边缘计算是推动技术领域发展的有趣话题之一。试图将计算任务分布在多个位置，然后将这些不同的工作协调成一个有意义的整体，这比最初看起来要困难得多。在尝试将小型概念验证项目扩展到全面生产时尤其如此。

　　几年来，IBM研究小组一直致力于帮助克服其中一些挑战。最近，他们开始看到汽车制造业等工业领域通过采取不同的方法来解决问题的成功案例。特别是，该公司一直在重新思考如何分析不同边缘位置的数据，以及如何与其他位置共享AI模型。

　　例如，在汽车制造厂，大多数公司已经开始使用人工智能驱动的视觉检查模型来帮助发现制造缺陷，这些缺陷可能很难或成本太高，而人类无法识别。例如，使用IBM Maximo视觉检测解决方案应用套件这样的工具，可以帮助汽车制造商在避免缺陷方面节省大量资金，并保持生产线尽可能快地运行。考虑到许多汽车公司最近面临的供应链约束，这一点最近变得尤为重要。

　　然而，真正的诀窍是实现解决方案的零缺陷方面，因为基于错误解释数据的不一致结果实际上可能会产生相反的效果，特别是如果这些错误数据最终通过不准确的AI模型传播到多个生产场所。为了避免成本高昂和不必要的生产线停工，关键是要确保只使用适当的数据来生成AI模型，并定期检查模型本身的准确性，以避免错误标记的数据可能导致的任何缺陷。

　　这种人工智能模型的“重新校准”对IBM研究院的制造商来说是一个福音，该公司正在研究一种被他们称为“超出分布”(out-distribution，OOD)的算法，它可以帮助确定用于改进视觉模型的数据是否超出了可接受的范围，并防止模型对传入的数据做出不准确的推断。最重要的是，它在自动化的基础上做到这一点，以避免手动标记工作所带来的减速，并使这项工作能够在多个生产基地进行扩展。

　　OOD检查的一个副产品称为数据聚合，它能够选择用于人工检查、标记和模型更新的数据。事实上，IBM正在努力将许多早期边缘计算部署的数据流量降低10-100倍。此外，这种方法通过消除冗余数据，将人工检查和标记的时间利用率提高了10倍。结合最先进的技术，如OFA(Once For All)模型架构探索，该公司希望将模型大小减少100倍。