当一个新概念成为可行的商业工具时，许多企业将积极采用这项技术加入市场趋势。这包括人工智能(AI)和机器学习(ML)。各种规模的组织，从拥有百年历史的高科技巨头到创新型初创企业，都在积极投入时间和资源来加速技术的发展，并将其用于业务发展。但人工智能不仅仅是一时的时尚。分析机构Tractica预测，全球企业在人工智能方面的支出将从2016年的6.44亿美元增长到2025年的近390亿美元，并将成为高效的销售平台和虚拟数字接待员、儿童玩具、自动驾驶汽车等.、产品或服务等方面的发展动力。人工智能(AI)和机器学习(ML)最终将为大多数企业提供动力。人工智能有什么样的驱动力？那就是强大的数据和处理能力。巨大的潜力，巨大的局限人工智能对垂直行业和每个企业的潜在影响不可低估。随着无辅助机器学习、自然语言处理(NLP)和深度学习能力的提高，每项技能的应用将继续增长并扩展到新的用例。许多企业已经在研究如何将人工智能(AI)和机器学习(ML)技术用于对象识别和跟踪、本地化地理数据、防止欺诈、改善营销结果以及许多其他应用。虽然这些领域的参与者希望采用这项技术来实现这一承诺，但其他公司已经将这些创新应用于自动驾驶汽车、呼叫中心、客户服务和网络安全等方面的实际应用。多年来，采用人工智能技术的企业一直在系统地和战略性地汇总数据。他们已经领先于刚刚开始关注数据收集和组织的组织。但他们也面临着人工智能(AI)和机器学习(ML)技术的最大限制：容量。功率、容量和速度对智能技术至关重要。推动人工智能(AI)和机器学习(ML)发展的人工神经网络(ANN)旨在并行建模和处理输入和输出之间的关系。为此，他们需要存储大量输入数据，并需要大规模计算来理解这些关系并提供适当的输出。考虑部署聊天机器人来提供客户自助服务，协助联络中心的客户服务代理团队。理想情况下，机器人可以准确回答问题，将客户引导至适当的资源，并通常以自然的方式与客户互动。为了实现这一点，机器人的后端需要快速将查询与企业消费者群使用的词典（即他们的母语）进行比较，以“理解”交互的上下文并根据这些输入“做出决定”，希望能够做出正确的反应并像人一样立即执行。但是，这些过程所需的处理器和内存资源(DRAM)消耗了大量带宽，超出了大多数本地数据中心网络设计可以处理的范围。由于涉及的CPU或GPU数量远远超过大多数组织准备做的事情，它们还增加了相当大的功率开销。并且试图在单个数据中心完成所有这一切将会引入延迟问题，这些问题可能会破坏产品或阻碍应用程序试图完成的任何事情。那么企业应该怎么做呢？通过直接云连接最大化AI性能使用流程密集型AI应用程序的企业越来越多地转向混合部署就绪的边缘数据中心，以应对带宽和计算挑战，降低运营成本并消除延迟问题。以下是混合就绪数据中心需要做的事情：为设施内的云提供商提供简单的入口，以显着减少延迟和数据传输成本。与全球互联网相比，直接云互连产品可以减少延迟并降低数据传输成本，同时无需手动为每个提供商提供私有WAN连接。靠近云提供商的核心计算节点，以进一步减少专用环境与所选云提供商之间的延迟。尽可能靠近尽可能多的最终用户和设备，在靠近用户或设备的地方处理信息会显着提高性能和可靠性。这在支持自动驾驶汽车或网络安全运营等对延迟敏感的人工智能应用程序方面尤其有益，同时还能最大限度地提高工作负载灵活性和成本管理。拥有可扩展和可配置的中央基础设施，以促进可持续增长。人工智能和机器学习技术在人们日常生活中的应用不断成熟并变得越来越普遍。在这样做时，提供这些产品和服务的企业需要战略性地思考如何最好地平衡各种业务需求并释放其技术的全部潜力以保持竞争优势。
