为什么边缘计算和人工智能策略必须互补

许多企业已经开始探索边缘计算用例，因为可以将计算能力推向更靠近数据源和更靠近终端用户。同时，可能正在探索或实施人工智能或机器学习，也已经认识到自动化的发现和获得数据驱动的洞察力。但如果不积极地将边缘战略和人工智能策略结合起来，那么就会错过变革的可能性。

人工智能领域的涉足有明显的迹象表明，边缘分析和数据分析正在融合。根据数据表明，到2025年，边缘数据的创建将增加33%，占数据的五分之一以上，到2023年，数据分析专业人士将把超过50%的精力放在创建和分析边缘数据上。边缘解决方案对实现企业的使命非常或极其重要。78%的领导者认为边缘对AI和ML的影响最大。传统上，企业需要将远程数据传输到数据中心或商业云，以执行分析和提取价值。这在边缘环境中可能具有挑战性，因为数据量的增加、网络访问受限或没有网络访问，以及对实时更快决策的需求不断增加。但今天，增强的小容量芯片组、高密度计算和存储以及网状网络技术的可用性，为企业部署人工智能工作负载、更接近数据生产源奠定了基础。边缘人工智能入门要启用边缘人工智能用例，请确定近实时数据决策在哪些方面，可以显着增强用户体验并实现任务目标。我们看到越来越多的边缘用例集中在下一代飞行套件上，以支持执法、网络安全和健康调查。调查人员曾经收集数据用于后续处理，新的部署套件包括先进的工具，用于现场处理和探索数据。接下来，确定传输大量边缘数据的位置。如果可以在远程位置处理数据，那么只需要传输结果。通过只移动一小部分数据，您可以释放带宽，降低成本，并更快地做出决策。利用松散耦合的边缘组件来实现必要的计算能力。单个传感器无法执行处理。但是高速网状网络允许连接节点，其中一些处理数据收集，以及其他处理等等。甚至可以在边缘重新训练ML模型，以确保持续的预测精度。远程人工智能的基础设施即代码边缘人工智能的最佳实践是基础设施代码。基础设施代码允许通过配置文件，而不是通过物理硬件来管理网络和安全配置。使用基础设施代码，配置文件包括基础结构规范，使更改和分发配置变得更容易，并确保一致地提供环境。还可以考虑使用微服务，并在其中运行它们，并利用开发ops功能，如CI/CD管道、giitops等在边缘上将ML模型的迭代部署自动化到生产环境中，并提供编写一次代码在任何地方使用它的灵活性。我们应该寻求在边缘和核心使用一致的技术和工具。通过这种方式，可以不需要专门的专业知识，避免一次性的问题，并且可以更容易地扩展。现实世界及其他中的边缘人工智能从军队到执法部门，再到管理关键基础设施的机构，都在边缘执行人工智能。例如国际空间站。国际空间站包括一个进行研究和运行实验的现场实验室。在一个例子中，科学家们专注于在国际空间站上发现的微生物的DNA基因组测序。基因组测序产生了大量的数据，但科学家只需要分析其中的一部分。在过去，国际空间站将所有数据传输到地面站进行集中处理，通常每个序列有许多tb的数据。在过渡传输速率下，数据可能需要数周才能到达地球上的科学家手中。但是利用边缘和人工智能的力量，研究是在国际空间站上直接完成的，只把结果传送到地面。现在可以在同一天进行分析。

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。