邊緣計算是推動技術領域發展耐人尋味的話題之一。試圖將計算任務分佈在多個地點，然後將這些不同的努力協調成一個有凝聚力的、有意義的整體，比它最初看起來要難得多。當試圖將小型概念驗證項目擴展到全面生產時，這一點尤其真實。
幾年來，IBM研究小組一直在努力幫助克服其中的一些挑戰。最近，他們已經開始看到在汽車製造等工業環境中通過採取不同的方法來解決問題而獲得成功。特別是，該公司一直在重新思考如何在各個邊緣地點分析數據，以及如何與其他地點共享人工智能模型。
例如，在汽車製造廠，大多數公司已經開始使用人工智能驅動的視覺檢查模型，幫助發現人類可能難以識別或成本太高的製造缺陷。例如，使用像IBM Maximo應用套件的視覺檢查解決方案工具，既可以幫助汽車製造商在避免缺陷方面節省大量資金，又可以使製造線儘可能快地運行。鑒於許多汽車公司最近面臨供應鏈的限制，這一點最近變得尤為關鍵。
然而，真正的訣竅是進入解決方案的零缺陷方面，因為基於錯誤解釋數據的不一致結果實際上會產生相反的效果，特別是如果這種錯誤的數據最終通過不準確的人工智能模型頒布到多個製造基地。為了避免昂貴和不必要的生產線停工，關鍵是要確保只有適當的數據被用來生成人工智能模型，並定期檢查模型本身的準確性，以避免錯誤標記的數據可能造成的任何缺陷。
這種對人工智能模型的”重新校準”是IBM研究院帶給製造商帶來的福音。IBM正在研究他們稱之為”超出分佈”（OOD）的算法，它可以幫助確定用於完善視覺模型的數據是否超出了可接受的範圍，避免模型對傳入的數據進行不準確的推斷。最重要的是，它是在自動化基礎上進行這項工作，以避免人工貼標工作所帶來的減速，並使這項工作能夠在多個生產基地進行擴展。
OOD檢測的一個副產品，稱為數據匯總，是選擇數據進行人工檢查、標記和更新模型的能力。事實上，IBM正在努力將目前許多早期邊緣計算部署的數據流量減少10-100倍。此外，這種方法通過消除多餘的數據，使人工檢查和標記的時間利用率提高了10倍。結合OFA（Once For All）模型架構探索等最先進的技術，該公司希望將模型的大小也減少100倍之多。這使得邊緣計算的部署更加高效。