边缘计算如何助力企业实现降本增效

人们对边缘计算寄予了越来越多的希望，使得该行业充满了大胆的想法，例如“边缘将吞噬云”，以及实时自动化将在医疗保健、零售和制造业中普及。

边缘计算如何助力企业实现降本增效

如今，越来越多的专家认为边缘计算将在几乎所有企业的数字化转型中发挥关键作用。但进展一直很缓慢。传统观念阻碍了企业充分利用实时决策和资源分配的优势。

为了理解这是如何发生的，以及为什么会发生，让我们回顾一下边缘计算的第一波，以及从那以后发生了什么。

第一波边缘计算：物联网（IoT）

对于大多数行业来说，边缘的概念与第一波物联网 (IoT) 紧密相关。当时，大部分重点都集中在从固定在所有物体上的小型传感器收集数据，然后将这些数据传输到一个中心位置——比如云或主数据中心。

然后，必须将这些数据流与通常所说的传感器融合相关联。当时，传感器经济性、电池寿命和普遍性常常导致数据流过于有限且保真度低。此外，用传感器改造现有设备通常成本高昂。虽然传感器本身很便宜，但安装非常耗时，并且需要经过培训的人员才能执行。最后，使用传感器融合分析数据所需的专业知识嵌入到跨组织员工的知识库中。这导致物联网的采用率放缓。

此外，对安全的担忧也影响了物联网的大规模应用。计算方法很简单：跨越多个地点的数千台连接设备，相当于一个巨大且通常未知的暴露量。由于潜在风险超过了未经证实的好处，许多人认为采取观望态度是谨慎的做法。

超越物联网 1.0

现在越来越清楚的是，边缘并不在于物联网，

而在于对跨分布式站点和地理位置的运营进行实时决策。在 IT 和越来越多的工业环境中，我们将这些分布式数据源称为边缘。我们将来自数据中心或云之外的所有这些位置的决策称为边缘计算。

如今，边缘无处不在 ——我们生活的地方、工作的地方、人类活动发生的地方。稀疏的传感器覆盖范围已通过更新和更灵活的传感器得到解决。新资产和技术配备了广泛的集成传感器。现在，传感器通常会增加高分辨率/高保真成像（X 射线设备、激光雷达）。

额外的传感器数据、成像技术，以及将所有这些关联在一起的需求，会使每秒产生大量的数据。为了从这些庞大的数据流中获得结果，现在正在将计算能力部署在靠近数据生成的地方。

原因很简单：边缘位置和云之间没有足够的可用带宽和时间。边缘的数据在短期内最重要。现在可以在边缘实时分析和使用数据，而不是稍后在云端进行处理和分析。为了获得更高水平的效率和卓越操作反馈，计算必须在边缘进行。

这并不是说云无关紧要。云仍然在边缘计算中扮演着重要的角色，因为它是可以在所有位置上部署能力和管理。例如，云提供了对来自其他地点的应用和数据的访问，以及远程专家来管理全球的系统、数据和应用。此外，云可以用于分析跨多个地点的大型数据集，显示随时间推移的趋势，并生成预测分析模型。

因此，边缘技术在于应对大量地理分散位置的大数据流。人们必须采用这种对边缘的新认识，才能真正了解边缘计算现在的可能性。

今天：实时边缘分析

与几年前相比，今天在边缘技术能做的事情是惊人的。现在，数据可以从大量的传感器和摄像机中产生，而不是局限于少数几个传感器。然后，这些数据将在比20年前强大数千倍的计算机上进行分析——所有这些都以合理的成本进行。

高核心数 CPU 和 GPU 以及高吞吐量网络和高分辨率摄像机现在很容易获得，使实时边缘分析成为现实。在边缘部署实时分析（业务活动发生的地方）帮助企业了解他们的操作并立即做出反应。有了这些知识，许多操作可以进一步自动化，从而提高生产力并减少损失。

以下是一些当今实时边缘分析的应用案例：

超市欺诈预防

许多超市现在使用某种形式的自助结账，不幸的是，他们也看到越来越多的欺诈事件发生。有些不法购物者可以用更便宜的条形码代替更贵的商品，从而支付更少的钱。为了检测这种类型的欺诈，商店现在使用高分辨率摄像头，将产品的扫描结果和重量与产品的实际价值进行比较。这些相机相对便宜，但却能产生大量的数据。通过将计算移动到边缘，可以立即分析数据。这意味着商店可以实时检测欺诈行为，而不是在“顾客”离开停车场之后。

食品生产监控

如今，一个制造工厂可以在制造过程的每个步骤都配备几十个摄像头和传感器。实时分析和人工智能驱动的推理可以在几毫秒甚至几微秒内揭示出是否存在错误问题。例如，也许相机会显示添加了太多的糖，或者配料过多。有了摄像头和实时分析，生产线可以调整以改进问题，甚至在需要维修时计算停止——而不会造成灾难性的损失。

人工智能驱动的医疗保健边缘计算

在医疗保健领域，红外和x射线相机一直在改变游戏规则，因为它们提供高分辨率，并迅速向技术人员和医生提供图像。有了如此高的分辨率，人工智能现在可以在医生确认之前过滤、评估和诊断异常。通过部署人工智能驱动的边缘计算，医生可以节省时间，因为他们不需要将数据发送到云端来获得诊断。因此，肿瘤学家在查看患者是否患有肺癌时，可以对患者的肺部图像应用实时AI过滤，以获得快速准确的诊断，并大大减少患者等待答复的焦虑。