随着视频需求的增加和使用AI来理解视觉数据，摄像机的数量和由此产生的数据正在迅速增长，迫使创建新的边缘架构。交通管理中的摄像头和人工智能此外，还开发了新一代“智能”用例。例如，在“智慧城市”中，摄像头和人工智能分析交通模式并调整交通信号灯以改善车辆流量、减少拥堵和污染并提高行人安全。“智能工厂”可以使用人工智能实时检测生产线中的缺陷或偏差，进行调整以减少错误并实施有效的质量保证措施。因此，可以通过自动化和早期故障检测显着降低成本。智能视频的发展智能视频的发展还伴随着其他技术和数据基础设施的进步，例如5G。随着这些技术的融合，它们正在影响我们构建边缘的方式。而且，它们正在推动对专用存储的需求。下面列出了我们看到的一些最大趋势：更大的尺寸意味着更高的质量随着每一次新的进步，相机的数量和种类不断增加，带来新的功能。拥有更多的相机可以让更多的人被看到和捕捉到。这可能意味着更多的覆盖范围或更多的角度。这也意味着可以捕获更多实时视频并用于训练AI。随着分辨率的提高（4K视频及更高），质量也会提高。视频越详细，可以从中提取的见解就越多。而且，更有效的AI算法可以变得。此外，新摄像头不仅传输一个视频流，还传输额外的低比特率流，用于低带宽监控和AI模式匹配。智能相机24/7全天候运行无论是用于交通管理、安全还是制造，许多智能相机每年365天、24/7运行，这带来了独特的挑战。存储技术必须能够跟上。一方面，存储已经发展到可以提供高性能的数据传输速度和数据写入速度，以确保高质量的视频捕获。而且，实际的机载存储技术必须提供耐用性和可靠性，这对任何工作流程都至关重要。真实世界环境对于理解端点至关重要无论是用于商业、科学研究还是我们的个人生活，我们都看到了捕捉新型数据的新型相机。由于利用和分析这些数据的潜在好处，可靠数据存储的重要性从未如此明显。设计存储技术时考虑环境在设计存储技术时，我们必须考虑环境，例如位置和外形因素。我们需要考虑摄像头的可访问性（或无法访问），它们是在高层建筑的顶部还是在偏远的丛林中？这些位置可能还需要承受极端的温度变化。需要考虑所有这些可能性，以确保持久、可靠地连续记录关键视频数据。芯片组正在提升人工智能(AI)能力改进的相机计算能力意味着处理发生在设备级别，从而在边缘实现实时决策。新的相机芯片组提供增强的AI功能我们看到新的芯片组出现在提供改进的AI功能的相机上，更先进的芯片组增加了用于相机深度学习分析的深度神经网络处理。人工智能不断变得更聪明、更强大。云必须支持深度学习技术正如相机和相机芯片组的计算能力越来越强一样，在当今的智能视频解决方案中，大多数视频分析和深度学习仍然是通过离散视频分析设备或在云端完成的。为了支持这些新的人工智能工作负载，云已经经历了一些转变。云中的神经网络处理器采用大量GPU集群或定制FPGA。他们正在接收数千小时的培训视频和数PB的数据。这些工作负载依赖于企业级硬盘驱动器(HDD)的高容量能力，它已经可以支持每个驱动器20TB和高性能企业级SSD闪存设备、平台或阵列。对网络的依赖有线和无线互联网实现了可扩展性和易于安装，推动了安全摄像头的爆炸性采用，但这只有在LAN和WAN基础设施已经存在的情况下才有可能。5G技术帮助安装摄像头5G消除了许多部署障碍，为城市级别的摄像头放置和安装提供了广泛的选择。这种易于部署带来了新的和更大的可扩展性，从而推动了用例以及相机和云设计的进一步发展。例如，摄像头现在可以独立并直接连接到集中式云，因为它们不再依赖于本地网络。新兴的支持5G的相机旨在加载和运行第三方应用程序，这可能会带来更广泛的功能。然而，随着自主性的提高，这些相机将需要更多的动态存储。他们将需要耐用性、容量、性能和能效的新组合，以最好地处理新的应用程序驱动功能的可变性。为边缘存储革命铺平道路对于智能视频来说，这是一个既复杂又令人兴奋的美丽新世界。正在进行架构更改以处理新的工作负载并为边缘和端点的更多动态功能做准备。与此同时，深度学习分析在后端和云端继续发展。了解工作负载的变化，无论是在摄像机、录像机还是云级别，对于确保通过存储技术的持续创新来增强新的架构变化至关重要。
