物聯網、5G以及AR / VR的興起一直在推動將計算帶入網絡邊緣的需求。但是現在，在新冠病毒COVID-19大流行中，對高速網絡的日益增長的需求正以前所未有的速度加速發展。我們看到視頻會議和內容流達到了創紀錄的高水平，這兩者都需要更高帶寬和更低延遲數據傳輸。

盡管通常將其定義為少于5毫秒，但在這個超連接的遠程工作世界中，即使5毫秒也太慢了。

網絡從未像現在這樣顯得如此緊要。在電話會議和流媒體之間，服務提供商無法承受滯后、分辨率下降和緩存變慢的問題。為了解決這個問題，業務應用和數據必須盡可能靠近數據攝取點邊緣，從而減少了總體往返時間，并最終允許應用實時訪問信息。

但這說起來容易做起來難。

面對挑戰

尤其對于服務提供商而言，邊緣計算面臨著獨特的挑戰。邊緣解決方案的激增意味著設備的部署速度一直比人類管理它們的速度快。盡管可以使用編程工具來自動化部署，但是可觀察性是自動進行故障排除和確保服務的關鍵。

畢竟，任何服務中斷都伴隨著大量客戶抱怨，因此服務提供商向IT團隊施加壓力，要求他們盡快解決問題。盡管IT已經擁有識別問題根源和解決問題所需的信息，但是在篩選分布在服務器組件之間的大量遙測數據時，仍會遇到挑戰。 IT團隊需要能夠快速處理數據并基于可見趨勢獲得有價值的見解的能力。

數據驅動的解決方案

解決方案具有AI功能（特別是機器學習），可為業務流程解決方案提供支持，該解決方案可跨工作負載提供可預測的可擴展操作。將機器學習與實時網絡監控相結合，可以提供必要的見解，從而為自動化工具提供支持，這些自動化工具能夠比人工執行任務更快、更準確地配置、實例化和配置物理和虛擬網絡功能。此過程還意味著IT團隊可以將時間花在關鍵任務以及更高價值的計劃上，這些計劃可以為企業帶來更高的利潤。

將AI引入云

機器學習在邊緣應用生命周期管理中也起著至關重要的作用。在由幾個集中式數據中心組成的環境中，運營商可以確定應用的虛擬網絡功能（VNF）的最佳性能條件。隨著環境分解為成千上萬個小站點，VNF具有更復雜的需求，必須相應地予以滿足。

由于操作員沒有足夠的帶寬來滿足這些需求，因此機器學習算法可以在整個生產前周期中運行所有單個組件，以評估它們在生產現場的表現，從而使操作人員可以放心，經過測試將可以工作。

邊緣消費的未來

隨著優勢的騰飛，它從根本上改變了服務提供商考慮其基礎架構的方式。邊緣越來越多地被視為通常由服務提供商提供和管理的優質資產，將通過AI和機器學習進行優化，以實現幾乎無限的業務目的。一旦釋放了這種高度身臨其境的邊緣計算能力，我們就會看到應用和新的工作負載出現在邊緣，這是五年前簡直無法想象的。

展望未來，不僅僅是服務提供商能從中獲利。很快，邊緣云環境將是開放、安全且云原生的，具有可預測和可擴展的操作，可滿足廣泛的企業，消費者和電信工作負載。邊緣云將具有集成的安全性，以減小任何安全漏洞的爆炸半徑。

最后，將利用AI支持的預測性操作來管理操作數千個邊緣位置的復雜性，從而創建增強的消費者和員工體驗。