AI 应用中，边缘端的数据预处理涉及在边缘设备（例如传感器、摄像头或嵌入式系统）上直接进行原始数据的清理、转换和准备，然后再用于推理或传输到云端。 这种方法最大限度地减少了延迟，降低了带宽使用，并通过在本地处理敏感数据来确保隐私。 常见的技术包括降噪、归一化、调整大小或过滤不相关数据。 例如，安全摄像头可能会裁剪和调整视频帧的大小，以专注于相关区域，然后再运行对象检测，从而避免将全分辨率的素材发送到中央服务器。 这一步至关重要，因为来自传感器或摄像头的原始数据通常是非结构化的、嘈杂的或太大而无法实时高效处理。
边缘设备面临着计算能力、内存和能源等方面的限制，因此必须优化预处理以提高效率。 开发人员通常使用专为边缘硬件量身定制的轻量级算法或库。 例如，工业物联网设置中的温度传感器可能会应用移动平均滤波器来平滑嘈杂的读数，然后再将聚合结果发送到云端。 同样，来自智能扬声器的音频数据可以使用傅里叶变换进行压缩，以提取关键频率分量，从而减小语音识别的数据大小。 TensorFlow Lite 或 ONNX Runtime 等框架提供了量化模型（降低数值精度）或修剪不必要操作的工具，从而使预处理管道更快且资源消耗更少。
实时要求也影响着边缘预处理。 对于像自动驾驶无人机或医疗可穿戴设备这样的应用，延迟是不可接受的，因此必须立即处理数据。 例如，可穿戴 ECG 监视器可能会通过对设备上的心跳应用基于阈值的过滤来检测异常情况，从而触发警报而无需等待云分析。 Apache TVM 或 OpenCV 边缘优化的函数等工具可以帮助开发人员高效地实现这些步骤。 此外，边缘框架通常将预处理直接集成到推理管道中，例如在将像素值输入到设备上的神经网络之前，对相机图像传感器中的像素值进行归一化。 这种紧密集成确保了在资源受限的环境中具有最小的开销和可靠的性能。