毛片网站在线观看-毛片网站在线-毛片网站有哪些-毛片网站视频-女生脱衣服app-女色综合

★華為云邊緣云創(chuàng)新實(shí)驗(yàn)室 鄭子木 

摘要：由于數(shù)據(jù)從邊緣產(chǎn)生，將部分機(jī)器學(xué)習(xí)任務(wù)部署到邊緣已成為必然趨勢(shì)。 當(dāng)機(jī)器學(xué)習(xí)應(yīng)用逐步被部署到邊緣，距離用戶更近、面對(duì)更復(fù)雜環(huán)境的開放世界 場(chǎng)景將從系統(tǒng)和算法兩個(gè)角度普遍、持續(xù)地影響邊緣智能應(yīng)用的精度和運(yùn)行。借 鑒人類的學(xué)習(xí)機(jī)制，我們已發(fā)表一種邊云協(xié)同終身學(xué)習(xí)范式以針對(duì)上述開放世界 中的邊緣智能問題。本文總結(jié)了邊云協(xié)同終身學(xué)習(xí)在理論走向?qū)嵺`過程中遇到的 三大技術(shù)挑戰(zhàn)：可擴(kuò)展性、任務(wù)定義和未知任務(wù)，并通過6個(gè)工業(yè)和園區(qū)領(lǐng)域應(yīng) 用案例分享了相關(guān)技術(shù)探索和經(jīng)驗(yàn)。 

關(guān)鍵詞：開放世界；邊云協(xié)同；終身學(xué)習(xí) 

Abstract: As data is increasingly generated at the edge, deploying machine learning tasks at the edge has become an inevitable trend. When machine learning applications are gradually deployed to the edge, open world scenarios that are closer to users and facing more complex environments will generally and continuously affect the accuracy and operation of edge intelligence applications from both system and algorithm perspectives. Drawing on the learning mechanism of humans, we have published an edge-cloud collaborative lifelong learning paradigm to address the abovementioned edge intelligence problems in the open world. This paper summarizes the three major technical challenges currently encountered in the process of edge-cloud collaborative lifelong learning from theory to practice, i.e., scalability issue, task definition issue, and unknown task issue. We also share relevant technical exploration and experience through six industrial and campus case studies. 

Key words: Open world; Edge-cloud collaboration; Lifelong learning 

1　開放世界（Open World）問題 

1.1　開放世界中的邊緣智能 

近十年來，機(jī)器學(xué)習(xí)技術(shù)跨越資本市場(chǎng)的多輪高峰 與低谷，持續(xù)完成多項(xiàng)技術(shù)突破。比如AlphaGo多次擊 敗人類圍棋頂尖選手，AlphaFold預(yù)測(cè)出98.5%的人類 蛋白質(zhì)結(jié)構(gòu)，ChatGPT聊天機(jī)器人的對(duì)話質(zhì)量令人驚 艷以至有可能支撐專業(yè)咨詢和研發(fā)等工作。不可否認(rèn)， 機(jī)器學(xué)習(xí)在規(guī)則相對(duì)明確的封閉環(huán)境內(nèi)，比如在游戲 中，已經(jīng)展現(xiàn)出媲美甚至超越人類的能力，并且在封閉 環(huán)境中出錯(cuò)的代價(jià)也往往較低。直至今日，這場(chǎng)十年級(jí) 別的技術(shù)狂歡時(shí)有中場(chǎng)休息，但并未中止，也絕非曇花 一現(xiàn)。

 然而，在這場(chǎng)閃亮的機(jī)器學(xué)習(xí)狂歡背后，挑戰(zhàn)也如 影隨形。當(dāng)機(jī)器學(xué)習(xí)應(yīng)用逐步被部署到邊緣，在距離用 戶更近、面對(duì)更多開放環(huán)境的邊緣智能場(chǎng)景中，機(jī)器學(xué) 習(xí)的另一面愈發(fā)難以忽視。近五年的國內(nèi)外邊側(cè)智能設(shè) 備異常樣例如圖1所示。 

（1）2017年，雙足機(jī)器人標(biāo)桿Atlas在演示過程中 失足摔落國際會(huì)議舞臺(tái)； 

（2）2018年，U公司、T公司及G公司等頭部公司 的自動(dòng)駕駛系統(tǒng)先后引發(fā)多起傷亡事故； 

（3）2020年，福州中防萬寶城導(dǎo)購機(jī)器人跌落數(shù) 米高的電動(dòng)扶梯并撞倒前方兩位客人； 

（4）2021年，雙足機(jī)器人Walker X在世界人工智 能大會(huì)演示過程中意外摔倒； 

（5）2022年，輪式機(jī)器人小蠻驢駛?cè)牒幽洗髮W(xué)校 園未干水泥地后陷入泥中無法前行； 

（6）2022年，四足機(jī)器人Go 1在遞送飲品時(shí)頻繁 摔跤的視頻在互聯(lián)網(wǎng)上引發(fā)高熱度關(guān)注。 

圖1 近五年的國內(nèi)外邊側(cè)智能設(shè)備異常樣例 

1.2　開放世界問題影響分析 

從上面這一系列案例中我們可以看出，在開放世界 中的邊緣智能技術(shù)會(huì)遭遇大量長(zhǎng)尾應(yīng)用（Long Tailed Application）或異常案例（Corner Case），這不應(yīng) 被視為某款產(chǎn)品或服務(wù)設(shè)計(jì)缺陷的特例，而應(yīng)被視為邊 緣智能應(yīng)用的普遍問題。開放世界問題在邊緣智能領(lǐng)域 有兩個(gè)原因，一是邊緣智能呈現(xiàn)需求森林化態(tài)勢(shì)，邊側(cè) 需求應(yīng)用場(chǎng)景、硬件、環(huán)境等復(fù)雜多樣；二是邊緣智能 領(lǐng)域處于方案摸索期，各業(yè)務(wù)模型乃至平臺(tái)的協(xié)作生態(tài) 仍在成長(zhǎng)，因此導(dǎo)致其在近期相當(dāng)長(zhǎng)一段時(shí)間內(nèi)將持續(xù) 普遍存在。

 開放世界的長(zhǎng)尾應(yīng)用或異常案例有兩大特點(diǎn)，即形 態(tài)多和數(shù)據(jù)少。其影響分析如下： 

（1）系統(tǒng)性能層面 

數(shù)據(jù)在邊緣產(chǎn)生，而算力卻在云端更為充足。也就 是說，機(jī)器學(xué)習(xí)服務(wù)在開放世界的多樣業(yè)務(wù)和硬件環(huán)境 下，全部在云上處理將難以滿足數(shù)據(jù)安全合規(guī)、服務(wù)離 線自治或?qū)崟r(shí)性的要求，全部在邊側(cè)處理則得不到云端 在算力、開發(fā)環(huán)境、高階服務(wù)和產(chǎn)品生態(tài)上的支持，導(dǎo) 致整體智能服務(wù)質(zhì)量以及研發(fā)、維護(hù)和銷售成本都受到 挑戰(zhàn)。 

（2）算法性能層面 

開放世界會(huì)從數(shù)據(jù)異構(gòu)和小樣本兩個(gè)方面對(duì)邊緣智 能相關(guān)應(yīng)用服務(wù)的正常運(yùn)行造成影響，并進(jìn)一步引發(fā)災(zāi) 難性遺忘（Catastrophic Forgetting）問題。

圖2 數(shù)據(jù)異構(gòu)問題：工業(yè)安全帽檢測(cè)案例樣本及其精度 （F1-Score） 

數(shù)據(jù)異構(gòu)方面，在如圖2所示的安全帽檢測(cè)案例 中，邊側(cè)智能攝像頭檢測(cè)來往工作人員是否已佩戴安全 帽[1]。從圖中可以看到，不同邊緣設(shè)備生成的樣本通常 具有不同的目標(biāo)大小、背景和視角。從特定邊側(cè)數(shù)據(jù)訓(xùn) 練的模型用于其它邊側(cè)，在數(shù)據(jù)分布相似時(shí)模型可維持 高精度并成功遷移（如圖2所示，識(shí)別精度達(dá)到90.56% —94.78%）；而在數(shù)據(jù)分布差異巨大時(shí)，模型精度將 顯著下降并且不能混用（如圖2所示，識(shí)別精度相對(duì)下 降8.81%—64.33%）。

 圖3 小樣本問題：智慧樓宇舒適度預(yù)測(cè)案例傳感器及 其樣本量 

小樣本方面，在如圖3所示的舒適度預(yù)測(cè)案例中， 樓宇空調(diào)群控系統(tǒng)預(yù)測(cè)室內(nèi)人員是否感到熱、冷或舒 適[2]。從圖中可以看到，絕大部分的城市邊側(cè)采集樣本 量難以超過200條，這與傳感器覆蓋、數(shù)據(jù)傳輸、冷啟 動(dòng)和數(shù)據(jù)標(biāo)注成本等問題相關(guān)。小樣本將導(dǎo)致模型訓(xùn) 練無法收斂，過少的數(shù)據(jù)甚至可能導(dǎo)致部分訓(xùn)練算法 無法正常啟動(dòng)。

 圖4 災(zāi)難性遺忘問題：智慧樓宇舒適度預(yù)測(cè)案例

當(dāng)小樣本和數(shù)據(jù)異構(gòu)同時(shí)出現(xiàn)時(shí)，會(huì)誘發(fā)災(zāi)難性遺 忘問題。在圖4的舒適度預(yù)測(cè)案例中，將室外平均溫度 30℃作為特征值輸入。在第一時(shí)刻，室外模型一開始顯 示為“熱”，是正確的預(yù)測(cè)。在第二時(shí)刻，受測(cè)人員從 室外到有空調(diào)的室內(nèi)，實(shí)際上已經(jīng)從熱變冷。由于特征 值沒有變化，正在運(yùn)作的室外模型依然會(huì)輸出“熱”， 而這是不正確的。此時(shí)需采集更多數(shù)據(jù)，將室外模型更 新覆蓋為室內(nèi)模型以正確預(yù)測(cè)。但是，當(dāng)?shù)谌龝r(shí)刻人員 外出時(shí)，更新后的室內(nèi)模型又再次不正確，需要重新更 新回室外模型。但由于室外模型已經(jīng)被覆蓋丟失，因此 又需要重新采集數(shù)據(jù)訓(xùn)練出室外模型，來覆蓋原有的室 內(nèi)模型。這種來回反復(fù)的現(xiàn)象，即災(zāi)難性遺忘問題。 

綜合以上案例，從系統(tǒng)和算法兩個(gè)角度我們可以看 到，開放世界問題將會(huì)普遍、持續(xù)地影響邊緣智能應(yīng)用 的精度和運(yùn)行。 

2　邊云協(xié)同終身學(xué)習(xí)概念、原理及挑戰(zhàn) 

2.1　概念與原理 

針對(duì)上述開放世界中的邊緣智能問題，我們可以從 人類的學(xué)習(xí)過程中得到啟發(fā)，并可以看到，人類之所以 能夠在開放世界中正常工作和生活，是由于每個(gè)人并非 自我封閉地學(xué)習(xí)，而是不斷地積累過去學(xué)習(xí)的知識(shí)，并 利用其他人的知識(shí)，學(xué)習(xí)更多知識(shí)[3]。借鑒人類這種學(xué) 習(xí)機(jī)制，我們已發(fā)表了在邊緣結(jié)合終身學(xué)習(xí)的邊云協(xié)同 終身學(xué)習(xí)正式定義[4,5]：

 邊云協(xié)同終身學(xué)習(xí)（定義）：給定云側(cè)知識(shí)庫中N 個(gè)歷史訓(xùn)練任務(wù)，推理持續(xù)到來的當(dāng)前任務(wù)和未來M個(gè) 邊側(cè)任務(wù)，并持續(xù)更新云側(cè)知識(shí)庫。其中，M趨向于無 窮大，同時(shí)邊側(cè)M個(gè)推理任務(wù)不一定在云側(cè)知識(shí)庫N個(gè) 歷史訓(xùn)練任務(wù)當(dāng)中。

 具體地，邊云協(xié)同終身學(xué)習(xí)的基本技術(shù)原理是： （1）系統(tǒng)約束與性能壓力：邊云同架構(gòu)實(shí)現(xiàn)應(yīng)用云上 資源，同時(shí)保證數(shù)據(jù)安全合規(guī)與邊緣AI服務(wù)離線自治； （2）數(shù)據(jù)異構(gòu)：多任務(wù)遷移學(xué)習(xí)為不同分布建立不同 任務(wù)，實(shí)現(xiàn)“千人千面”精準(zhǔn)預(yù)測(cè)；（3）小樣本：未 知任務(wù)增量處理在小樣本下越學(xué)越聰明，逐步實(shí)現(xiàn)AI工 程化與自動(dòng)化；（4）災(zāi)難性遺忘：借助云側(cè)知識(shí)庫來 記憶歷史及新情景知識(shí)，避免災(zāi)難性遺忘。 

2.2　技術(shù)挑戰(zhàn) 

經(jīng)過近年來多個(gè)項(xiàng)目的技術(shù)探索和驗(yàn)證過程，本文 總結(jié)了邊云協(xié)同終身學(xué)習(xí)在理論走向?qū)嵺`過程中遇到的 三大技術(shù)挑戰(zhàn)。 

（1）可擴(kuò)展性挑戰(zhàn)：在開放世界中，邊緣智能呈 現(xiàn)需求森林化，相關(guān)場(chǎng)景可覆蓋交通、工業(yè)、能源、航 天、媒體、機(jī)器人、園區(qū)等10+行業(yè)，進(jìn)一步考慮硬件 和環(huán)境，其模型和算法千差萬別。但學(xué)界已有的終身學(xué) 習(xí)工作往往依賴某類模型，比如只能用于線性回歸類模 型，或只能用于神經(jīng)網(wǎng)絡(luò)類模型，甚至只能用于某種特 定的神經(jīng)網(wǎng)絡(luò)模型。高度一體化的耦合設(shè)計(jì)會(huì)阻礙邊緣 智能方案的規(guī)模復(fù)制。首先耦合設(shè)計(jì)會(huì)阻礙邊云協(xié)同的 模塊分配等架構(gòu)設(shè)計(jì)工作，更重要的是使在多個(gè)應(yīng)用甚 至單個(gè)應(yīng)用內(nèi)跨場(chǎng)景遷移變得非常困難。在邊云協(xié)同終 身學(xué)習(xí)中，整體邊云協(xié)同系統(tǒng)的流程模塊化、算法模型 插件化等可擴(kuò)展性的考慮是面對(duì)邊緣智能需求森林化的 基石。 

（2）任務(wù)定義挑戰(zhàn)：面向開放世界的數(shù)據(jù)異構(gòu)問 題，在云上構(gòu)建單一模型用于邊側(cè)推理的單任務(wù)方法， 包括孤立學(xué)習(xí)、單任務(wù)增量學(xué)習(xí)、單任務(wù)聯(lián)邦學(xué)習(xí)等， 模型更新時(shí)需要覆蓋歷史模型，容易導(dǎo)致災(zāi)難性遺忘問 題，“千人千面”非常困難。而通過人工定義多個(gè)模型 適配不同邊緣局點(diǎn)的多任務(wù)方法，包括多任務(wù)學(xué)習(xí)、多 任務(wù)增量學(xué)習(xí)、多任務(wù)聯(lián)邦學(xué)習(xí)等，多個(gè)定制化模型構(gòu) 建與維護(hù)需投入人力物力，AI工程化和自動(dòng)化任重道 遠(yuǎn)。在邊云協(xié)同終身學(xué)習(xí)中，數(shù)據(jù)集中潛藏任務(wù)的自動(dòng) 化劃分，目標(biāo)推理樣本的任務(wù)分配等任務(wù)定義的考慮是 面對(duì)數(shù)據(jù)異構(gòu)和災(zāi)難性遺忘的前提。 

（3）未知任務(wù)挑戰(zhàn)：面向開放世界的數(shù)據(jù)異構(gòu)、 小樣本及其災(zāi)難性遺忘問題，邊側(cè)環(huán)境復(fù)雜多樣，推理 階段所有任務(wù)在訓(xùn)練階段都完美學(xué)習(xí)的封閉假設(shè)在邊緣 場(chǎng)景往往并不成立。需要假設(shè)邊緣模型運(yùn)行時(shí)存在未知 任務(wù)，提前對(duì)未知任務(wù)進(jìn)行識(shí)別，及時(shí)進(jìn)行兜底和更 新，確保相關(guān)服務(wù)魯棒性和可靠性，以期解決開放世界 問題。

3　KubeEdge-Sedna邊云協(xié)同終身學(xué)習(xí) 設(shè)計(jì)與案例 

2020年12月KubeEdge SIG AI提出的KubeEdgeSedna，如圖5所示，是基于KubeEdge提供的邊云協(xié) 同能力實(shí)現(xiàn)AI的跨邊云協(xié)同訓(xùn)練和協(xié)同推理，近年來 在星地協(xié)同衛(wèi)星、多邊協(xié)同重識(shí)別等案例上備受矚目。 KubeEdge-Sedna v0.3版本發(fā)布了業(yè)界首個(gè)邊云協(xié)同 終身學(xué)習(xí)開源特性。本章從邊云協(xié)同終身學(xué)習(xí)三大技術(shù) 挑戰(zhàn)出發(fā)，介紹其相關(guān)設(shè)計(jì)和案例。 

圖5 KubeEdge-Sedna整體架構(gòu)

3.1　面對(duì)可擴(kuò)展性挑戰(zhàn) 

KubeEdge-Sedna邊云協(xié)同終身學(xué)習(xí)作業(yè)（Lifelong Learning Job）分為三個(gè)階段：訓(xùn)練、評(píng)估和部署，維 護(hù)一個(gè)全局可用的知識(shí)庫服務(wù)于每個(gè)終身學(xué)習(xí)作業(yè)，其 架構(gòu)如圖6所示。在開發(fā)者啟動(dòng)終身學(xué)習(xí)作業(yè)后，運(yùn)作流 程為： 

 圖6 KubeEdge-Sedna邊云協(xié)同終身學(xué)習(xí)架構(gòu) 

（1）Sedna訓(xùn)練worker基于開發(fā)者的基礎(chǔ)模型和訓(xùn) 練數(shù)據(jù)集進(jìn)行多任務(wù)遷移學(xué)習(xí)，實(shí)現(xiàn)任務(wù)知識(shí)歸納并更新 知識(shí)庫，其中任務(wù)包括：樣本、模型、模型超參等。 

（2）Sedna訓(xùn)練完成并對(duì)知識(shí)庫更新任務(wù)知識(shí) 后，啟動(dòng)對(duì)評(píng)估數(shù)據(jù)集的評(píng)估worker，基于部署者定 義的評(píng)估策略，判斷符合策略的任務(wù)模型并下發(fā)部署。 

（3）Global Manager捕獲評(píng)估任務(wù)的完成狀態(tài) 后，通知邊緣容器初始化，并在Lifelong推理Worker 中進(jìn)行推理服務(wù)。邊緣節(jié)點(diǎn)基于Sedna Lifelong Learning API進(jìn)行未知任務(wù)識(shí)別和推理，其中也按配 置策略上傳未知任務(wù)樣本。 

（4）通過對(duì)接第三方打標(biāo)系統(tǒng)和知識(shí)庫的遷移學(xué) 習(xí)，Local Controller監(jiān)聽新數(shù)據(jù)變化，并按配置策略 觸發(fā)訓(xùn)練worker進(jìn)行增量學(xué)習(xí)，然后返回步驟1。

 面對(duì)可擴(kuò)展性挑戰(zhàn)，KubeEdge-Sedna邊云協(xié)同 終身學(xué)習(xí)當(dāng)前已具備以下能力： 

（1）系統(tǒng)模塊化

 · 一體化系統(tǒng)流程已分解為多個(gè)模塊且各模塊具備 明確功能，以便邊云調(diào)度。

 · 開放模塊配置，所有模塊均提供可跳過的熱鏈接 功能。 

· 開放模塊算法配置，所有模塊均提供在符合模塊 接口下的算法切換功能。 

（2）模型插件化

 · 開放Estimator接口，滿足接口的任意類別模型 均可接入，并使能終身學(xué)習(xí)。 

· 未知任務(wù)識(shí)別等模塊內(nèi)置元模型和樣本遷移，可 自適應(yīng)學(xué)習(xí)接入模型行為。 

（3）場(chǎng)景可擴(kuò)展

 · 平臺(tái)核心與應(yīng)用程序?qū)崿F(xiàn)解耦，不同應(yīng)用互不干擾。

 · 開放基于K8S-CRD的超參數(shù)選擇，不同應(yīng)用可實(shí) 現(xiàn)客制化。 

（4）云原生邊緣計(jì)算 

· 受益于K8S、KubeEdge的云原生邊緣計(jì)算能 力，便于應(yīng)用的邊云調(diào)度和遷移。 

后續(xù)章節(jié)也提供基于KubeEdge-Sedna終身學(xué) 習(xí)統(tǒng)一架構(gòu)的多個(gè)不同場(chǎng)景案例，以佐證KubeEdgeSedna邊云協(xié)同終身學(xué)習(xí)的可擴(kuò)展性。 

3.2　面對(duì)任務(wù)定義挑戰(zhàn) 

在邊云協(xié)同終身學(xué)習(xí)中，數(shù)據(jù)集中潛藏任務(wù)的自動(dòng)化劃分，目標(biāo)推理樣本的任務(wù)分配等任務(wù)定義的考 慮是面對(duì)數(shù)據(jù)異構(gòu)和災(zāi)難性遺忘的前提。任務(wù)定義相 關(guān)工作主要參與初始化和重訓(xùn)練，因此歸屬于Lifelong Initial/Re-train Worker的Initial/Re-train模塊中。任 務(wù)定義的輸入是數(shù)據(jù)集和知識(shí)庫內(nèi)各任務(wù)知識(shí)，輸出是 數(shù)據(jù)集中發(fā)現(xiàn)的任務(wù)集合。 

關(guān)于任務(wù)如何劃分和分配的問題，需要確定在一 個(gè)應(yīng)用內(nèi)不同項(xiàng)目所需機(jī)器學(xué)習(xí)模型的數(shù)量以及各個(gè) 模型的應(yīng)用范圍。該問題目前通常只能由數(shù)據(jù)科學(xué)家 和領(lǐng)域?qū)＜疫M(jìn)行人工干預(yù)，自動(dòng)化程度低，難以規(guī)模 化復(fù)制。其自動(dòng)化是一個(gè)懸而未決但又重要的難題。 接下來本章分享四個(gè)基于KubeEdge-Sedna的工業(yè)和 園區(qū)多任務(wù)案例。 

3.2.1　工業(yè)案例 

如圖7所示，基于華為云Hilens服務(wù)的3個(gè)國際都 市中5個(gè)邊緣局點(diǎn)中57個(gè)攝像頭的驗(yàn)證，用于安全帽檢 測(cè)的一種任務(wù)劃分方法（TForest）被提出并發(fā)表在數(shù) 據(jù)挖掘領(lǐng)域頂級(jí)會(huì)議ACM CIKM上[1]。該案例驗(yàn)證一 種基于森林結(jié)構(gòu)的多任務(wù)定義方法，華為云上也實(shí)現(xiàn)基 于KubeEdge-Sedna的公共服務(wù)HiLens來支持整個(gè)過 程。驗(yàn)證方案與基線相比，F(xiàn)1平均高出9.2%，并且在 部署新攝像頭時(shí)需要的樣本減少43.1%。

 圖7 Hilens安全帽檢測(cè)案例 

如圖8所示，基于華為南方工廠6條產(chǎn)線機(jī)器連續(xù) 三個(gè)月收集的1876種焊盤（Pad）數(shù)據(jù)的驗(yàn)證，用于焊 膏（Solder Paste）異常檢測(cè)的一種多任務(wù)遷移學(xué)習(xí)方 法（M-MTL）被提出并發(fā)表在人工智能系統(tǒng)領(lǐng)域頂級(jí) 期刊ACM TIST上[6]。該案例驗(yàn)證了一種基于快速聚類 算法的多任務(wù)方法，驗(yàn)證結(jié)果表明可以減少81.28%的 誤報(bào)，這意味著每年節(jié)省1130萬美元。 

圖8 華為南方工廠錫膏異常檢測(cè)案例 

3.2.2　園區(qū)案例 

如圖9所示，基于華為2個(gè)大型工業(yè)園區(qū)中的8座建 筑物中9臺(tái)冷機(jī)4個(gè)月運(yùn)行數(shù)據(jù)的驗(yàn)證，用于冷機(jī)能效預(yù) 測(cè)的一種任務(wù)定義算法（MELODY）被提出并發(fā)表在 國際能源領(lǐng)域頂會(huì)ACM e-Energy上[7]。MELODY的關(guān) 鍵思想是使用元數(shù)據(jù)動(dòng)態(tài)劃分多個(gè)任務(wù)，特別適用于元 數(shù)據(jù)多樣化但樣本不足的邊側(cè)系統(tǒng)。該案例驗(yàn)證結(jié)果表 明MELODY算法優(yōu)于最新預(yù)測(cè)方法，并能為兩個(gè)園區(qū) 每月節(jié)省252MWh的電量，較當(dāng)前建筑中冷水機(jī)的運(yùn) 行方式節(jié)省了35％以上的能源。

 圖9 華為深圳園區(qū)冷機(jī)能效預(yù)測(cè)案例 

如圖10所示，基于香港金鐘商業(yè)區(qū)3座商業(yè)大樓中 17臺(tái)冷機(jī)4年的運(yùn)行數(shù)據(jù)，一種多任務(wù)遷移方法和一種 任務(wù)分配的方法分別被提出和驗(yàn)證。前者亮點(diǎn)是基于元 數(shù)據(jù)提取任務(wù)屬性，設(shè)計(jì)了元數(shù)據(jù)任務(wù)屬性與樣本任務(wù) 屬性層次結(jié)合的多任務(wù)通用AI算法；后者是用于邊緣計(jì)算分配任務(wù)的任務(wù)排序算法，以提升性能與服務(wù)質(zhì)量。 該案例驗(yàn)證結(jié)果表明方案節(jié)約能源超過30%，文章相關(guān) 成果分別發(fā)表在人工智能頂級(jí)會(huì)議IJCAI與能源頂級(jí)會(huì) 議ACM e-Energy、分布式系統(tǒng)頂級(jí)期刊TPDS與頂級(jí) 會(huì)議ICDCS上[8-11]。

 圖10 香港金鐘商業(yè)區(qū)冷機(jī)能效預(yù)測(cè)案例 

3.3　面對(duì)未知任務(wù)挑戰(zhàn) 

前文提及，邊云協(xié)同終身學(xué)習(xí)需要假設(shè)邊緣模型運(yùn) 行時(shí)存在未知任務(wù)，并提前對(duì)未知任務(wù)進(jìn)行識(shí)別，及時(shí) 進(jìn)行兜底和更新，確保相關(guān)服務(wù)魯棒性和可靠性，以期 解決開放世界問題。該工作也將貫穿整個(gè)邊云協(xié)同終身 學(xué)習(xí)流程。下面我們分享兩個(gè)園區(qū)相關(guān)案例。 

圖11展示的是一個(gè)基于全球28個(gè)國家99個(gè)城市的 樓宇熱舒適預(yù)測(cè)案例。在本案例中，我們首次提出一 種通過學(xué)習(xí)元知識(shí)和構(gòu)建元知識(shí)庫的方式對(duì)熱舒適度 預(yù)測(cè)模型進(jìn)行終身維護(hù)算法（LEON） ，引入元知識(shí) 及其運(yùn)算符來自動(dòng)發(fā)現(xiàn)生成了哪些模型，何時(shí)應(yīng)該使 用以及如何更新。該案例驗(yàn)證結(jié)果說明，就SMAPE而 言，LEON平均優(yōu)于所有最先進(jìn)的基線30.02%。文章 相關(guān)成果已發(fā)表在能源領(lǐng)域頂級(jí)會(huì)議ACM e-Energy 上[2]。 

圖11 KubeEdge-Sedna熱舒適預(yù)測(cè)案例 

圖12演示案例是在華為云園區(qū)部署基于KubeEdgeSedna終身學(xué)習(xí)的斜坡檢測(cè)模型，來越過低矮障礙物， 并讓終身學(xué)習(xí)來應(yīng)對(duì)未知情況，最終實(shí)現(xiàn)智能導(dǎo)航， 可用于機(jī)器人遞送或工業(yè)巡檢。案例演示視頻已發(fā)布 于國際開源頂會(huì)Open Source Summit Japan 2022、 第一屆云原生邊緣計(jì)算學(xué)術(shù)研討會(huì)（KEAW'22） 以及KubeEdge社區(qū)公開課[12-14]。驗(yàn)證結(jié)果顯示 Corner Case模型精度提升1.78倍，單次遞送時(shí)間減少 28.04%。

圖12 KubeEdge-Sedna云機(jī)器人終身學(xué)習(xí)案例 

作者簡(jiǎn)介：

 鄭子木（1991-），男，廣東人，主任工程師，博士，現(xiàn)就 職于華為云邊緣云創(chuàng)新實(shí)驗(yàn)室，KubeEdge SIG AI聯(lián)合創(chuàng)始 人，研究方向?yàn)檫吘堿I、多任務(wù)學(xué)習(xí)及AIoT。

參考文獻(xiàn)： 

[1] Zheng Z, Li Y, Song H, Wang L, Xia F. Towards Edge-Cloud Collaborative Machine Learning: A Quality-aware Task Partition Framework[C]. In Proceedings of the 31st ACM International Conference on Information & Knowledge Management (ACM CIKM' 22) , 2022, 3705 - 3714. 

[2] Zheng Z, Luo P, Li Y, Luo S, Jian J, Huang Z. Towards lifelong thermal comfort prediction with KubeEdge-Sedna: online multi-task learning with metaknowledge base[J]. In Proceedings of ACM e-Energy' 22, 2022, 263 - 276. 

[3] BLiu B. Lifelong machine learning: a paradigm for continuous learning[J]. Frontiers of Computer Science, 2017, 11 (3) : 359 - 361. 

[4] Huawei Cloud Developers. Support edge-cloud collaborative lifelong learning features, KubeEdge sub-project Sedna 0.3.0 version released! [EB/OL]. https://segmentfault.com/a/1190000040132422/en, 2021 - 06 - 07. 

[5] 鄭子木. KubeEdge-Sedna v0.3: 邁向次時(shí)代自動(dòng)定制的AI工程范式[J]. 自動(dòng)化博覽, 2022, 39 (2) , 72 - 75. 

 [6] Zheng Z, Pu J, L, Wang D, Mei X, Zhang S, Dai Q. "Contextual anomaly detection in solder paste inspection with multi-task learning."[J]. ACM Transactions on Intelligent Systems and Technology (TIST) , 2020, 11 (6) : 1 - 17. 

[7] Zheng Z, Xie D, Pu J, Wang F.. Melody: Adaptive task definition of cop prediction with metadata for hvac control and electricity saving[J]. In Proceedings of ACM e-Energy' 20, 2020, 47 - 56. 

[8] Zheng Z, Wang Y, Dai Q, Zheng H, Wang D. "Metadata-driven task relation discovery for multi-task learning."[Z]. In Proceedings of IJCAI (CCF-A) , 2019. 

 [9] Zheng Z, Chen Q, Fan C, Guan N, Vishwanath A, Wang D, Liu F. "Data Driven Chiller Sequencing for Reducing HVAC Electricity Consumption in Commercial Buildings."[C]. In Proceedings of ACM e-Energy, 2018. 

 [10] Zheng Z, Chen Q, Hu C, Wang D, Liu F. "On-edge Multi-task Transfer Learning: Model and Practice with Datadriven Task Allocation."[C]. In Proceedings of IEEE TPDS (CCF-A) , 2019. 

[11] Chen Q, Zheng Z, Hu C, Wang D, Liu F. "Data-driven task allocation for multi-task transfer learning on the edge. "[C]. In Proceedings of IEEE ICDCS (CCF-B) , 2019. 

[12] Luo SQ. From Ground to Space: Cloud-Native Edge Machine-Learning Case Studies with KubeEdge-Sedna[EB/OL]. https://www.youtube.com/watch?v=bIaeWGelsJE, 2022 - 12 - 05. 

 [13] 鄭子木. 邊云協(xié)同終身學(xué)習(xí)在智慧園區(qū)及工業(yè)領(lǐng)域創(chuàng)新探索及落地[EB/OL]. KEAW'22, https://www.bilibili.com/video/ BV1Me411N7gA/, 2022 - 11 - 17. 

 [14] 鄭子木, 楊浩進(jìn). KubeEdge云原生邊緣計(jì)算公開課12-邊緣智能進(jìn)階: 適配多樣場(chǎng)景和應(yīng)對(duì)分布式系統(tǒng)[EB/OL]. https://www. bilibili.com/video/BV1W44y1R7uB, 2022 - 12 - 27.

摘自《自動(dòng)化博覽》2023年第2期暨《邊緣計(jì)算2023專輯》