人工智能（AI）和深度学习在物理安全市场中的应用涵盖了从云计算到边缘计算的各个领域。各种硬件解决方案可以在从云到安全摄像机等边缘设备的不同级别的系统中部署AI。 AI应用程序的更智能的分布式结构可以包括云计算和边缘计算。它将人工智能（AI）算法从云扩展到本地录像机和服务器，并进一步扩展到安全摄像机等边缘设备。三层体系结构支持构建更加智能，更快的新型AI驱动的应用程序目标。云摄像机视频分析和深度学习功能的结合可以改善视频分析。摄像机可以配备基本的视频分析功能，并且可以连接到云基础架构以提供其他深度学习算法。这些相机提供了计算机视觉预处理，并且可以在云神经网络中处理很多详细的分析。软件即服务（SaaS或云）模型为企业提供了改善深度学习的资源。基于使用云系统的来自不同客户的大数据，该系统将变得更加准确，规模更大且易于扩展。当所有数据收集在一起时，用户可以共享知识数据的好处。从边缘到云的数据分发云计算允许具有各种计算功能的用户在私有云或位于数据中心的第三方服务器上存储和处理数据。但是，随着计算服务变得越来越频繁和复杂，对数据处理性能的需求甚至更高。在将数据传输到云的过程中，云计算会消耗大量的网络资源和时间，所有这些都会导致网络拥塞和可靠性降低。从边缘到云，整个系统的数据分布可以缓解任何时候的压力。通过将AI算法部署到边缘设备，仅提取和发送关键信息（例如视频图像中的人或车辆）将显着提高传输效率并减少网络带宽，同时仍保持高质量和准确性。将AI功能添加到云中云提供了AI和深度学习应用程序所需的其他数据计算功能。一个Amazon Web Services数据中心拥有50,000至80,000台服务器。总而言之，据观察家称。评估显示，Amazon Web Services可能拥有300万至500万台服务器。其他主要的云服务提供商，例如Google，Microsoft，VMware，Citrix等，已经增加到数百万台服务器。 Amazon Web Services（AWS）为企业提供广泛而深入的机器学习和人工智能服务。实际上，该服务为所有开发人员提供了机器学习，使他们能够快速构建，训练和部署机器学习模型。为了消费者的利益，Amazon Web Services将专注于应对阻碍开发人员使用机器学习的更艰巨的挑战。所有功能都建立在全面的云平台上，该平台针对机器学习进行了优化，具有高性能，并且不会影响安全性和数据分析。边缘系统的优势深度学习和神经网络计算无处不在。现在，它们已广泛用于本地计算机，嵌入在边缘设备中的系统，甚至在云中。边缘计算在视频监控市场中尤其重要。它使系统能够在任何带宽或延迟问题将限制基于中央服务器的系统的有效性的情况下运行。同时，基于边缘的功能还减少了对信息隐私和对网络连接的依赖的担忧。人工智能（AI）是一个计算密集型过程。无论是在云中还是在本地计算机上，都不需要对边缘处的处理进行集中化。特别是对于视频监控摄像机，没有足够的带宽来通过网络基础结构传输视频数据进行处理。世界上一半以上的人口稠密地区的互联网速度低于8 mbps，这肯定无法处理新型智能应用程序所需的数据量。延迟是使用边缘智能的另一个优势。当前，大量的应用程序越来越需要很少的延迟或几乎没有延迟（小于200毫秒），并且将数据传输到其他地方进行处理需要花费时间。边缘计算还可以确保数据更加私有，而不是将数据保留在私有或公共云甚至本地存储中。更高的计算能力和边缘嵌入式系统的效率为智能物理安全设备铺平了道路，远远超出了目前的行业范围。