KubeEdge Sedna如何实现边缘AI模型精度提升50%（KubeEdge Counter Demo）

KubeEdge Sedna如何实现边缘AI模型精度提升50%（KubeEdge Counter Demo）

内容简介：

随着边缘设备数量指数级增长，以及设备性能的提升，数据量爆发式增长，数据规模已由原来的EB级扩展到ZB级。数据回传中心云处理成本太高，边缘计算的价值已经被证明。数据在哪，计算就应在哪，人工智能正逐步向边缘迁移，将云上AI能力下沉到边缘节点，做到本地处理，打通AI的最后一公里。虽然边缘AI技术的相关研究和应用都有着显著的进展，然而在成本、性能、安全方面仍有诸多挑战：

a) 数据孤岛，边缘天然的地理分布性, 隐私保护和网络瓶颈等因素导致数据集天然分割, 传统集中式AI模式在收敛速度, 数据传输量, 模型准确度等方面仍存在巨大挑战。

b) 边缘数据样本少，冷启动等问题，传统大数据驱动的统计ML方法无法收敛、效果差。

c) 数据异构：现有机器学习基于独立同分布假设，同一模型用在非独立同分布的不同数据集的效果差别巨大。

d) 资源受限：相对云上资源的海量易获取，边侧资源受限（算力、供电、场地等均受限），建设与维护成本更高。

如何发挥边缘计算的实时性和数据安全性，结合中心云的海量算力优势，实现AI的边云协同，就成了解决上述挑战的关键课题。

内容大纲：

1、业界边缘AI遇到的挑战和痛点；

2、边云协同AI训练概念及其使用场景、如何应对边缘AI痛点；

2、KubeEdge边云协同AI框架发布及其技术原理。

听众收益：

1、了解边缘 AI 的应用场景、价值和技术挑战，与传统离线 AI 和云上 AI 应用的差异；

2、了解边云协同推理和训练模式对当前边缘 AI“云上训练，端边推理”模式的效果提升，并了解一些关键技术方案。