边缘计算的智能分析

不幸的是，获取模型和其他分析并将其部署到边缘计算基础设施并不总是那么简单。通过计算密集型数据模型处理大型数据集的计算需求可能需要重新设计，然后才能在边缘计算基础设施上运行和部署它们。

一方面，许多开发人员和数据科学家现在都利用了公共云和私有云上可用的高级分析平台。物联网和传感器通常利用C/C ++编程语言编写的嵌入式应用程序，这对于云原生数据科学家和工程师来说可能是陌生且充满挑战的领域。

另一个问题可能是模型本身。当数据科学家在云中工作并以相对较低的成本按需扩展计算资源时，他们能够开发具有许多功能和参数的复杂机器学习模型，以充分优化结果。但是，当将模型部署到边缘计算基础设施时，过于复杂的算法可能会显著增加基础设施的成本、设备的大小和电力需求。

SambaNova Systems公司产品副总裁Marshall Choy对人工智能模型部署到边缘的挑战进行了探讨。他说：“边缘人工智能应用的模型开发人员越来越关注高度详细的模型，以实现参数简化和计算需求的改进。这些更小、更详细的模型的训练要求仍然令人生畏。”

另一个考虑因素是，部署高度可靠和安全的边缘分析系统需要设计和实现高度容错的架构、系统、网络、软件和模型。

Hazelcast产品营销高级总监Dale Kim对在边缘处理数据时的用例和约束进行了分析。他表示，虽然设备优化、预防性维护、质量保证检查和关键警报都在边缘可用，但也存在一些新的挑战，如有限的硬件空间、有限的物理可访问性、有限的带宽以及更大的安全隐患。

Kim说：“这意味着企业习惯于在数据中心使用的基础设施不一定能正常工作。因此，需要探索采用了边缘计算架构的新技术。”

分析的下一个前沿领域

如今，边缘分析更主流的用例是数据处理功能，包括数据过滤和聚合。但随着越来越多的企业大规模部署物联网传感器，实时应用分析、机器学习和人工智能算法的需求将需要更多的部署在边缘。

随着传感器的价格变得更低，应用程序需要更多的实时分析，以及为边缘开发的具有成本效益的优化算法变得更容易，因此边缘的可能性为智能计算的发展创造了令人兴奋的未来。

（编辑：文章分享网_茂名站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!