在當前的IT轉型過程中，邊緣計算佔據了一個非常重要的位置。與AI、機器學習、物聯網和機器人自動化一起，邊緣計算已成為全球CIO和IT領導者中討論最多的話題。根據Forrester的《2020:邊緣計算》(2020:Edge Computing)，IT和自動化的“邊緣化”將成為區分雲基礎設施和雲計算領域的領導者和落後者的主要因素。
邊緣計算–你真是太棒了！
過去十年幫助你渡過難關的IT系統，現在已經無法幫助你實現商業目標了。ITOPS有了很大的發展，如今的CIO更加強調使用新興技術的部署簡便性、速度、安全性和自動化規模。對雲計算速度的需求和將雲計算放在“邊緣”是在IT和iTOPS行業獲得巨大吸引力的流行策略。 根據麥肯錫公司的一份報告，“到2025年，邊緣計算在硬件方面的潛在價值為1750億-2150億美元。” 隨著互聯設備大量湧入我們的生活，邊緣功能將成為IT基礎設施中維持自動化的一種標準。它將影響業務運營的軟件和硬件部分，例如SaaS，PaaS，IaaS和DaaS。麥肯錫公司表示，我們可以期待一個雲計算領域的新發展——“邊緣計算”。
為了瞭解邊緣計算在未來的發展，我們採訪了FogHorn公司的管理層。
FogHorn是位於美國的邊緣智能軟件提供商，與思科、HPE、Google Cloud以及其他大型科技公司建立了合作伙伴關係。
在與FogHorn 進行的“ 邊緣計算+人工智能融合 ”的第一部分中，FogHorn 首席技術官薩斯特里·馬拉迪(SastryMalladi)分享了他的預測。
業界將完善“邊緣計算”的定義
今年，許多業內人士就邊緣的準確定義和不同位置展開了討論。 組織已經在努力理解邊緣的精確位置，而實際上，位置是高度動態的，並且隨著行業和用例而變化。例如，電信運營商認為電信網絡的邊緣是真正的邊緣(也稱為服務邊緣)，而應用程序開發人員和工業工廠運營商將其定義為數據生產點(或被監控資產的位置)。
電信公司的定義
電信公司對邊緣的定義也與MEC(多訪問邊緣計算)一致。此外，一些解決方案採用了邊緣計算術語，而沒有考慮到它的確切特徵，從而給市場帶來了更多的混亂。
弱邊緣與“真”邊緣
弱(或假)邊緣解決方案缺乏在受限的計算環境中對實時流數據優化運行分析和機器學習模型的能力，這是實時獲得可操作洞察力的關鍵要求。這些解決方案不是“真正的邊緣”，因為它們依賴雲進行數據處理，而不是在邊緣處理數據。 最後，關於邊緣—雲關係的困惑。邊緣計算無疑是雲的補充，儘管在工業領域，邊緣計算極大提高了雲的採用和價值。事實上，在接下來的一年裡，邊緣計算的領導者將繼續努力進化和完善對以下問題的答案：邊緣位於哪裡？邊緣計算是什麼？為什麼邊緣很重要？
汽車製造商將尋求邊緣計算來改善和加速自動操作
如今，汽車產生的數據比以往任何時候都多得多，有效地收集、合併、處理和部署所有這些傳感器數據是一個巨大的挑戰。自動駕駛汽車（AV）的未來運輸取決於創建所需的智能和處理程序，以建立和操作複雜的自動駕駛系統。 例如，許多AV有望成為電動汽車，而這將需要更多的車載智能和系統生命週期管理。這些是最大限度地提高電池和充電系統以及其他支持制動、電機性能、安全、乘客環境和預測性維護的系統的效率和壽命所必需的。
距全自動駕駛汽車控制裝置尚有數年之遙，但現在已有許多現有的邊緣計算應用程序可用於提高商業和公共交通的效率、可靠性和安全性。其中包括車輛控制和安全系統，例如攝像頭、駕駛員輔助和防撞功能，這些功能每年都會被添加到新車輛中。
在接下來的一年裡，汽車製造商可以通過部署支持EDGE的系統來消除安全顧慮，快速實現自動駕駛，而不是依賴遠程數據中心來做出關鍵的指揮和控制決策。
是時候成為邊緣優先組織了
能夠在雲中分析高保真、高分辨率的原始機器數據通常很昂貴，並且由於運輸和生態系統方面的考慮而無法實時進行。組織通常依賴於縮減採樣或時間延遲的數據來避免重大的成本約束，結果，組織由於僅查看不完整的數據集而錯過了重要的見解。
相反，通過實施Edge-first解決方案，組織可以在本地合成數據，識別核心原始數據集上的機器學習推斷，並提供增強的預測功能(而不是雲計算繁重、成本高昂且具有追溯性的洞察力)。
組織將經歷從僅雲計算到雲—邊緣混合策略的轉變，以實現邊緣AI和迭代機器學習建模，並持續改進結果 通過實時運行ML模型的“邊緣化”版本，組織可以對實時事件做出更快的響應，並能夠在源頭上對感興趣的事件採取行動、做出反應和採取行動。這確保了邊緣計算和雲的和諧互動，充分利用了每個生態系統的優勢。 事實上，在未來幾年中，超過40％的組織的雲部署將包括邊緣計算，以解決帶寬瓶頸、減少延遲和實時處理數據以實現關鍵任務決策支持。這些邊緣驅動的IIoT項目將提取日常機器操作的真實視圖，並朝著新的可預測性水平努力，這將極大地改變我們所知的行業格局。簡而言之，在2020年，以雲計算為主導的解決方案將採用一種邊緣優先或雲-邊混合的方式來驅動重要的業務價值。
組織將目光從邊緣計算轉向邊緣人工智能解決方案，以提供最佳的投資回報率
當組織構建ML模型時，假設模型在一段時間內是準確的，因為模型是在特定的數據集上訓練的。如果出現了新的數據模式，或者沒有對模型進行所有可能的數據集或工作流的培訓，那麼模型可能無法繼續提供準確的結果。利用邊緣人工智能，模型可以不斷更新新的有意義的數據和學習集更新。 例如，在工廠中，可以部署模型來檢測零件檢查裝配線上的缺陷，或者在一段時間後主動識別可能導致缺陷的圖案。通常，幾個月後，由於新的數據模式，模型的準確性可能會降低。這可能會產生誤導，並且如果軟件專門使用傳統分析，則機會成本可能會很高。
藉助邊緣（AI）的強大功能和自學習模型，到2020年，機器學習模型將超越傳統的分析功能，並顯著提高預測功能和整體ROI。藉助邊緣AI，該軟件可以主動與實時數據流進行交互，並滿足源頭或源頭附近的情報，從而提高了整體生產率、效率和節約成本。
Sudipto Ghosh是一名技術愛好者，在為汽車，人工智能，大數據，航運，冶金，紡織，媒體和娛樂等領域的數字代理商和發行商創建B2B網站和技術內容方面具有行業認可的經驗。除了深入研究MarTech，HR Tech，SalesTech AI實驗室並採訪高層主管之外，Sudipto還喜歡看自然和繪畫。
原文鏈接：https://www.aithority.com/ait-featured-posts/edge-computing-ai-confluence/?utm_source=twitter&utm_medium=ReadyForSocial-t-systemscorporate.com
閱讀更多 邊緣計算社區 的文章
