许多企业已经开始探索边缘计算用例，因为它可以将计算能力推向更靠近数据源和最终用户的位置。同时，人工智能或机器学习可能正在探索或实施，自动化发现和获得数据驱动的洞察力也得到认可。但是，如果不积极调整边缘和AI战略，就会错失变革的潜力。进军人工智能是边缘分析和数据分析正在融合的明显迹象。数据显示，到2025年，边缘数据的创造将增长33%，占数据的五分之一以上。到2023年，数据分析专业人员将把超过50%的精力集中在创建和分析边缘数据上。边缘解决方案对于企业的使命非常或极其重要。78%的领导者认为边缘将对AI和ML产生最大的影响。传统上，企业需要将远程数据传输到数据中心或商业云，以进行分析和提取价值。由于数据量增加、网络访问受限或无网络访问以及对更快的实时决策的需求不断增加，这在边缘环境中可能具有挑战性。但如今，增强型低容量芯片组、高密度计算和存储以及网状网络技术的可用性为企业在更靠近数据生产源头的地方部署AI工作负载奠定了基础。在边缘开始使用AI要在边缘启用AI用例，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专注于下一代飞行套件，以支持执法、网络安全和健康调查。在调查人员曾经为后续处理收集数据的地方，新的部署套件包括用于处理和探索现场数据的高级工具。接下来，确定将大量边缘数据传输到哪里。如果可以在远程位置处理数据，则只需要传输结果。通过仅移动一小部分数据，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，其他处理等等。ML模型甚至可以在边缘重新训练以确保持续的预测准确性。远程AI的基础设施即代码边缘AI的最佳实践是基础设施即代码。基础架构代码允许通过配置文件而不是物理硬件来管理网络和安全配置。使用基础架构代码，配置文件包括基础架构规范，从而更容易更改和分发配置并确保一致地提供环境。还可以考虑使用微服务并在那里运行它们，并利用CI/CD管道、giitops等开发运维功能来自动将ML模型迭代部署到边缘生产中，并提供write-once-anywhere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。这样，不需要专门的专业知识，避免了一次性问题，并且更容易扩展。人工智能在现实世界及其他领域的边缘从军队到执法机构再到管理关键基础设施的机构，人工智能正在边缘执行。例如国际空间站。国际空间站包括一个用于进行研究和运行实验的现场实验室。在一个例子中，科学家们专注于对国际空间站上发现的一种微生物的DNA基因组进行测序。基因组测序会产生大量数据，但科学家只需分析其中的一部分。过去，国际空间站将所有数据传输到地面站进行集中处理，每个序列的数据通常达数TB。按照过渡传输率，数据可能需要数周时间才能到达地球上的科学家手中。但是利用边缘计算和人工智能的力量，研究是直接在国际空间站上完成的，只需要将结果传送到地面。现在可以在同一天进行分析。在空间和电力有限的环境中，系统易于管理。必要时将软件更新推到边缘，并在现场进行ML模型培训。而且该系统足够灵活，可以在未来处理其他类型的基于ML的分析。结合人工智能和边缘计算可以使企业在任何地方进行分析。人工智能可以通过从核心到边缘的通用框架在远程位置进行扩展和缩放。通过将分析放置在靠近数据生成和用户交互的位置，可以更快地做出决策，更快地提供服务，并且可以将任务扩展到任何需要的地方。
