從 IoT (物聯網) 邁向AIoT (人工智慧物聯網– 由人工智慧驅動物聯網
儘管企業可運用物聯網將設備資料轉換為可以執行的分析結果，繼而優化業務流程並預防問題發生，及時有效地處理資料的能力，將決定企業是否能從物聯網充分獲得助益。隨著連接感測器和設備所傳輸的資料量以每年10億的速度增長，而企業雲每年僅以數千的速度緩慢成長，最終必將被超過消化能力的海量資料集所淹沒，這只是時間早晚的問題而已。
此外，在自主機械運轉、安全監控以及製造流程監控時、本地設備需要對時間緊迫的事件立即採取對應策略，等候雲端的回饋資訊可能導致反應延遲，造成設備較難及時完成工作。要解決這個資料超載和反應滯後的問題，越來越多的公司正在尋求導入兼具邊緣運算與人工智慧解決方案的物聯網平台。
邊緣運算：當有需求時進行資料處理
邊緣運算是一種分散式運算技術，將運算帶至物聯網網路邊緣，本地設備在此最接近運算來源，能夠立即處理時間敏感度高的資料，而不需傳送資料到集中化控制伺服器進行分析。將資料處理工作帶回邊緣的主要優點是避免延遲，可以在產生資料處就地處理感測器資料，讓本地設備和應用程式能夠即時反應運作。同時，邊緣運算在源頭即可過濾原始資料，不僅大幅減少傳送到企業雲的資料量，更減輕頻寬使用量與分析的負擔。
智慧物聯網：物聯網結合人工智慧
儘管有些物聯網系統是為簡單的應用控制而打造的，感測器信號觸發相對應的反應，例如根據環境光線變化切換燈光開關。然而許多事件卻更複雜許多，需要應用程式利用分析技術來詮釋事件，以便啟動正確的操作。為實現這個目的，人工智慧物聯網 (AIoT) 一種新型態的物聯網結構開始嶄露頭角。AIoT智能應用在邊緣上，方便設備瞭解現況、觀察周圍環境以及決定最佳行動的能力，全部都能在最少人力的情況下完成。憑藉人工智慧的助力，AIoT設備不僅僅擔任回饋資訊給控制中心的傳訊者角色，更發展成有能力執行自我驅動分析和獨立行動的智慧機械。
深度學習 – 機器如同人類一樣學習
深度學習是人工智慧演算法的一種先進分支，越來越多分析視覺影像都部署於邊緣進行。深度學習是機器視覺、自動駕駛車輛、機器人及許多其它視覺啟動自主機械背後的一項關鍵技術，如同人類大腦的運作，教導電腦從影像資料學習複雜的模式，得以偵測並辨識相片和影片中的物件。
深度學習可讓電腦更快速且更精準地辨認複雜的模式，在許多案例中，其效能已超越人類的水平。由於深度神經網路必須取得大量的訓練資料，以提高推論的精準度，因此，深度學習也是一種高度資料驅動的技術，使物聯網成為深度學習的絕佳環境，互聯的機器和感測器不斷提供大量資料，而深度學習模型即可從中學習並提升其效能。由於人工智慧部署於工業物聯網網路的邊緣，深度學習模型還可藉此較以往獲得更縝密觀察其周圍環境的能力，最終提出更佳的推論結果。
艾訊邊緣運算人工智慧系統針對各個市場實現深度學習的案例
eBOX560-900-FL於智慧農牧解決方案
客戶開發出一套智慧攝影機系統，可全天候進行牛隻行為監控與視訊資料分析，達到農牧營運改善的目的。這套攝影機系統選用艾訊人工智慧系統eBOX560-900-FL，結合電腦視覺和人工智慧能力，可以從視訊影片辨識不同動物特定進食或飲水的情況，找出健康與餵食的模式，並評估環境變化或農牧作法影響牲畜的方式。攝影機系統透過智慧型手機傳送每日事件通知給農戶，同時透過遠端存取功能，提供對牛群和農牧營運詳細分析，將有助於農民將視覺資訊轉化成可執行的分析結果，並提供資料做出正確的執行決策，產生最大的生產力與獲利能力。
運用eBOX800-900-FL進行視訊架構交通流量管理
客戶啟用一套流量管理計畫，導入具備人工智慧處理能力的現場視訊物聯網解決方案，分析來自道路監控攝影機的即時影像。經由即時視訊內容分析提供即時交通流量管制，大幅減輕將巨量影片資料集傳回雲端進行分析的負擔。艾訊人工智慧邊緣運算系統eBOX800-900-FL具備PoE攝影機連接與深度學習能力，以及適合戶外嚴峻使用條件的強固耐用設計，有助於部署客戶的應用平台，執行電腦視覺啟動的視訊分析，進行流量管理。
- 交通流量統計：車輛計數、車速偵測等。
- 車輛追蹤：車輛類型分類、車道辨識、行進方向預測 (直行；右轉或左轉)。
基於現場影片提供交通與車輛追蹤分析，協助交通主管單位偵測意外事故，更清楚獲知道實際交通流量，精確估計可能發生交通阻塞區域或時段，並立即採取行動以避免擁塞，協助駕駛人避開。即時交通分析的結果還可結合其它智慧交通系統，例如交通號誌控制系統，引導行駛替代道路，有效降低交通流量。
