边缘计算

边缘计算都是关于减少需要处理的条件出现和处理过程发生之间的延迟，这有时被称为缩短控制循环。

云数据中心通常距离用户设备连接的地方数百甚至数千英里，这可能意味着100毫秒或更多的往返延迟。因为这会增加应用程序中的任何处理时间，所以总延迟时间可能高达半秒，这在许多场景中是不可接受的——请想一想连接的医疗设备或自主车辆。

云提供商知道延迟可能是一个问题，这就是为什么他们提供一些或全部物联网功能的本地托管。在边缘运行AI也是一个可行的模式。

物联网

下一个寻找实用策略的地方是物联网，它在实际环境中与互联网根本没有多大关系。它是关于利用来自传感器的原始信息，促进应用程序(而不是人)对机器的控制。这些原始信息几乎总是以事件或信号的形式出现，表明某些事情已经发生，或随着状态的变化而出现——例如，冰箱的温度、某项产品在供应链中的位置或制造厂传送带的转动。

云提供商提供事件处理和物联网工具，包括无服务器的进程动态托管。这些工具通常在云数据中心中运行，并从多个源(甚至多个地理区域)收集事件。但是，当与边缘计算相结合时，这种云事件处理既可以支持对关键时间事件的低延迟响应，也可以支持更复杂的多事件分析。拥有相同的云平台网络边缘与深度云计算促进了物联网应用程序的开发。

人工智能

人工智能在解释这些事件的过程中发挥了作用。有些事件很简单，即仅仅是事件的发生就应该表示任务或流程的执行。如感烟探测器激活，则开启火灾报警。

然而，大多数事件依赖于在上下文中分析准确的事件，或者与其他事件一起分析，或者与更广泛的条件一起分析，比如一天中的时间、天气等等。长期策略等复杂事件处理已经这样做，但它们依赖于能够定义所有事件和上下文关系。人工智能提供了另一条道路机器学习可以观察事件和响应，并学习如何做。同样的,神经网络可以引入几乎人类的判断。

将人工智能和物联网结合在一起

虽然这三个概念都有明显的价值和可以应用的领域，但真正神奇的是，当这三个概念一起部署时。

将人工智能、物联网和边缘计算相结合的主要价值在于，它们能够对物联网传感器发出的事件产生快速、适当的响应。虚拟和增强现实应用程序需要这种响应，企业应用程序在过程控制和货物移动方面也是如此。在制造、仓储、销售和运输方面固有的合作可能会为物联网的人工智能优势创造甜蜜点。这些活动形成了跨越许多不同公司的商品移动链，并需要协调，这是单一公司物联网模型无法提供的。

然而，部署这三种技术的组合是困难的。幸运的是，一些基本的规则会有所帮助。

规则1号。在物联网边缘应用AI，即事件生成和控制响应集中在单个设施或校园。当你将AI移动到边缘位置时，AI将会看到更少，因为它只接收和处理来自该位置的数据。如果你在一个边缘站点使用AI在另一个站点生成控制输出，你会给你的应用程序增加延迟并击败边缘计算值。这意味着你需要在相同的位置设置传感器和控制器，并将AI放置在那里。这将使你的控制循环很短。

将边缘AI集中在一个公共设施上也将减少失去传感器、控制器和AI边缘之间连接的风险。本地连接比运营商网络服务更可靠，如果你在设备中有备用电源，你甚至可以安然度过停电。如果这是你的目标，确保你的edge AI应用程序使用的网络功能也在设备中，这样它们的电力也会得到备份。

规则2号。可以把边缘AI看作是深刻的人工智能。除非每个AI edge设施的物联网任务不同，否则你会希望将在一个设施学到的经验应用到其他设施。如果每个边缘设施都是独一无二的，那么机器学习可以成为一个边缘应用。如果不是，可以将其视为托管在一个位置上的集合应用程序，所有设施的数据都可以用于分析。

深度人工智能在分析事件-控制反馈循环如何改变条件，使之成为事件-控制-测量路径方面至关重要。其目的是了解局部启动的控制响应是否确实带来了最优结果。这种深度人工智能学习所做出的决定可以反馈到边缘位置，可以通过神经网络更新，也可以根据需要手动更新，不断优化人工智能对事件的响应方式。

规则3号。认为事件流，而不是应用程序计划中的工作流程。大多数企业开发实践都依赖于事务处理，而事务是多步骤、上下文相关、以更新为中心的工作形式。它们的生成速度可以很好地预测，并且当事务启动时，它所触发的信息流通常是可以预测的。

事件只是条件或条件变化的信号。它们不容易预测，有些会从边缘到数据中心发起一连串活动，而另一些则会并在本地物联网处于边缘，根本不会产生更深刻的影响。诀窍是想象所有可能的正常和异常情况，以预测事件并适当地调整资源大小。

边缘计算、物联网和人工智能是技术领域最热门、也是最不为人所知的三个主题，因此这一领域的变化速度令人叹为观止。当您回顾开发并尝试实事求是地评估技术的发展速度时，请记住这里涉及的基本规则。我们还有很长的路要走。