|
|
和边缘计算看做相互竞争的存在。作为IT的核心,两种技术都先后取得了最高的地位,并且根据公司的优先事项和能力,被定位为一个明智的选择。然而,这个“不是/或”的难题是一个值得被详解的神话;他们是完全不同的概念。
边缘——让计算和智能更接近数据源的物理空间,成为云中断开元素的传递机制。因此,他们能够协同工作,而不是作为替代品。慢慢形成一种有效的混合方式,将边缘的灵活性与中央云的高效解决能力相结合。这就是怎么回事这两种环境都是为新一代研发人员部署的选项,可以创建更智能,事件驱动的微服务,以此来实现更快,更灵活的应用程序开发。
虽然预测到由于连接成本将会降低,中央云中智能定位系统则会为企业首选的标准,但这些预测并没有实现。相反,我们正真看到了由IoT创建的数据逐渐向边缘迁移的过程,以及增强的连接和功能的自然发展。的确,网络边缘的智能不仅更容易获取,而且还能实时捕获,让其发展在纯粹的形式和最新鲜的状态中。这些都使得它成为最有价值的信息是即时和准确的操作决策。
改变的好处在于:直接在设备上计算,多个设备返回到一个中央核心网络所引起的瓶颈将被交付给过去。此外,安全风险被降至最低,因为在数据传输过程中被消耗,容易受到攻击。当分析添加到混合时,事情就会变得更有趣,因为数据的子集与分析本地化可以让决策更具说服力。
尽管边缘的这种优势一直是引人注目的,但并不是所有的东西都能在传统背景下蒸蒸日上。就像今天的机器学习算法,包括他们对于大量数据和计算能力的需求,长期以来都是依赖云来完成繁重的工作。然而,随着AI成为更加主流的显示,从智能汽车到数字私人助理,外界在迅速改变。现在大家的焦点开始转向如何能更好的在网络外围设备更接近移动电话、计算机和利用该技术应用运行别的设备空间进行交付。
我们已经看到了智能家居领域的优势。在这里,网络边缘的深度学习功能能通过集成和互动的物联网数字工具的细微差别和直观反映来洞察,从而随着情况的变化而提供洞察力。然后,他们能够将实时上下文信息反馈给房主,或者如果入侵者出现,则将反馈给专业监控资源。
这只是一个开始,将机器学习功能带入设备边缘,无需连接要求,并简化了长期的IoT集成挑战,对于消费领域之外的众多行业和应用产生更广泛的影响。能够以毫秒为单位响应时间的解决方案代表了这一梁宇最前沿的创新技术,从而为工业环境等不相同的领域的医疗领域创造更大价值。
在这里,最容易获取的实时信息将会推动医疗设施的智能诊断功能,并中机器学习来进行各种预测,例如最易患上医院感染或最大有可能在出院后重新接种的患者。在此阶段,我们并不知道AI在这个环境中的全部潜力。
然而,未来医疗机构可以为患者提供从AI软件程序接收在线医疗建议的选项即将出现,并有望从速度和效率、患者护理和成本节约等方面做改进。同样,工业环境正在取得进展,数据必须在现场无数传感器,设备,资产和机器之间流动,通常在结构化或具有挑战性和偏远条件下进行。在边缘设备上检测不正常的情况提供了预测性监控和关键人物决策所需的灵活性,从而能够节省数百万美元,在设备损坏之前解决设备故障问题。
至关重要的是,简化微服务和物联网应用开发和部署的开源项目将成为这一创新的基石。通过为更智能的边缘和更容易获得物联网开发的时代实现自主设备操作,潜力无限
