gydtep

“早前，我做数据产品和数据分析的时候，很多产品同学说所有的都要埋点，包括头像、点击次数等，他会问这些点真的有用吗？想好这些指标数据的目的了吗？这些都是十分有意思的现象和问题。数据驱动是一件好事，但在国内企业的落地中确实很“骨感”。数据驱动不是一个简单的工具，也不是多个分析师或者少个分析师的问题，而是整体的格局问题。“陈新祥在直播中提到。

gydtep

从业务需求到需求规范，一定要做统一收口，如果没有线上工具化的体系，可以指定一个人，让他做统一收口，收口完成之后要形成公司或者部门内部比较完整的指标字典和维度字典。与此同时，一定要对指标字典进行拆分，看看哪些是公共性指标（跨部门或者公司级别）和个性化指标。

gydtep

这是一个视频类的案例，要针对具体需求设计数据采集方案，互联网领域比较流行基于事件和属性进行分类。相关人员可以把属性融到事件里，之后再去做限定，等到哪一天想看XXX视频的点击，基于属性可以直接看到。这是一个非常理想的体系，可以实现数据采集埋点的规范化。

gydtep

这种AI架构的问题在于，许多设备可能开始超载网络流量，或者您可能正在使用已经大量使用的网络。在这些情况下，将数据发送回中央服务器会导致处理时间过长，这是令人无法接受的。这是Edge AI发挥其价值的地方，因为可以在硬件设备上本地执行较不复杂的机器学习和AI流程。

gydtep

Edge AI对许多行业至关重要。一个例子是自动驾驶汽车，其中Edge AI可以减少电池的电量消耗。监视系统、机器人技术和其他几个行业也将从Edge AI模型中受益。

gydtep

知识蒸馏的概念具有极大地改善Edge AI解决方案的潜力。

知识蒸馏通过知识压缩的原理进行。使用诸如强化学习之类的技术，神经网络可以学习如何产生预期的结果。在这一点上，较小的网络将学习创建与较大的网络已经开创的结果相似。

gydtep

较小的网络规模更适合移动设备、传感器和类似硬件等边缘设备。知识蒸馏可以将边缘设备的空间负担减少多达2000%，从而减少了运行网络所需的能源、物理约束以及设备本身的成本。

gydtep

知识蒸馏的概念具有极大地改善Edge AI解决方案的潜力。

知识蒸馏通过知识压缩的原理进行。使用诸如强化学习之类的技术，神经网络可以学习如何产生预期的结果。

gydtep

。较小的网络规模更适合移动设备、传感器和类似硬件等边缘设备。知识蒸馏可以将边缘设备的空间负担减少多达2000%，从而减少了运行网络所需的能源、物理约束以及设备本身的成本。

gydtep

正在应用的知识蒸馏的一个实例是使用视频源在监视系统上实时检测性别。通常，识别性别需要相当大的基于云的神经网络。但是在实时系统中，跳回云并不总是一种选择。知识蒸馏可以将整个过程精简为一个较小的网络，该网络可以在安装到边缘设备的同时准确地识别性别。如果没有知识蒸馏技术，这可以实现几种不可能的应用。