们是大量非结构化数据的来源。根据 IDC 的研究，它们的日益普及是推动全球收集的数据量爆 炸式增长的一个重要因素。

有了所有这些用途以及用于人工智能机器视觉的所有这些数据，它对企业产生了许多数据管理影响。今天，大多数组织都面临着相互冲 突的数据管理需求。

大多数数据源自边缘，但计算和存储基础设施通常集中在几个大型数据中心或公共云上。将数据移动到集中位置会带来与传输和存储数据相关的大量延迟和成本。

据Gartner 称，到 2025 年，大约 75% 的企业生成数据将在传统数据中心或云之外创建和处理。在边缘捕获的大多数数据目前都转移到集中位置进行处理，用于人工智能模型开发。

在实施机器视觉技术时必须考虑这一点。对于捕获和集中 PB 级非结构化数据的任何企业而言，这些负载都会显着减慢机器学习算法的训练过程。这种集中式数据处理方法延迟了 AI 开发管道和生产模型调整。在工业环境中，这可能会导致遗漏产品缺陷，从而可能给企业造成巨额损失，甚至危及生命。

为了解决这个问题，越来越多的企业开始转向分布式、去中心化的架构。这意味着大多数数据都在边缘保存和处理，以解决延迟和延迟挑战，并解决与数据处理速度相关的问题。边缘分析和联合机器学习技术的部署带来了显着的好处，同时解决了集中式系统固有的安全和隐私缺陷。

一个不断捕获视频片段的大型监控网络会编译大量原始数据以供以后分析。为了从素材中有效地训练 ML 模型意味着必须对其进行审查以区分视频中的特定对象。只需要检测到新事物的镜头，而不需要可能捕获空建筑物或街道的无变化视频的乏味时间。通过在边缘预先分析数据并将必要的镜头移动到一个集中点，企业可以节省时间、带宽和成本。

虽然分布式架构有许多优点，但它们也引入了额外的复杂性。在边缘选择和部署适当的存储和计算基础设施以及集中管理至关重要，并且会显着影响整体系统效率和拥有成本。

许多收集的主要用于 AI 模型训练的图像和视频应该永久存储用于不同的目的。

例如，在高级驾驶员辅助系统和自动驾驶汽车中，人工智能根据其实时收集的数据做出决策。但是，如果出现问题：可能是几个月或几年后，企业需要能够回过头来分析发生了什么。尽管对安全性至关重要，但这种存储的成本很高。据 Gartner 称，平均每年每 TB 为 3,351 美元。当您考虑到平均自动测试车辆每小时捕获 2 TB 的数据时，很容易看出成本是如何增加的。

许多存储大量非结构化数据的企业通常依赖于网络附加存储设备或公共云存储。但是，采用分层数据存储架构可以显着节省成本。

在分层系统中，在处理和分析数据的活动期间，内容被放置在快速存储中，而备份副本则存储和存档在成本较低的存储上，例如磁带或对象存储。大规模的低成本存储可低至每 TB 50 美元。在包括自动驾驶汽车在内的许多行业中，大多数收集的数据需要无限期保存，但很少使用，可以存储在最低成本层。

非结构化数据存储解决方案和边缘分析的新发展不断冲击市场。为了利用这些优势，企业应该从头到尾专注于实施模块化数据管理，以便在发布时将元素替换为更先进的技术。

使用机器视觉寻找新机会

即使拥有最好的技术和服务，成功传输、处理和存储为机器视觉用例捕获的大量数据仍将继续挑战各种垂直领域的企业。

然而，存储的数据也提供了一个新兴的机会。例如，可以重复使用图像和视频来开发新的用例。

因此，存储数据将成为企业新的收入来源，而不是成本。同样，当更先进的分析技术投入使用时，许多企业可以重用现有的存档数据来开发自己的新产品。一些尤其是汽车制造商，已经开始意识到这种潜力。这些潜在的新收入流和数据使用是当今开始优先考虑智能高效处理和存储数据的绝佳理由。