企业通过使用分布式混合云架构部署人工智能，越来越多地获得竞争优势。

这是由两个因素驱动的：首先，边缘生成的数据比以往任何时候都多。事实上，据预测，到2025年，50%的企业生成数据将在传统数据中心或云计算之外进行处理。最近的一项全球调查发现，78%的IT决策者认为，将IT基础设施转移到数字边缘是其业务经得起未来考验的优先事项。

其次，将大量数据转移到集中位置的人工智能训练基础设施引擎进行处理，意味着企业将花费宝贵的时间和费用。除此之外，合规和隐私法规通常要求将人工智能数据处理和分析保留在原籍国，这进一步证明了在多个国家分配工作负载的合理性。

让我们深入探讨三个不同的行业用例，分布式人工智能正在帮助企业节省成本、满足监管需求并实现新的技术进步。

在降低成本的同时获得实时零售洞察

许多大型零售商正在通过利用分布式数字基础设施战略寻找竞争优势。他们正在使用IDC最近确定的一种越来越流行的人工智能部署策略：在核心开发人工智能，如在云或区域数据中心，并在边缘部署人工智能推理模型，然后用新的区域数据重新训练模型以适应应用。

例如，使用分布式混合云模型的零售商，可能首先将其店内摄像头信息和库存管理数据，发送到托管大都市数据中心，以建立区域人工智能模型，并利用联合人工智能方法来整合区域模型。

然后，它将这些优化的人工智能模型部署到门店，以执行低/预测延迟人工智能模型推理，从而深入了解库存、员工轮班管理、购物者购买趋势预测和广告投放建议。

从一个大都市数据中心部署人工智能推理引擎，比在每个零售地点维护和服务这些服务器更具成本效益。这种分布式人工智能基础设施，使零售商能够在一个区域快速处理和分析洞察，最终提高他们的利润。

维护视频监控中的隐私和合规性

例如，一家在全球多个都市区设有站点的大型房地产管理企业，可以为其全球数百个安全摄像头利用分布式AI架构，通过在数据收集地部署人工智能来保持对当地隐私法规的合规性。

在企业经营所在的不同国家/地区拥有集中式设施，确保企业不会将数据发送到另一个可能与数据来源国不具有相同合规法规的国家/地区，从而违反当地隐私法。

除了实现隐私和数据使用合规性之外，该模型还通过将人工智能推理堆栈托管在单个地铁位置，而不是每个设施来降低成本，即使它在数百个位置中的每个位置都现场处理运动检测数据。

通过区域更新实现自动驾驶

如果没有人工智能基础设施，由高级驾驶辅助系统(ADAS)启用的自动驾驶汽车无法解决某些用例。ADAS要求人工智能决定车辆应如何与周围环境互动，尤其是在与自行车和行人等弱势道路使用者互动时。

测试车辆为训练人工智能模型而生成的数据量是巨大的，对于2级和3级ADAS（车辆可以根据环境调整速度、刹车和做出决策），每辆车每天产生的数据量在20TB到60TB之间。人工智能使联网车辆能够比使用传统基础设施更快、更具成本效益地从测试车队中收集和处理这些大型数据集。

分布式人工智能基础设施正在定义下一代车辆的机动性和自主性。例如，联网车辆利用高清地图为汽车提供有关标牌和街道的信息。

但是，当施工区或道路危险在一夜之间出现时会发生什么？分布式人工智能基础设施不需要每辆车单独处理道路危险，而是允许将这些危险发送到一个区域位置，然后将危险传达给该地区的所有车辆。

没有什么比人工智能更能感受到数据的引力了。为了充分利用其人工智能基础设施，企业需要评估集中、区域或本地部署这些基础设施的价值。这样做将节省时间、金钱和宝贵的延迟速度。

声明：本站所使用的图片文字等素材均来源于互联网共享平台，并不代表本站观点及立场，如有侵权或异议请及时联系我们删除。