通过HCI和边缘计算将人工智能提升到一个新高度

（文章来源：教育新闻网）

HCI和边缘计算的结合将为AI提供发展到下一个级别的工具，从而为组织提供更智能，更快速的决策。在2019年，人工智能(AI)，机器学习(ML)和高级分析对IT运营方式产生了重大影响。尽管AI似乎为提升IT和我们的日常生活提供了无穷无尽的可能性，但我们开始看到技术上的局限性，这些局限性并不是将AI纳入其流程中的。

如何确保当今的企业和IT专业人员可以充分利用AI的潜力?进入超融合基础架构(HCI)，该基础设施因其众多的不可否认的优势(如简单性，高可用性和可伸缩性)而迅速声名狼藉。HCI以要求更简单的管理，更少的机架空间和功耗，更少的整体供应商以及易于过渡到商用服务器而闻名。

同样，边缘计算在IT和业务功能方面获得了巨大的发展动力，因为它提供了在实际创建数据的网络边缘处理和存储数据的能力。反过来，这可以实现更高的性能，更轻松的管理，更高的安全性并显着降低相关成本。总之，边缘计算和HCI的结合是克服传统技术局限性并将AI提升到更高水平的理想基础。

当今世界越来越受数据驱动，并且该数据是在传统数据中心之外创建的。如前所述，边缘计算是对传统数据中心之外的数据的处理，该数据是在创建数据的现场网络边缘处进行的。只需很小的硬件空间，边缘的基础架构就可以收集，处理和减少大量数据，然后可以将这些数据移动到集中式数据中心或云中。这样做的好处是，在创建数据时就对数据进行处理并做出反应，而不必在使用数据之前就通过长途发送。边缘计算在从无人驾驶汽车，杂货店和快速服务餐厅到能源工厂和矿山等工业环境的众多用例中都是关键。

但是，尚未充分利用在边缘捕获的所有数据。人工智能虽然还处于起步阶段，但它仍然是一种相当年轻的技术，需要大量的资源来训练其模型。出于培训目的，边缘计算最适合使信息和遥测流入云中进行深度分析，然后应将在云中训练的模型部署回边缘。用于模型创建的最佳资源将始终在云或数据中心中。

一个很好的例子是下一代硅芯片公司Cerebras，它刚刚推出了创新的“晶圆级引擎”，该引擎专门为训练AI模型而设计。新芯片速度惊人，拥有1.2万亿个晶体管和40万个处理内核。但是，所有这些都会消耗数十千瓦的电量，这使得它无法用于大多数边缘部署。使用HCI整合边缘计算工作负载使组织可以创建和优化所谓的数据湖。数据进入数据湖后，所有应用程序都可以使用它进行分析，并且机器学习可以利用来自各种设备和应用程序的共享数据提供新的见解。

HCI通过将服务器，存储和网络整合到一个盒子中而实现的易用性消除了边缘计算所伴随的许多配置和网络难题。此外，为不同地理位置的数百或数千个边缘设备(都具有不同类型的网络和接口)提供集成管理的平台，可以避免很多复杂性，从而大大降低了运营成本。

随着诸如智能家居设备，可穿戴技术和自动驾驶汽车等消费者进步的不断引入，人工智能正在成长，并在日常生活中变得越来越普遍，不再仅仅局限于科幻小说。因此，它会经历显着的增长并不令人惊讶，到2020年，估计将有80%的设备具有某种AI功能。从历史上看，人工智能技术一直依赖存储在云中的数据。但是，这可能会导致延迟，因为该数据必须先传输到数据中心，然后再传输到智能连接的设备(即，物联网或IoT)。在许多用例中，例如无人驾驶汽车，这可能会出现问题，因为它们无法等待数据的往返来知道何时刹车或行驶多快。

用于AI的边缘计算的好处是所需的数据将在设备本地存在，从而减少延迟。将数据保留在设备网络的边缘还可以存储，访问新数据，然后在需要时将其上传到云中。此功能极大地有利于AI设备(例如智能手机和自动驾驶汽车)，由于网络可用性或带宽，它们并不总是可以访问云，但依赖于数据处理来做出决策。

HCI和边缘计算的结合为AI带来的另一个好处是减小了外形尺寸。HCI允许技术在较小的硬件设计中运行。实际上，一些组织已开始引入高度可用的HCI边缘计算集群，这些集群不超过一杯咖啡。HCI必须包含并包括边缘计算，因为这样做可以提供对AI进步至关重要的好处，并且允许该技术在无需大量人工干预的情况下运行。这使AI可以最佳地优化其机器学习功能并提高其智能决策效率。

尽管云为AI提供了增长到几乎所有技术设备都可以使用的水平所需的平台，但是HCI和边缘计算的结合将为AI提供发展到下一个水平所需的工具，从而使决策更加智能，更快。对于组织。
      （责任编辑：fqj）