許多企業已經開始探索邊緣運算用例，因為可以將運算能力推向更靠近資料來源和更靠近終端用戶。同時，可能正在探索或實施人工智慧或機器學習，也已經認識到自動化的發現和獲得數據驅動的洞察力。但如果不積極地將邊緣策略和人工智慧策略結合起來，那麼就會錯過變革的可能性。
有明顯的跡象表明，邊緣分析和數據分析正在融合。根據數據表明，到2025年，邊緣數據的創建將增加33%，佔數據的五分之一以上，到2023年，數據分析專業人士將把超過50%的精力放在創建和分析邊緣數據上。邊緣解決方案對實現企業的使命非常或極為重要。 78%的領導者認為邊緣對AI和ML的影響最大。
傳統上，企業需要將遠端資料傳輸到資料中心或商業雲，以執行分析和提取價值。這在邊緣環境中可能具有挑戰性，因為資料量的增加、網路存取受限或沒有網路訪問，以及對即時更快決策的需求不斷增加。
但今天，增強的小容量晶片組、高密度運算和儲存以及網狀網路技術的可用性，為企業部署人工智慧工作負載、更接近資料生產源奠定了基礎。
要啟用邊緣人工智慧用例，請確定近即時資料決策在哪些方面，可以顯著增強使用者體驗並實現任務目標。我們看到越來越多的邊緣用例集中在下一代飛行套件上，以支援執法、網路安全和健康調查。調查人員曾經收集數據進行後續處理，新的部署套件包括先進的工具，用於現場處理和探索數據。
接下來，確定傳輸大量邊緣資料的位置。如果可以在遠端位置處理數據，那麼只需要傳輸結果。只移動一小部分數據，您可以釋放頻寬，降低成本，並更快地做出決策。
利用鬆散耦合的邊緣元件來實現必要的運算能力。單一感測器無法執行處理。但是高速網狀網路允許連接節點，其中一些處理資料收集，以及其他處理等等。甚至可以在邊緣重新訓練ML模型，以確保持續的預測精度。
邊緣人工智慧的最佳實踐是基礎設施程式碼。基礎設施代碼允許透過配置文件，而不是透過實體硬體來管理網路和安全配置。使用基礎設施程式碼，設定檔包括基礎結構規範，使更改和分發配置變得更容易，並確保一致地提供環境。
還可以考慮使用微服務，並在其中運行它們，並利用開發ops功能，如CI/CD管道、giitops等在邊緣上將ML模型的迭代部署自動化到生產環境中，並提供編寫一次程式碼在任何地方使用它的靈活性。
我們應該尋求在邊緣和核心使用一致的技術和工具。透過這種方式，可以不需要專門的專業知識，避免一次性的問題，並且可以更容易擴展。
從軍隊到執法部門，再到管理關鍵基礎設施的機構，都在邊緣執行人工智慧。例如國際太空站。
國際太空站包括一個進行研究和運行實驗的現場實驗室。在一個例子中，科學家專注於在國際太空站上發現的微生物的DNA基因組定序。基因組定序產生了大量的數據，但科學家只需要分析其中的一部分。
在過去，國際太空站將所有資料傳輸到地面站進行集中處理，通常每個序列有許多tb的資料。在過渡傳輸速率下，數據可能需要數週才能到達地球上的科學家手中。但利用邊緣和人工智慧的力量，研究是在國際太空站上直接完成的，只把結果傳送到地面。現在可以在同一天進行分析。
在空間和功率有限的環境中，系統易於管理。軟體更新被推到必要的邊緣，並在現場進行ML模型訓練。而且該系統足夠靈活，可以在未來處理其他類型的基於ML的分析。
結合人工智慧和邊緣運算可以使企業在任何位置執行分析。透過從核心到邊緣的公共框架，可以在遠端位置擴展和擴展人工智慧。透過將分析放置在資料生成和使用者互動的位置附近，可以更快地做出決策，更快地提供服務，並將任務擴展到任何需要的地方。
以上是為什麼邊緣運算和人工智慧策略必須互補的詳細內容。更多資訊請關注PHP中文網其他相關文章！
