相对于自建集群进行 AI 训练和推理，公有云 AI 服务门槛低、更易用、成本更低，但是要求将用户数据上传到公有云，这带来了数据隐私、传输带宽和响应时延等方面的担心。因此，边缘 AI 越来越被业界重视。当前边缘AI的主流模式是“云上训练，端边侧推理”，但是边侧模型性能受限于资源，训练数据仍需上云，另外边侧模型同质，效果不能达到最佳。面对边缘资源受限、地理分布、数据有偏、场景化等特点。

本议题将介绍一个基于开源 KubeEdge 平台的边云协同 AI 框架 SolarCorona，提供边云协同推理和边云协同训练能力，能快速开发具备边云系统 AI 能力的边缘应用，在边侧资源受限、小样本冷启动、数据隐私保护条件下，显著提升模型推理准确度10~20%。SolarCorona 框架包括多目标模型组的生成、边侧模型增量学习和边侧数据不满足 IID 条件时的联邦迁移学习等特性。

演讲提纲：

1. 边缘 AI 现状与技术挑战
2. 边云协同 AI 框架 SolarCorona 架构：
   • 云上管理服务
   • 云上 AI 后台（微服务）
   • 边侧 AI 前台（微服务或SDK）
3. 边云多模型协同推理微服务
4. 边云协同训练微服务
5. 案例介绍
   • 某智能摄像头的安全帽检测场景准确率提升
   • 某办公园区楼宇中央空调冷机能耗预测准确率提升

听众受益点：

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 AI 框架 SolarCorona 框架，以及如何基于此框架开发具备边云协同 AI 能力的应用；
3. 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。