边缘在当前的IT转换过程中，边缘计算已占据非常重要的位置。与AI，机器学习，物联网和机器人自动化一样，边缘计算已成为全球CIO和IT领导者中讨论最多的话题。根据Forrester的“ 2020年：边缘计算”（2020年：Edge Computing），IT和自动化的“边缘化”将是区别云基础架构和云计算领导者与落后者的主要因素。
边缘计算
IT在过去十年中一直为您提供帮助的IT系统不再能够帮助您实现业务目标。 ITOPS增长了很多，如今的CIO更加重视使用新兴技术的易于部署，速度，安全性和自动化规模。对云计算速度的需求以及将云计算置于“前沿”是在IT和iTOPS行业中获得巨大吸引力的流行策略。
根据麦肯锡公司的报告，“到2025年，硬件中边缘计算的潜在价值将在1750亿美元至2150亿美元之间。”
随着互联设备的大量涌入，边缘功能将成为维护IT基础架构自动化的标准。它将影响业务运营的软件和硬件部分，例如SaaS，PaaS，IaaS和DaaS。麦肯锡公司表示，我们可以期待云计算的新发展-“边缘计算”。
了解为了了解边缘计算的未来发展，我们采访了FogHorn的管理层。
OgFogHorn是一家位于美国的边缘情报软件提供商，已与Cisco，HPE，Google Cloud和其他大型技术公司建立了合作伙伴关系。
在与FogHorn进行的“边缘计算+人工智能融合”的第一部分中，FosHorn首席技术官Sastry Malladi分享了他的预测。
业界将改善“边缘计算”的定义
今年，许多内部人士讨论了边缘和不同位置的确切定义。
组织已经在努力理解边缘的精确位置，但是实际上，位置是高度动态的，并且会因行业和用例而异。例如，电信运营商将电信网络的边缘视为真正的边缘（也称为服务边缘），而应用程序开发人员和工业工厂运营商则将其定义为数据生产点（或受监视资产的位置）。
电信公司的定义
电信公司对边缘的定义也与MEC（多路访问边缘计算）一致。另外，某些解决方案使用边缘计算术语而不考虑其确切特性，这给市场增加了更多的混乱。
弱边缘与“真实”边缘
弱（或伪造）边缘解决方案缺乏针对受限计算环境中的实时流数据优化运行分析和机器学习模型的能力，这是实时获取可行见解的关键要求。这些解决方案不是“真正的边缘”，因为它们依靠云来进行数据处理，而不是在边缘处处理数据。
最后，关于边缘云关系的困惑。边缘计算无疑是对云的补充，尽管在工业领域，边缘计算已大大提高了云的采用率和价值。实际上，在明年，边缘计算领域的领导者将继续努力发展和完善对以下问题的答案：边缘在哪里？什么是边缘计算？为什么边缘很重要？
汽车制造商将寻求边缘计算来改善和加速自动化
如今，汽车产生的数据比以往任何时候都要多，有效地收集，合并，处理和部署所有这些传感器数据是一个巨大的挑战。自动驾驶汽车（AV）的未来运输取决于创建和运行复杂的自动驾驶系统所需的情报和流程。
例如，许多AV有望成为电动汽车，这将需要更多的车载智能和系统生命周期管理。这些对于最大限度地提高电池和充电系统以及支持制动，电机性能，安全性，乘客环境和预测性维护的其他系统的效率和寿命是必不可少的。
距全自动车辆控制还有很长的路要走，但是许多现有的边缘计算应用可用于提高商业和公共交通的效率，可靠性和安全性。这些包括车辆控制和安全系统，例如摄像头，驾驶员辅助和防撞功能，这些功能每年都会添加到新车辆中。
接下来的一年，汽车制造商可以部署支持EDGE的系统来消除安全隐患，并快速实现自动驾驶，而不必依赖远程数据中心来做出关键的命令和控制决策。
是时候成为边缘优先组织了
在云中分析高保真，高分辨率原始机器数据的能力通常很昂贵，并且由于运输和生态系统方面的考虑，无法实时完成。组织通常依赖于下采样或时间延迟的数据来避免显着的成本约束，结果，组织由于仅查看不完整的数据集而错过了重要的见解。
相反，通过实施Edge-first解决方案，组织可以在本地合成数据，识别核心原始数据集上的机器学习推论，并提供增强的预测功能（而不是云计算的沉重，昂贵和可追溯的见解）。
组织将经历从仅云计算到云边缘混合策略的转变，以实现边缘AI和迭代机器学习建模，并继续改善结果
通过实时运行ML模型的“边缘化”版本，组织可以更快地响应实时事件，并能够对源头上感兴趣的事件采取行动，做出反应并采取行动。这样可以充分利用每个生态系统的优势，从而确保边缘计算与云之间的和谐交互。
实际上，在未来几年中，超过40%的组织的云部署将包括边缘计算，以解决带宽瓶颈，减少延迟和实时处理数据以实现关键任务决策支持。这些边缘驱动的IIoT项目将提取日常机器操作的真实视图，并朝着新的可预测性水平努力，这将极大地改变我们所知的行业格局。简而言之，到2020年，以云计算为主导的解决方案将采用边缘优先或云边缘混合方法来推动重要业务价值。
组织将重点从边缘计算转移到边缘AI解决方案，以提供最佳的投资回报率
组织当组织建立ML模型时，假定该模型在一段时间内是准确的，因为该模型是在特定数据集上训练的。如果出现新的数据模式或未在所有可能的数据集或工作流上训练模型，则该模型可能不会继续提供准确的结果。使用边缘人工智能，可以使用新的有意义的数据和学习集更新来不断更新模型。
例如，在工厂中，可以部署模型来检测零件检查装配线上的缺陷，或者主动识别一段时间后可能导致缺陷的图案。通常，几个月后，由于新的数据模型，模型的准确性可能会降低。如果该软件专门使用传统分析，则可能会产生误导，并且机会成本可能很高。
借助边缘（AI）和自学习模型的强大功能，到2020年，机器学习模型将超越传统的分析功能，并显着提高预测能力和总体ROI。借助Edge AI，该软件可以主动与实时数据流进行交互，并满足源头或源头附近的情报，从而提高了总体生产率，效率和成本节省。
创新互联为大家提供专业化服务器托管，服务器租用，主机托管，云服务器租用等海内外服务器资源，详情可咨询客服了解。
