利用边缘计算和物联网设备进行实时分析具有广阔的发展前景，但为边缘部署设计的分析模型将会面临一些挑战。

    如今，越来越多的企业需要实时处理数据和计算分析。物联网在很大程度上推动了这种模式的转变，因为来自传感器的数据流需要立即处理和分析来控制下游系统。实时分析在许多行业也很重要，其中包括医疗保健、金融服务、制造业和广告业，在这些行业中，数据的微小变化可能会对财务、健康、安全和其他业务产生重大影响。

    如果企业对采用实时分析感兴趣，并且这些技术综合了边缘计算、AR/VR、物联网传感器和大规模机器学习，那么了解边缘分析的设计考虑因素非常重要。例如自主无人机、智能城市、零售连锁管理和增强现实游戏网络等边缘计算用例，都以部署大规模、高度可靠的边缘分析为目标。

    边缘分析、流分析和边缘计算

    机器学习和边缘计算范例几种不同的分析与边缘分析有关：

• 边缘分析是指部署到云计算基础设施之外的基础设施和本地化基础设施中边缘分析和机器学习算法。

• 流分析是指在处理数据时实时进行计算分析。流分析可以在云端或边缘完成，具体取决于用例。

• 事件处理是一种实时处理数据和制定决策的方法。此处理是流分析的子集，开发人员使用事件驱动的架构来识别事件并触发下游操作。

• 边缘计算是指将计算部署到边缘设备和网络基础设施。

• 雾计算是一种更通用的架构，它将计算划分为边缘、近边缘和云计算环境。

    在设计需要边缘分析的解决方案时，架构师必须考虑空间和电源限制、网络成本和可靠性、安全性，以及处理要求等因素。

    设计边缘计算分析

    一方面，许多开发人员和数据科学家现在都利用了公共云和私有云上可用的高级分析平台。物联网和传感器通常利用C/C ++编程语言编写的嵌入式应用程序，这对于云原生数据科学家和工程师来说可能是陌生且充满挑战的领域。

    另一个问题可能是模型本身。当数据科学家在云中工作并以相对较低的成本按需扩展计算资源时，他们能够开发具有许多功能和参数的复杂机器学习模型，以充分优化结果。但是，当将模型部署到边缘计算基础设施时，过于复杂的算法可能会显著增加基础设施的成本、设备的大小和电力需求。