网络从未如此关键。无论是电话会议还是流媒体(视频内容或游戏)，服务提供商都无法承受卡顿、分辨率下降和缓存变慢的现象。为了解决这一问题，业务应用和数据必须尽可能靠近数据摄取点，缩短总体往返时间，最终让应用程序可以实时获取信息。

但在实际执行中却不那么容易。

直面挑战

对于服务提供商来说，边缘计算有着独特的挑战。在边缘领域涌现出大量的解决方案意味着部署的容器越来越多，增长速度超过了人们可以实现有效管理的速度。虽然可以使用编排工具进行自动部署，但要确保自动化的故障排查和服务保证，可观测性才是关键。

毕竟，任何程度的服务中断都将会招致大量的客户投诉，因此服务提供商会迫使IT团队尽可能快速地解决问题。但从IT团队的角度来讲，即使已经拥有了识别问题来源和解决问题所需的信息，但检查分散于各服务器组件的大量遥测数据依然会是很大的挑战。IT团队需要能够快速地处理这些数据的能力，并根据可见的趋势获得有价值的洞察。

数据驱动的解决方案

解决方法的关键，就是在于人工智能的能力，更具体地说是机器学习，在其驱动下，编排解决方案可以对各工作负载进行可扩展的预测性操作。通过机器学习与实时网络监测的结合，可为自动化工具提供所需的洞察，从而以比人工更快更准确的方式对物理和虚拟网络功能进行预设、实例化并配置。这一过程也意味着IT团队可以把时间用在具有更高价值的任务关键型项目上，为企业创造实际收益。

将人工智能带到云端

针对应用程序在网络边缘的生命周期管理，机器学习也发挥着关键作用。在只有几个集中式数据中心构成的环境中，运营商可以明确应用程序虚拟网络功能(VNF)的最佳性能条件。但是随着环境分散成数千个小型场所，虚拟网络功能就有了更复杂的需求，必须根据实际情况予以满足。

运营商没有足够的带宽可以满足所有这些需求，因此人工智能的应用再次彰显出重要性。机器学习算法可以通过一个前期循环测试来运行所有组件，以评估它们在生产场所的表现，让运营人员判定所测试的应用程序可以在边缘正常运行。