边缘计算市场预计将从2022年的4084万美元增长到2028年的1.3211亿美元，复合年增长率为21.8%。
边缘的用例是无限的。 使用案例的范围包括从远程现场办公室操作无人机机队进行公用事业和采矿作业到在家工作和自动化制造装配线的员工。
随着边缘计算运动的展开，越来越多的非 IT 专业人员被要求管理位于他们所占据的边缘的技术。 云解决方案也发挥了重要作用，因为云可以比中央数据中心更灵活的方式收集和管理边缘数据。
不幸的是，这样的部署无法满足所有边缘处理需求。 负责管理边缘的非 IT 员工可能会犯错误。 与云之间的数据传输可能会受到延迟和安全问题的阻碍。 另一种方法是找到使边缘应用程序在严重依赖自动化的独立处理环境中自行运行的方法。
为了促进边缘处理，人工智能和机器学习发挥着重要作用。 边缘人工智能和机器学习可用于零售商店，跟踪人流量，以便更好地协助商店商家展示商品和服务，并且可以在整个商店安装边缘设备（传感器、摄像头等）来监控人流量 。
由公司业务分析师、用户和 IT/数据科学开发的人工智能模型可以通过逻辑推理“训练”边缘人工智能来评估流量。 从最初的情报来看，商家发现商品通常是从商店某些过道的中间货架上拉出来的，然后模型开始变得不太准确。
人工智能的机器学习元素看到了一种新的新兴模式，并从中“学习”。 它结合了从该模式中学到的知识，并修改了其分析。 现在，该公司表示，商品正在从商店的新区域撤出。
随着时间的推移，零售商可能会决定彻底修改其 AI/ML 模型，以寻找其他趋势和模式，但这是 AI 和 ML 组合如何协同工作以实现边缘自我操作和智能洞察的示例 。 IT 需要做什么才能在边缘实现这种“自己动手”洞察自动化？
如何使用人工智能和机器学习优化边缘物联网
1. 选择正确的用例
并非每个边缘实现都适合使用 AI/ML 实现完全自动化。
如果您正在操作无人机机队来勘测地点并在天气和其他恶劣条件下导航，最好不要完全自动化所有操作情报，因为情况是不可预测的。
自动车辆系统也是如此。 有太多不可预见的情况，例如传感器在雪天条件下发生故障，或者可能在瞬间发生的“不合逻辑”的人类行为，人工智能/机器学习将无法足够灵活地做出响应。
2. 设计数据传输
即使您在边缘自动化 AI/ML 操作，有时您也会希望将边缘的数据或见解整合到中央数据存储库中。 该数据存储库可能位于云端，也可能位于您的中央数据中心。
需要规划想要从边缘移动到更中心点的数据流。 这包括安排白天或晚上将数据上传到中央存储目的地的时间。
3. 培训非IT人员
被要求在边缘监控和保护数据并在日常工作中使用数据的非 IT 人员必须接受培训以执行这些功能。 在 IT 层面，这意味着非 IT 人员需要接受边缘安全和监控基础知识的培训。 在操作上，需要对人员进行再培训，让他们了解如何通过引入更多自动化来完成工作。
例如，如果您引入边缘物联网来自动化包装操作，并且人工智能触发维护警报，那么制造会做什么？ 他们是否会使整个操作脱机、恢复为手动流程或执行某种故障转移？ 所有这些突发事件都需要在员工队伍中进行讨论和培训。
4. 调整人工智能/机器学习
当您从人工智能/机器学习中获得的见解开始偏离您所知道的真实情况时，会发生什么？ 这可能意味着您一直在使用的 AI/ML 模型需要修改。
应每天关注边缘的 AI/ML 性能。 一旦从 AI/ML 提供的见解中检测到“偏离”事实，就应该重新审视 AI/ML 训练模型启发式，看看是否需要更新任何内容。 AI/ML 准确性的黄金标准目标是它应在 95% 的情况下符合主题专家的观察结果。
5. 保护和维护边缘设备
大多数边缘设备到达门口时仅具有最低限度的安全预设。 IT 部门负责为每个物联网设备设置安全性，以使其符合企业标准。
一旦边缘技术按照企业安全标准进行校准，还应该采取物理安全措施，确保可移动边缘技术不会落入未经授权的人员手中。
在软件级别，可以通过使用多重身份验证来应用安全性。 此外，零信任网络也可以安装在边缘，因为它们可以记录物联网资产的每一次增减和修改。
最后，特别是在运行无人机等设备的外地办公室，或者在使用机器人的生产车间或医疗诊所，如果设备是可移动的，则在不使用时应将其锁在笼子里，因此只有有权使用设备的个人才能这样做 。
