KubeEdge Sedna如何实现边缘AI模型精度提升50%
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。
