为什么边缘计算和人工智能策略必须互补

随着企业逐渐深入探索边缘计算的应用场景，他们正积极将计算能力推向数据源和终端用户附近。与此他们可能正在涉足人工智能和机器学习领域，并深刻认识到自动化在获取数据驱动洞察力方面的价值。但如果不积极整合边缘战略与人工智能策略，那么他们就可能错失变革的机遇。

对于人工智能领域的涉足，边缘分析和数据分析的融合已成为明显的趋势。预计到2025年，边缘数据的生成量将激增33%，占整体数据的五分之一以上。到2023年，数据分析专家将超过一半的时间投入到创建和分析边缘数据上。显然，边缘解决方案在助力企业实现其使命中扮演着至关重要的角色。据调查数据显示，有高达78%的领导者认为边缘计算对人工智能和机器学习的推动作用最为显著。

在传统的数据处理方式中，企业需要将远程数据传送到数据中心或商业云以进行分析和价值提取。但在边缘环境中，这可能会面临一系列挑战，例如数据量的大幅增加、网络访问受限或无网络访问的情况以及需要更快做出实时决策的需求增长等。随着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日益成熟，为企业部署人工智能工作负载提供了坚实的基础，使其更接近数据生产源成为可能。

为了启用边缘人工智能用例，企业需要确定近实时数据决策在哪些领域能够显著增强用户体验并实现任务目标。在下一代飞行套件的应用中，我们看到了越来越多的边缘用例正被应用于执法、网络安全和健康调查等领域。企业还需要确定如何传输大量的边缘数据。通过在远程位置处理数据并仅传输结果的方式，可以节省带宽和成本，并加速决策过程。利用松散耦合的边缘组件来实现所需的计算能力，通过高速网状网络连接各个节点以进行处理。甚至可以在边缘重新训练ML模型，确保持续的预测精度。

边缘人工智能的实践涉及到基础设施代码的使用和管理。基础设施代码允许企业通过配置文件而非物理硬件来管理网络和安全配置。通过使用基础设施代码和相关的技术如微服务、CI/CD管道等，企业可以更容易地更改和分发配置，确保环境的一致性提供，并将机器学习模型的迭代部署自动化到生产环境中。寻求在边缘和核心使用一致的技术和工具，可以简化操作过程并降低复杂性。

从军队到执法部门再到关键基础设施管理机构等各个领域都在广泛应用边缘人工智能。例如在国际空间站的研究中，科学家们利用边缘计算和人工智能技术直接在空间站上完成数据分析工作，并将结果传输到地面，大大缩短了分析时间并提高了效率。这种技术在有限的空间和功率环境中易于管理并且灵活适应未来的需求扩展。通过将分析放置在数据生成和用户交互的位置附近可以实现更快的决策和更优质的服务并扩展任务到任何需要的地方。