互联网的边缘计算是什么,这个技术算AI吗

随着技术的发展，需要新方法的新问题也在发展。 随着智能设备(如智能开关、恒温器、第三代语音助手)的出现，数据量急剧增加，降低了集中计算和分析的效率。 边缘计算帮助这些智能设备在边缘节点上处理数据以满足他们的需求，从而使这些智能设备更加智能。

边缘计算只传输集中式计算所需的数据，解决了延迟、带宽开销等诸多问题。 边缘技术不仅提高了边缘设备的效率，也提高了集中分析系统的效率。 鉴于边缘计算的前景，它有望成为2020年及以后最重要的技术趋势之一。

例如，谷歌的Nest使用一种机器学习算法，根据每天的温度调整，找出居民在工作日或周末是在家还是外出。 有了这些信息，Nest可以在一周和周末自行调节温度。 Nest的边缘处理和集中处理的结合凸显了企业数据管理面临的一个有趣挑战。

传统上，企业采用一种架构来分析数据，并使用集中的方法从中获取情报。 比如数据仓库是商业智能的主力，是众所周知的中央知识库，可以将原始数据转化为洞察。 这个过程称为ETL，它从操作系统中提取数据，将其转换为适当的格式，然后加载到数据仓库中。

这种架构多年来被证明是有效的。 但在边缘设备时代，传统的物理数据仓库已经失去了作为核心真理来源的光彩。 这是因为随着世界转向大量非结构化数据，他们只能存储结构化数据。 而且，数据量呈指数级增长。 它变得如此庞大，以至于在许多用例中，将所有数据存储在单个数据仓库中不再经济可行。 为了克服这些挑战，企业已经将其中央存储库过渡到更便宜的替代方案(如Hadoop)，这也可以存储非结构化数据。



尽管有这些发展，但是从性能和成本的角度来看，将分布在世界各地的多个设备产生的所有信息收集到数千英里之外的中央储存库中仍然是不可取的。 中央系统无法对信息进行有效智能的分析，然后一直推荐给设备，达到最佳性能。

那么，还缺什么呢？

在我们看来，这是一种在设备本身附近执行计算功能的技术。 边缘计算架构的出现使得设备能够将其生成的数据发送到更靠近设备的边缘节点或系统进行分析或计算。 这样，设备可以比连接到中央系统时更快地从边缘节点获得所需的信息。

在这种设置中，边缘节点连接到中央系统，因此它们只传输中央系统在各种设备上进行分析所需的信息。 这样一来，就出现了计算的双重性，在边缘节点上进行一些计算，达到局部操作所需的程度，同时将数据传输到中央分析系统，对所有对象进行整体分析。

今天所幸的是，它已经具备了在边缘只智能过滤需要的数据，只将缩减后的数据传输到集中系统的功能。 通过减少高达80%的移动数据，数据虚拟化可以实时执行这种选择性的数据处理和交付，而无需在其中复制数据。