在过去的几年里，边缘计算和机器学习已经成为两项领先的技术，它们已经获得了大量的研究兴趣和研究投资。在物联网(IoT)时代，尖端设备和机器学习平台的数量已经在各个行业中大量增加，越来越多的应用被开发和测试。
边缘计算是将数据、应用程序和服务从云中移到网络边缘的方法。这使数据处理和分析以及结果生成能够在靠近数据源中进行。然而，机器学习是人工智能(AI)的一个分支，它专注于让机器自己学习，而不需要人工干预，也不需要显式编程。机器通过经验改进自身的能力被视为任何人工智能的基本要素。然而，将机器学习应用于网络边缘或生成源数据的设备更有意义。在本文中，我们将讨论在边缘上机器学习的5个用例。
1. 网络入侵检测
由于网络中潜在漏洞或攻击媒介的数量大幅增加，网络安全显然正成为许多组织机构中更为重要优先考虑的事项。在网络的边缘部署机器学习技术可以论述如何不断改进网络安全软件和设备。通过模拟不同类型的网络攻击，机器学习技术可以用来识别持续改进的威胁，这得益于它们在数据来源上使用分析和推理的能力。在关键情况下，切断云服务器可以节省宝贵的时间。
2. 环境管理
机器学习在边缘应用的一种方式是用于环境和野生动物领域的管理。例如，通过利用地图数据，森林管理已看到机器学习在预测和优化再造林目的树种选择方面的应用。然后，根据诸如海拔、暴露程度、土壤类型和湿度等变量，通过学习系统得出高度精确的结果，就可以推断出哪种物种是最理想的。
3. 物联网设备活动检测
随着物联网的迅速发展，连接设备对健康和健身应用程序和可穿戴设备的兴趣日益增加。 这些应用程序通常从位于许多现代智能手机中的陀螺仪和加速度计收集数据。 然而，随着这些应用程序收集和传输的个人数据量不断增加，人们越来越担心个人隐私和安全数据传输。 在智能手机等边缘设备上进行机器学习可以直接在设备上直接学习安全模型，无需将数据发送到云或将其外部化。 随着物联网设备变得越来越多，诸如此类的隐私问题将成为边缘机器学习的焦点。
4. 产品评级预测
电子商务中的机器学习已应用于诸如客户情绪评估等领域，机器学习技术用于根据客户留下的书面评论预测产品评分。 从这些评论中收集的文本数据然后在边缘机器学习确定相关单词序列之前将其分析为单词序列，并最终学习预测模型。 提供类似这样的见解，边缘机器学习对于任何希望利用文本数据，特别是声音数据（根据客户声音）客户群来预测产品评级。
5. 远程监控
对于一个行业来说，延迟可能会成为一个生死攸关的问题。例如，在油井或加油站，边缘机器学习正在应用于远程监控和预测性维护等等。在进行远程监控的情况下，将数据发送到云进行分析和处理会对设备和机器操作员需要多长时间通知任何异常情况或危险情况的整体速度有所减缓（将数据发送云端处理会延迟事故处理效率）。在这些类型的环境中，安全性至关重要。因此，随着时间的推移，通过利用边缘机器学习缩短这一时间可能成为越来越多地被采用的一种方法。
总结
尽管大多数人工智能和机器学习技术仍然安装在大型强大的云服务器中，但这段时间很快就会结束。边缘机器学习有望使网络边缘设备具备利用学习模型的能力，并能够从他们收集数据的相同位置进行数据处理和分析。2018年人工智能已经开始制定相关规范，随着物联网的不断扩展，在智能家居，办公室，工厂等的实现智能互联成为可能，这也可能带动机器学习领域的巨大飞跃。