物聯網創新之下的邊緣計算

　　邊緣的發展一向引人注目,但不是所有事情都能達到意想之中的繁榮。

　　我們都非常自然的將云計算和邊緣計算看做相互競爭的存在。作為IT的核心,兩種技術都先后取得了最高的地位,并且根據企業的優先事項和能力,被定位為一個明智的選擇。然而,這個“不是/或”的難題是一個值得被詳解的神話;他們是完全不同的概念。

　　邊緣——讓計算和智能更加接近數據源的物理空間,成為云中斷開元素的傳遞機制。因此,他們可以協同工作,而不是作為替代品。慢慢形成一種有效的混合方式,將邊緣的靈活性與中央云的高效處理能力相結合。這就是為什么這兩種環境都是為新一代開發人員部署的選項,可以創建更智能,事件驅動的微服務,從而實現更快,更靈活的應用程序開發。

　　雖然預測到由于連接成本將會降低,中央云中智能定位系統則會為企業首選的標準,但這些預測并沒有實現。相反,我們看到了由IoT創建的數據逐漸向邊緣遷移的過程,以及增強的連接和功能的自然發展。的確,網絡邊緣的智能不僅更容易獲取,而且還能實時捕獲,讓其發展在純粹的形式和最新鮮的狀態中。這些都使得它成為最有價值的信息是即時和準確的操作決策。

　　改變的好處在于:直接在設備上計算,多個設備返回到一個中央核心網絡所引起的瓶頸將被交付給過去。此外,安全風險被降至最低,因為在數據傳輸過程中被消耗,容易受到攻擊。當分析添加到混合時,事情就會變得更加有趣,因為數據的子集與分析本地化可以讓決策更具說服力。

　　盡管邊緣的這種優勢一直是引人注目的,但并不是所有的東西都能在傳統背景下蓬勃發展。就像今天的機器學習算法,包括他們對于大量數據和計算能力的需求,長期以來都是依賴云來完成繁重的工作。然而,隨著人工智能成為更加主流的顯示,從智能汽車到數字私人助理,外界在迅速改變。現在大家的焦點開始轉向如何能更好的在網絡外圍設備更接近移動電話、計算機和利用該技術應用運行其他設備空間進行交付。

　　我們已經看到了智能家居領域的優勢。在這里,網絡邊緣的深度學習功能可以通過集成和互動的物聯網數字工具的細微差別和直觀反映來洞察,從而隨著情況的變化而提供洞察力。然后,他們可以將實時上下文信息反饋給房主,或者如果入侵者出現,則將反饋給專業監控資源。

　　這只是一個開始,將機器學習功能帶入設備邊緣,無需連接要求,并簡化了長期的IoT集成挑戰,對于消費領域之外的眾多行業和應用產生更廣泛的影響。能夠以毫秒為單位響應時間的解決方案代表了這一梁宇最前沿的創新技術,從而為工業環境等不同領域的醫療領域創造更大價值。

　　在這里,最容易獲取的實時信息將會推動醫療設備的智能診斷功能,并中機器學習來進行各種預測,例如最易患上醫院感染或最有可能在出院后重新接種的患者。在這個階段,我們并不知道AI在這個環境中的全部潛力。

　　然而,未來醫療機構可以為患者提供從人工智能軟件程序接收在線醫療建議的選項即將出現,并有望從速度和效率、患者護理和成本節約等方面進行改進。同樣,工業環境正在取得進展,數據必須在現場無數傳感器,設備,資產和機器之間流動,通常在結構化或具有挑戰性和偏遠條件下進行。在邊緣設備上檢測異常情況提供了預測性監控和關鍵人物決策所需的靈活性,從而可以節省數百萬美元,在設備損壞之前解決設備故障問題。

　　至關重要的是,簡化微服務和物聯網應用開發和部署的開源項目將成為這一創新的基石。通過為更智能的邊緣和更容易獲得物聯網開發的時代實現自主設備操作,潛力無限