弥合差距：将 AI 和 Kubernetes 部署到数据来源

向边缘迁移，这不仅仅是一种趋势，更是对更快获得结果这一需求的回应。通过就地处理数据，企业组织发现他们终于能够实现实时决策，并显著提升运营效率。

无论是工厂车间、风力涡轮机还是零售店后仓，边缘都是最具影响力的业务数据的诞生之地。大多数运营领导者已经意识到，将处理能力移至更靠近数据的位置，这是转变工作方式的关键。然而，真正的挑战不仅在于实现这一目标，更在于突破零散的“一次性”解决方案，打造真正具备扩展能力的基础架构。正是在此背景下，红帽的产品组合提供了一个统一的基础平台，将这些分散的节点转化为现代化 IT 战略中顺畅运转的组成部分。

AI 在边缘的优势

最具战略意义的举措之一，便是投资于边缘 AI。通过将机器学习（ML）的强大功能与边缘计算的响应能力相结合，您可以在数据生成之处，以毫秒级速度对数据进行分析并采取行动，无需每次都把数据发送云端，并在处理完毕后再返回结果。

这种方法有助于解决边缘环境中最突出的一些障碍，例如：

• 速度： 决策速度更快，因为推理在本地完成。
• 可靠性： 即使连接中断，运营也不会停摆。
• 效率： 无需将每字节数据都传回云端，从而节省带宽。
• 安全防护： 敏感数据保留在本地，更易于管理合规性和隐私。

我们在各行各业都能看到这样的实际应用。例如，在制造业中，预测性维护模型能够检测到故障的预警信号，并在其导致计划外停机之前触发修复。在零售业，它能够实时监控安防摄像头画面以防止货品丢失，从而避免云端往返传输带来的延迟。

“远端边缘”的轻量级创新与 Kubernetes

当您扩展边缘覆盖范围时，挑战在于管理那些结构紧凑且通常资源有限的系统，无论它们是隐藏在销售点（POS）终端内，还是位于偏远的风力涡轮机上，皆是如此。为了在这些超小型部署中保持一致性和可扩展性，您需要将数据中心内使用的同一套云原生实践扩展到“远端边缘”。

红帽通过将企业级 Kubernetes 从核心扩展到最偏远的网络边缘，帮助弥合了这一差距。对于资源极其有限的设备，红帽构建的 MicroShift 提供了源自红帽 OpenShift 的轻量级 Kubernetes 发行版。它专为工业网关或小型 ARM/x86 设备等环境而设计，提供了足够的 Kubernetes 功能来容器化工作负载，而无需承担 OpenShift 标准集群的全部开销。即使在空间有限的位置或连接时断时续的区域，您也能获得本地自治和应用管理能力。

对于需要更大容量或更高可用性的位置，红帽还提供一系列 OpenShift 拓扑（包括三节点、双节点和单节点集群），因此您可以在不牺牲可用性或安全性的前提下，灵活扩展云原生基础架构。 

一个平台，覆盖所有用例

目标在于让 Kubernetes 能够适应多样化的边缘环境。无论您面对的是资源丰富的后仓，还是电力有限且断网的地点，底层平台都应保持一致。 

通过使用红帽 OpenShift 作为基础平台，您可以在整个基础架构中保持一致的安全防护和运营策略。它使您能够根据需求部署规模适中的实例，从全面的集群到超轻量级 MicroShift，皆可轻松实现，而无需强迫团队针对每个新的边缘位置学习一套不同的工具。 

跨边缘管理运营

边缘计算要想真正创造商业价值，就必须具备可管理性。您不可能为了更新或修复问题而派技术人员前往每个远程站点。要跨数千个地点实现规模化部署，就需要一种能够标准化运营流程的方法，而无需每次都配备现场 IT 人员。 

为了解决这个问题，红帽提供了一个统一的控制闭环。通过将红帽设备边缘的设备管理功能与红帽 Ansible 自动化平台的编排能力相结合，我们可以将设备群和基础架构作为一个紧密协同的系统来管理。这种方法通过直观、基于策略的部署简化了 OT 团队的运营流程，实现了零接触引导和远程更新，让您的系统自动处于预期状态。 

要充分释放边缘策略的潜力，您需要一个一致的平台、自动化和集中式控制，覆盖从部署（Day 0）到持续更新再到 AI 驱动见解的所有环节。当您将用于实时洞察的边缘 AI 与 MicroShift 这样规模适中的解决方案相结合时，边缘便会真正成为混合云的延伸。 

下一步行动： 有关如何实施 AI、简化操作系统（OS）部署、扩展 Kubernetes 架构以及自动化整个边缘生命周期的实用指南，请阅读我们完整的电子书《在边缘释放商业价值》。