Cum numărul de dispozitive conectate la Internet creşte exponenţial şi continuu, ceea ce înseamnă extinderea continuă a infrastructurii cloud şi a capacităţii reţelei firmei, mulţi analişti se uită spre edge computing ca o soluţie viabilă, întrucât resursele necesare, cum ar fi procesarea de date, stocarea şi reţelistica aferentă, pot fi oferite mai aproape de sursele de date pentru procesare.
În acest context, analiştii spun că există patru factori cheie de maximizare a beneficiilor edge computing pentru lansarea de aplicaţii web. Un prim factor este asigurarea agilităţii aplicaţiei prin intermediul unei arhitecturi corecte a aplicaţiei.
O astfel de agilitate se poate asigura prin adoptarea de tipare arhitecturale cloud-native, cum ar fi microserviciile sau serverless. O astfel de abordare este cel mai bine ilustrată de elemente precum containerele şi interfeţe programabile declarative.
Al doilea factor este furnizat de apelarea la furnizori specializaţi de servicii cloud. Asta deoarece aceştia oferă servicii precum procesarea sau stocarea de date la nivel local, ceea ce înseamnă că astfel de servicii se comportă ca nişte minicentre de date gestionate de furnizorii de servicii. Astfel, aplicaţiile sau serviciile care aderă la principiul ‘dezvoltă o dată şi instalează pretutindeni’ pot fi uşor implementate pe această infrastructură edge.
Al treilea factor este acela al fructificării executării de cod personalizat de către CDN-uri. Reţelele de furnizare conţinut (CDN) dispun de puncte de prezenţă (PoP) pentru deservirea mai rapidă a conţinutului aplicaţiei web. Ele evoluează rapid şi multe dintre ele folosesc acum soluţii precum JavaScript (v8) care permit execuţia programelor mai aproape de zona edge. În plus, ele întăresc securitatea prin transferarea logicii programului din partea de client către zona edge.
În fine, al patrulea factor este dat de folosirea formatelor deep learning care furnizează interoperabilitate de tip machine learning. Diversitatea modelelor de reţele neuronale a crescut mult în ultimii ani. Acest fapt a încurajat dezvoltatorii să utilizeze astfel de reţele pe o gamă largă de instrumente, cadre de lucru şi compilatoare. De aceea, acum se face simţită nevoia de o oarecare standardizare.
În context, formate deschise de deep learning precum Open Neural Network Exchange încep să fie socotite tot mai mult ca o soluţie, deoarece ele suportă interoperabilitate pentru cadre de lucru deep learning utilizate în mod obişnuit. În plus, există deja mecanisme de exportare modele din diverse cadre de lucru către formatul ONNX.
