許多分析和機器學習用例都采用存儲在數據倉庫或數據湖中的數據，在完整的數據集或數據子集上運行算法，并在云計算架構上計算結果。當數據不會經常發生變化時，這種方法很有效。但是，如果數據經常發生變化怎么辦？

利用邊緣計算和物聯網設備進行實時分析具有廣闊的發展前景，但為邊緣部署設計的分析模型將會面臨一些挑戰。

許多分析和機器學習用例都采用存儲在數據倉庫或數據湖中的數據，在完整的數據集或數據子集上運行算法，并在云計算架構上計算結果。當數據不會經常發生變化時，這種方法很有效。但是，如果數據經常發生變化怎么辦？

如今，越來越多的企業需要實時處理數據和計算分析。物聯網在很大程度上推動了這種模式的轉變，因為來自傳感器的數據流需要立即處理和分析來控制下游系統。實時分析在許多行業也很重要，其中包括醫療保健、金融服務、制造業和廣告業，在這些行業中，數據的微小變化可能會對財務、健康、安全和其他業務產生重大影響。

如果企業對采用實時分析感興趣，并且這些技術綜合了邊緣計算、AR/VR、物聯網傳感器和大規模機器學習，那么了解邊緣分析的設計考慮因素非常重要。例如自主無人機、智能城市、零售連鎖管理和增強現實游戲網絡等邊緣計算用例，都以部署大規模、高度可靠的邊緣分析為目標。

邊緣分析、流分析和邊緣計算

機器學習和邊緣計算范例幾種不同的分析與邊緣分析有關：

●邊緣分析是指部署到云計算基礎設施之外的基礎設施和本地化基礎設施中邊緣分析和機器學習算法。

●流分析是指在處理數據時實時進行計算分析。流分析可以在云端或邊緣完成，具體取決于用例。

●事件處理是一種實時處理數據和制定決策的方法。此處理是流分析的子集，開發人員使用事件驅動的架構來識別事件并觸發下游操作。

●邊緣計算是指將計算部署到邊緣設備和網絡基礎設施。

●霧計算是一種更通用的架構，它將計算劃分為邊緣、近邊緣和云計算環境。

在設計需要邊緣分析的解決方案時，架構師必須考慮空間和電源限制、網絡成本和可靠性、安全性，以及處理要求等因素。

在邊緣部署分析的原因

人們可能會問為什么要將基礎設施部署到邊緣進行分析？這些決策需要考慮技術、成本和合規性因素。

影響人身安全并需要計算架構中的彈性的應用程序是邊緣分析的一個用例。在數據源（如物聯網傳感器和分析計算基礎設施）之間需要低延遲的應用程序是通常需要邊緣分析的用例。這些用例的示例包括：

自動駕駛汽車、自動機械或控制系統使全部或部分實現自動化導航的任何運輸工具。

智能建筑具有實時安全控制，并希望避免對網絡和云計算基礎設施的依賴，以允許人們安全進出建筑。

跟蹤公共交通的智能城市，為電力計費部署智能電表，以及智能廢物管理解決方案。

成本是在制造系統中使用邊緣分析的重要因素。考慮使用一組攝像機在快速移動的傳送帶上掃描制造的產品是否有缺陷。在工廠中部署邊緣計算設備來執行圖像處理，而不是安裝用于將視頻圖像傳輸到云端的高速網絡，可能會更具成本效益。

專注于計算機視覺解決方案的工業人工智能開發商Landing AI公司工程副總裁Achal Prabhakar說，“制造工廠與主流分析應用程序完全不同，因此需要重新考慮包括部署在內的人工智能。對我們來說，重點工作是部署復雜的深度學習視覺模型，并使用功能強大但商品化的邊緣設備直接在生產線上進行持續學習。”

使用邊緣分析和計算還可以將分析部署到偏遠地區建筑和鉆探現場。工程師不再依賴成本高昂且可能不可靠的廣域網，而是在現場部署邊緣分析基礎設施來支持所需的數據和分析處理。例如，一家石油和天然氣公司在邊緣部署了帶有內存分布式計算平臺的流分析解決方案，并將鉆井時間從通常的15天減少到12天，節省了20%的時間。

合規性和數據治理是進行邊緣分析的另一個原因。部署本地化的基礎設施可以通過在收集數據的國家/地區存儲和處理受限數據來幫助滿足GDPR合規性和其他數據主權法規。

設計邊緣計算分析

不幸的是，獲取模型和其他分析并將其部署到邊緣計算基礎設施并不總是那么簡單。通過計算密集型數據模型處理大型數據集的計算需求可能需要重新設計，然后才能在邊緣計算基礎設施上運行和部署它們。

一方面，許多開發人員和數據科學家現在都利用了公共云和私有云上可用的高級分析平臺。物聯網和傳感器通常利用C/C ++編程語言編寫的嵌入式應用程序，這對于云原生數據科學家和工程師來說可能是陌生且充滿挑戰的領域。

另一個問題可能是模型本身。當數據科學家在云中工作并以相對較低的成本按需擴展計算資源時，他們能夠開發具有許多功能和參數的復雜機器學習模型，以充分優化結果。但是，當將模型部署到邊緣計算基礎設施時，過于復雜的算法可能會顯著增加基礎設施的成本、設備的大小和電力需求。

SambaNova Systems公司產品副總裁Marshall Choy對人工智能模型部署到邊緣的挑戰進行了探討。他說：“邊緣人工智能應用的模型開發人員越來越關注高度詳細的模型，以實現參數簡化和計算需求的改進。這些更小、更詳細的模型的訓練要求仍然令人生畏。”

另一個考慮因素是，部署高度可靠和安全的邊緣分析系統需要設計和實現高度容錯的架構、系統、網絡、軟件和模型。

Hazelcast產品營銷高級總監Dale Kim對在邊緣處理數據時的用例和約束進行了分析。他表示，雖然設備優化、預防性維護、質量保證檢查和關鍵警報都在邊緣可用，但也存在一些新的挑戰，如有限的硬件空間、有限的物理可訪問性、有限的帶寬以及更大的安全隱患。

Kim說：“這意味著企業習慣于在數據中心使用的基礎設施不一定能正常工作。因此，需要探索采用了邊緣計算架構的新技術。”

分析的下一個前沿領域

如今，邊緣分析更主流的用例是數據處理功能，包括數據過濾和聚合。但隨著越來越多的企業大規模部署物聯網傳感器，實時應用分析、機器學習和人工智能算法的需求將需要更多的部署在邊緣。

隨著傳感器的價格變得更低，應用程序需要更多的實時分析，以及為邊緣開發的具有成本效益的優化算法變得更容易，因此邊緣的可能性為智能計算的發展創造了令人興奮的未來。
編輯：hfy