機器人將統治邊緣AWS驅動新的AI模式

邊緣計算意味著很多事情，但是我們常常忽略了機器人技術是一切的核心。

自主的邊緣機器人對于幾乎每個人關于未來存儲的愿景都是至關重要的。在Amazon Web Services Inc.最近的re：Invent大會上，有許多與機器人技術有關的公告，其中大多數都側重于構建使一切變為可能的智能所需的AI DevOps管道。

機器人本質上是一個智能對象，已經在工作臺中將AI敲入了AI，就像虛構的Geppetto為他的木制男孩Pinocchio所做的那樣。在當今的AI市場上，現在已經非常缺乏的一件事是用于構建，訓練，部署和管理機器人技術成為真正的大眾現象所需的算法智能的占主導地位的智能對象工作臺。

但這確實是AWS在re：Invent上推出的產品，盡管您忽略了這一事實，這是可以原諒的，但考慮到AWS首席執行官安迪·賈西(Andy Jassy)和工作人員在世界范圍內放任自流，這確實掩蓋了它。甚至連該公司似乎都沒有掌握它為此發布的幾項公告的全部意義。

在本周的Wikibon post-revent：Invent CrowdChat中，一些參與者呼應了這個令人困惑的消息，他們對我認為非常重要的AWS聲明scratch之以鼻，該聲明指出了AI智能對象工作臺在云中的發展形式。我指的是AWS DeepRacer (如圖)，它是一種微型但功能強大的AI驅動的自動駕駛汽車。

DeepRacer現已限量發售，可以預訂，它是一款全自動玩具賽車。它本質上是一個智能機器人，配備了全輪驅動，巨型卡車輪胎，高清攝像機和車載計算機。

是的，從表面上看，DeepRacer聽起來聽起來很瑣碎，這就是為什么其他兩個聊天者將它選為re：Invent上最“嗡嗡”的公告：

許志堅：“ DeepRacer最初引起了轟動。但是，在與其他與會者交談時，大多數人都將其視為自己或孩子的免費玩具。:)”

Maish Saidel-Keesing：“我會說Deepracer –很酷–但是這種服務/設備的業務用例是什么?……所以這是一個可以解決AI問題的好玩具–我理解其背后的邏輯–但宣布一個新的“產品”只是為了證明這一點–對我來說似乎在炫耀他們的統治地位。”

但是，這些評論使DeepRacer脫離了亞馬遜一直推向市場的其他智能對象的背景，例如去年re：Invent宣布的AI驅動的DeepLens智能相機，當然還有廣受歡迎的Echo設備。將帶對話用戶界面的AI驅動助手Alexa帶入了如此多的家庭。在自動駕駛汽車領域，AWS對DeepRacer的定位與演示DeepLens的方式大致相同：作為AI原型開發平臺，可以將AI“從字面上講給開發人員”。像DeepLens一樣，這種新型微型自動駕駛汽車是完全可編程的，并配有教程，代碼和預訓練模型，可加快特定類型智能對象的開發。

DeepRacer，DeepLens和Echo系列等可用于開發人員的智能對象代表了AI邊緣開發的范式轉變。展望未來，將在遍布整個物理平臺(例如這些設備)以及云中的虛擬工作區的工作臺上開發更多注入AI的邊緣應用程序，包括用于消費者和企業用途的機器人技術。

隨著這一趨勢的加劇，越來越多的數據科學家將開始使用大量注入AI的設備來填充其物理工作區，以進行演示，原型設計甚至生產開發。我們正在邁向一個“物聯網”邊緣設備成為可自主操作的高級AI應用程序的主要工作臺的世界。AI DevOps生態系統將不斷發展，以加快DevOps工作流的發展，該工作流會將智能對象逐步轉化為生產部署。

強化學習 (上周在許多與AWS AI相關的公告中是跨領域的主題)是這種范式轉變的共同思路。RL指的是一種方法，算法 和工作流，這些方法，算法和工作流歷史上一直應用于機器人，游戲和其他開發計劃，在這些計劃中，AI是在模擬器中構建和訓練的。除了在游戲，機器人技術和其他用例中的核心作用外，RL還被用于補充許多深度學習計劃中的有監督和無監督學習。

展望未來，更多的AI從業者將轉向面向RL的新工作臺，這些工作臺在智能對象本身中執行所有或大多數DevOps管道功能(包括分布式培訓)。越來越多地呼吁數據科學家和其他開發人員將數據驅動的算法智能倒入各種各樣的互連智能對象中。

在上周AWS的公告中，我發現最值得注意的是，他們對無形云服務和所需的有形設備的加深投資充實了該智能對象工作臺。要查看RL驅動的AI開發生態系統的新興形式，讓我們考慮AWS在re：Invent上發布的相關解決方案公告：

邊緣AI建模和培訓中的RL：為了支持可能從未將RL應用于AI項目的開發人員，AWS宣布了SageMaker RL的全面可用性，SageMaker RL是其數據科學工具鏈托管服務的新模塊。AWS推出的SageMaker RL表明，RL的主流正在加速。這項新服務是云技術針對AI開發和培訓管道的首個托管RL產品。它使任何SageMaker用戶都可以通過任何幾種內置的RL框架(包括Intel Coach和Ray RL)來構建，訓練和部署機器人技術和其他AI模型。SageMaker RL利用了多個仿真環境中的任何一個，包括SimuLink和MatLab。

邊緣AI仿真中的RL：SageMaker RL與新發布的AWS RoboMaker托管服務集成，該服務為智能機器人項目中的RL提供了仿真平臺。它提供了一個基于AWS Cloud9的機器人集成開發環境，用于建模和大規模并行仿真。它通過與機器學習，監控和分析之類的AWS服務的連接性擴展了開源機器人操作系統。它使機器人能夠流式傳輸數據，進行導航，交流，理解和學習。它可以與OpenGym RL環境以及亞馬遜的Sumerian混合現實解決方案一起使用。

AI DevOps中的RL：借助RoboMaker，AI機器人開發人員只需單擊一下AWS管理控制臺即可開始應用程序開發，該服務會自動將經過訓練的模型置備到邊緣或IoT基礎架構的目標機器人環境中的生產環境中。AWS RoboMaker支持與AWS Greengrass集成的空中機器人團隊應用程序部署，更新和管理。用于ROS的AWS RoboMaker云擴展包括Amazon Kinesis Video Streams提取，Amazon Rekognition圖像和視頻分析，Amazon Lex語音識別，Amazon Polly語音生成以及Amazon CloudWatch日志記錄和監視。新的AWS IoT SiteWise可在預覽中使用的一項托管服務是一項從分布式設備收集數據，對數據進行結構化和標記數據，并生成實時關鍵性能指標和指標以在邊緣驅動更好決策的托管服務。

邊緣AI跨邊緣應用程序組成中的RL：可預覽的新AWS IoT Things Graph使開發人員可以通過將設備和云服務(例如SageMaker RL中的培訓工作流)表示為可合并的模型來構建IoT應用程序通過可視化的拖放界面，而不是編寫底層代碼。IoT Things Graph提供了一種可視化的方式來表示復雜的現實世界系統。它將IoT應用程序部署到運行AWS Greengrass的設備上的邊緣，以便即使未連接到Internet，應用程序也可以更快地響應。

在SageMaker RL中編程，構建和訓練了支持DeepRacer自治操作的AI模型。AWS還發起了所謂的“世界上第一個全球自動駕駛賽車聯盟”，因此DeepRacer開發人員可以相互比較以RL為動力的原型。

分布式圖形模型(可能內置于AWS IoT Graph中)很可能會成為開發AI的必備畫布，該AI可對復雜的多設備邊緣和機器人部署進行動畫處理。如果沒有圖形技術，開發人員將難以組成和監視將智能對象群整合為協調的集體所需的分布式RL培訓工作流。

在將來的某個時候，AWS可能有必要將其“基礎結構即代碼”工具 CloudFormation 納入其智能對象AI邊緣云工作臺戰略。作為云管理DevOps的組織框架，基礎架構即代碼消除了信息技術專業人員接觸物理IT平臺，訪問云提供商的管理控制臺，登錄基礎架構組件，進行手動配置更改或一次性使用的需求。腳本進行調整。

通過這種方式進行DevOps的可擴展性，速度和效率，對于管理不斷被推向邊緣甚至數百萬甚至數萬億個智能對象的AI應用程序更新管道的管理至關重要。作為傳統IT更改和配置管理的替代方法，基礎架構即代碼涉及編寫模板(也稱為“代碼”)，以聲明方式描述新基礎架構組件的所需狀態，例如智能對象的分布式圖形。

在利用基礎DevOps源代碼控制的IT管理工具中，該模板可推動創建云基礎架構代碼庫的外觀圖。然后，該工具會查找已部署代碼中的缺陷，并通過部署端到端代碼來修復它們，以便端到端已部署基礎結構收斂到正確的狀態。

聲明式規范和迭代收斂是RL的全部目標，它基于旨在最大化累積獎勵函數的反復試驗算法工作流程。看看AI驅動的自主智能對象將使用RL開發什么樣的優化交互模式將是很有趣的。最有可能的是，未來的智能對象將通過聲明式指定的注重結果的獎勵函數進行訓練。針對分布式邊緣機器人技術的這種獎勵功能的一個示例可能是指定RL驅動的圖在各種端到端網絡負載情況下，在任意數量的智能邊緣設備之間找到最低的延遲路徑，所有這些同時保持有效載荷透明性和消息可追溯性。

如果我們要委托AI驅動的智能機器人來駕駛我們的汽車以及云計算世界的其余部分，我們需要適合這些挑戰的工作臺。在我看來，AWS已奠定了這些基礎。