尽管通常将其定义为少于5毫秒，但在这个超连接的远程工作世界中，即使5毫秒也太慢了。
网络从未像现在这样显得如此紧要。在电话会议和流媒体之间，服务提供商无法承受滞后、分辨率下降和缓存变慢的问题。为了解决这个问题，业务应用和数据必须尽可能靠近数据摄取点边缘，从而减少了总体往返时间，并最终允许应用实时访问信息。
但这说起来容易做起来难。
面对挑战
尤其对于服务提供商而言，边缘计算面临着独特的挑战。边缘解决方案的激增意味着设备的部署速度一直比人类管理它们的速度快。尽管可以使用编程工具来自动化部署，但是可观察性是自动进行故障排除和确保服务的关键。
毕竟，任何服务中断都伴随着大量客户抱怨，因此服务提供商向IT团队施加压力，要求他们尽快解决问题。尽管IT已经拥有识别问题根源和解决问题所需的信息，但是在筛选分布在服务器组件之间的大量遥测数据时，仍会遇到挑战。IT团队需要能够快速处理数据并基于可见趋势获得有价值的见解的能力。
数据驱动的解决方案
解决方案具有AI功能(特别是机器学习)，可为业务流程解决方案提供支持，该解决方案可跨工作负载提供可预测的可扩展操作。将机器学习与实时网络监控相结合，可以提供必要的见解，从而为自动化工具提供支持，这些自动化工具能够比人工执行任务更快、更准确地配置、实例化和配置物理和虚拟网络功能。此过程还意味着IT团队可以将时间花在关键任务以及更高价值的计划上，这些计划可以为企业带来更高的利润。
将AI引入云
机器学习在边缘应用生命周期管理中也起着至关重要的作用。在由几个集中式数据中心组成的环境中，运营商可以确定应用的虚拟网络功能(VNF)的最佳性能条件。随着环境分解为成千上万个小站点，VNF具有更复杂的需求，必须相应地予以满足。
由于操作员没有足够的带宽来满足这些需求，因此机器学习算法可以在整个生产前周期中运行所有单个组件，以评估它们在生产现场的表现，从而使操作人员可以放心，经过测试将可以工作。
边缘消费的未来
随着优势的腾飞，它从根本上改变了服务提供商考虑其基础架构的方式。边缘越来越多地被视为通常由服务提供商提供和管理的优质资产，将通过AI和机器学习进行优化，以实现几乎无限的业务目的。一旦释放了这种高度身临其境的边缘计算能力，我们就会看到应用和新的工作负载出现在边缘，这是五年前简直无法想象的。
展望未来，不仅仅是服务提供商能从中获利。很快，边缘云环境将是开放、安全且云原生的，具有可预测和可扩展的操作，可满足广泛的企业，消费者和电信工作负载。边缘云将具有集成的安全性，以减小任何安全漏洞的爆炸半径。
最后，将利用AI支持的预测性操作来管理操作数千个边缘位置的复杂性，从而创建增强的消费者和员工体验。
