许多企业已经开始探索边缘计算用例，因为可以将计算能力推向更靠近数据源和更靠近终端用户。同时，可能正在探索或实施人工智能或机器学习，也已经认识到自动化的发现和获得数据驱动的洞察力。但如果不积极地将边缘战略和人工智能策略结合起来，那么就会错过变革的可能性。

人工智能领域的涉足

有明显的迹象表明，边缘分析和数据分析正在融合。根据数据表明，到2025年，边缘数据的创建将增加33%，占数据的五分之一以上，到2023年，数据分析专业人士将把超过50%的精力放在创建和分析边缘数据上。边缘解决方案对实现企业的使命非常或极其重要。78%的领导者认为边缘对AI和ML的影响最大。

传统上，企业需要将远程数据传输到数据中心或商业云，以执行分析和提取价值。这在边缘环境中可能具有挑战性，因为数据量的增加、网络访问受限或没有网络访问，以及对实时更快决策的需求不断增加。

但今天，增强的小容量芯片组、高密度计算和存储以及网状网络技术的可用性，为企业部署人工智能工作负载、更接近数据生产源奠定了基础。

边缘人工智能入门

要启用边缘人工智能用例，请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集中在下一代飞行套件上，以支持执法、网络安全和健康调查。调查人员曾经收集数据用于后续处理，新的部署套件包括先进的工具，用于现场处理和探索数据。

接下来，确定传输大量边缘数据的位置。如果可以在远程位置处理数据，那么只需要传输结果。通过只移动一小部分数据，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，以及其他处理等等。甚至可以在边缘重新训练ML模型，以确保持续的预测精度。

远程人工智能的基础设施即代码

边缘人工智能的最佳实践是基础设施代码。基础设施代码允许通过配置文件，而不是通过物理硬件来管理网络和安全配置。使用基础设施代码，配置文件包括基础结构规范，使更改和分发配置变得更容易，并确保一致地提供环境。

还可以考虑使用微服务，并在其中运行它们，并利用开发ops功能，如CI/CD管道、giitops等在边缘上将ML模型的迭代部署自动化到生产环境中，并提供编写一次代码在任何地方使用它的灵活性。

我们应该寻求在边缘和核心使用一致的技术和工具。通过这种方式，可以不需要专门的专业知识，避免一次性的问题，并且可以更容易地扩展。

现实世界及其他中的边缘人工智能

从军队到执法部门，再到管理关键基础设施的机构，都在边缘执行人工智能。例如国际空间站。

国际空间站包括一个进行研究和运行实验的现场实验室。在一个例子中，科学家们专注于在国际空间站上发现的微生物的DNA基因组测序。基因组测序产生了大量的数据，但科学家只需要分析其中的一部分。

在过去，国际空间站将所有数据传输到地面站进行集中处理，通常每个序列有许多tb的数据。在过渡传输速率下，数据可能需要数周才能到达地球上的科学家手中。但是利用边缘和人工智能的力量，研究是在国际空间站上直接完成的，只把结果传送到地面。现在可以在同一天进行分析。

在空间和功率有限的环境中，该系统易于管理。软件更新被推到必要的边缘，并在现场进行ML模型训练。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位置执行分析。通过从核心到边缘的公共框架，可以在远程位置扩展和扩展人工智能。通过将分析放置在数据生成和用户交互的位置附近，可以更快地做出决策，更快地提供服务，并将任务扩展到任何需要的地方。