在当前的IT转型过程中，边缘计算占据了一个非常重要的位置。与AI、机器学习、物联网和机器人自动化一起，边缘计算已成为全球CIO和IT领导者中讨论最多的话题。根据Forrester的《2020:边缘计算》(2020:Edge Computing)，IT和自动化的“边缘化”将成为区分云基础设施和云计算领域的领导者和落后者的主要因素。
边缘计算–你真是太棒了！
过去十年帮助你渡过难关的IT系统，现在已经无法帮助你实现商业目标了。ITOPS有了很大的发展，如今的CIO更加强调使用新兴技术的部署简便性、速度、安全性和自动化规模。对云计算速度的需求和将云计算放在“边缘”是在IT和iTOPS行业获得巨大吸引力的流行策略。
根据麦肯锡公司的一份报告，“到2025年，边缘计算在硬件方面的潜在价值为1750亿-2150亿美元。”
随着互联设备大量涌入我们的生活，边缘功能将成为IT基础设施中维持自动化的一种标准。它将影响业务运营的软件和硬件部分，例如SaaS，PaaS，IaaS和DaaS。麦肯锡公司表示，我们可以期待一个云计算领域的新发展——“边缘计算”。
为了了解边缘计算在未来的发展，我们采访了FogHorn公司的管理层。
FogHorn是位于美国的边缘智能软件提供商，与思科、HPE、Google Cloud以及其他大型科技公司建立了合作伙伴关系。
在与FogHorn 进行的“ 边缘计算 人工智能融合 ”的第一部分中，FogHorn 首席技术官萨斯特里·马拉迪(SastryMalladi)分享了他的预测。
业界将完善“边缘计算”的定义
今年，许多业内人士就边缘的准确定义和不同位置展开了讨论。
组织已经在努力理解边缘的精确位置，而实际上，位置是高度动态的，并且随着行业和用例而变化。例如，电信运营商认为电信网络的边缘是真正的边缘(也称为服务边缘)，而应用程序开发人员和工业工厂运营商将其定义为数据生产点(或被监控资产的位置)。
电信公司的定义
电信公司对边缘的定义也与MEC(多访问边缘计算)一致。此外，一些解决方案采用了边缘计算术语，而没有考虑到它的确切特征，从而给市场带来了更多的混乱。
弱边缘与“真”边缘
弱(或假)边缘解决方案缺乏在受限的计算环境中对实时流数据优化运行分析和机器学习模型的能力，这是实时获得可操作洞察力的关键要求。这些解决方案不是“真正的边缘”，因为它们依赖云进行数据处理，而不是在边缘处理数据。
最后，关于边缘—云关系的困惑。边缘计算无疑是云的补充，尽管在工业领域，边缘计算极大提高了云的采用和价值。事实上，在接下来的一年里，边缘计算的领导者将继续努力进化和完善对以下问题的答案：边缘位于哪里？边缘计算是什么？为什么边缘很重要？
汽车制造商将寻求边缘计算来改善和加速自动操作
如今，汽车产生的数据比以往任何时候都多得多，有效地收集、合并、处理和部署所有这些传感器数据是一个巨大的挑战。自动驾驶汽车（AV）的未来运输取决于创建所需的智能和处理程序，以建立和操作复杂的自动驾驶系统。
例如，许多AV有望成为电动汽车，而这将需要更多的车载智能和系统生命周期管理。这些是最大限度地提高电池和充电系统以及其他支持制动、电机性能、安全、乘客环境和预测性维护的系统的效率和寿命所必需的。
距全自动驾驶汽车控制装置尚有数年之遥，但现在已有许多现有的边缘计算应用程序可用于提高商业和公共交通的效率、可靠性和安全性。其中包括车辆控制和安全系统，例如摄像头、驾驶员辅助和防撞功能，这些功能每年都会被添加到新车辆中。
在接下来的一年里，汽车制造商可以通过部署支持EDGE的系统来消除安全顾虑，快速实现自动驾驶，而不是依赖远程数据中心来做出关键的指挥和控制决策。
是时候成为边缘优先组织了
能够在云中分析高保真、高分辨率的原始机器数据通常很昂贵，并且由于运输和生态系统方面的考虑而无法实时进行。组织通常依赖于缩减采样或时间延迟的数据来避免重大的成本约束，结果，组织由于仅查看不完整的数据集而错过了重要的见解。
相反，通过实施Edge-first解决方案，组织可以在本地合成数据，识别核心原始数据集上的机器学习推断，并提供增强的预测功能(而不是云计算繁重、成本高昂且具有追溯性的洞察力)。
组织将经历从仅云计算到云—边缘混合策略的转变，以实现边缘AI和迭代机器学习建模，并持续改进结果
通过实时运行ML模型的“边缘化”版本，组织可以对实时事件做出更快的响应，并能够在源头上对感兴趣的事件采取行动、做出反应和采取行动。这确保了边缘计算和云的和谐互动，充分利用了每个生态系统的优势。
事实上，在未来几年中，超过40％的组织的云部署将包括边缘计算，以解决带宽瓶颈、减少延迟和实时处理数据以实现关键任务决策支持。这些边缘驱动的IIoT项目将提取日常机器操作的真实视图，并朝着新的可预测性水平努力，这将极大地改变我们所知的行业格局。简而言之，在2020年，以云计算为主导的解决方案将采用一种边缘优先或云-边混合的方式来驱动重要的业务价值。
组织将目光从边缘计算转向边缘人工智能解决方案，以提供最佳的投资回报率
当组织构建ML模型时，假设模型在一段时间内是准确的，因为模型是在特定的数据集上训练的。如果出现了新的数据模式，或者没有对模型进行所有可能的数据集或工作流的培训，那么模型可能无法继续提供准确的结果。利用边缘人工智能，模型可以不断更新新的有意义的数据和学习集更新。
例如，在工厂中，可以部署模型来检测零件检查装配线上的缺陷，或者在一段时间后主动识别可能导致缺陷的图案。通常，几个月后，由于新的数据模式，模型的准确性可能会降低。这可能会产生误导，并且如果软件专门使用传统分析，则机会成本可能会很高。
借助边缘（AI）的强大功能和自学习模型，到2020年，机器学习模型将超越传统的分析功能，并显着提高预测功能和整体ROI。借助边缘AI，该软件可以主动与实时数据流进行交互，并满足源头或源头附近的情报，从而提高了整体生产率、效率和节约成本。
作者：
Sudipto Ghosh是一名技术爱好者，在为汽车，人工智能，大数据，航运，冶金，纺织，媒体和娱乐等领域的数字代理商和发行商创建B2B网站和技术内容方面具有行业认可的经验。除了深入研究MarTech，HR Tech，SalesTech AI实验室并采访高层主管之外，Sudipto还喜欢看自然和绘画。
原文链接：
https://www.aithority.com/ait-featured-posts/edge-computing-ai-confluence/?utm_source=twitter&utm_medium=ReadyForSocial-t-systemscorporate.com
