通過接近逃離數據引力
如果你準備在TensorFlow上部署并運行一個大規模的機器學習模型，你可能會認為將其部署到公有云是最好的選擇。Amazon SageMaker、Azure machine Learning 和 GCP 的 TensorFlow Enterprise 都是數據科學家可以用來試驗、開發、測試和部署生產深度學習模型的選項。這些公有云中會有一個是最佳選項嗎？
如果我告訴你，該模型每30天都要針對跨企業數據中心的多個數據倉庫和數據湖的多PB 數據集重新訓練一次，那么將所有這些數據移動到公有云，以便在那里訓練機器學習模型，是否更高效、更具成本效益？還是在靠近所有數據所在的私有云中訓練機器學習模型會更好？
如果我正在配置基于事件驅動架構的控制系統，該怎么辦？另外，如果這是一個需要從數十個SaaS平臺收集行為數據的大型廣告公司，那么我可能會將系統部署到公有云中。但如果這是一家是制造商，數據來自數以千計的物聯網傳感器，而工廠卻位于南美洲的偏遠地區，我是否還應該在邊緣部署私有云來執行此數據處理？
這些示例說明了在考慮公有云與私有云部署時的兩個重要概念。第一個是數據引力，該術語表明大型數據集對其使用的應用程序和服務具有引力。將這些應用程序和服務部署在它們最大的數據集附近，可以讓它們運行得更快、更便宜、更可靠。第二個是延遲，當操作在遠程時，延遲可能是一個重要因素，它使高帶寬和可靠的連接變得不可用也不昂貴。在這些情況下，在邊緣部署的私有云可提供性能和成本優勢。
構建需要人身安全的應用程序
由于大多數架構良好的電子商務應用程序都可以在公有云或私有云中很好地運行，因此公司在做決策時通常會考慮成本、合規性和其他運營因素，對于許多支持業務工作流、分析、交易和協作的應用程序也是如此。
但是將人身安全作為設計考慮的因素，你可能會有不同的感受。醫院要求醫療系統在本地運行，因為沒有人希望，在有機器人輔助的手術過程中，因公有云中斷而停止手術。
智慧建筑和智慧城市實施的架構師必須策略性地考慮在私有云和公有云之間分發服務，并且他們肯定希望在混合模型中部署對生命至關重要的服務。
構建數字和物理世界的交叉體驗
在接下來的十年中，我們將見證越來越多將物理世界和數字世界連接起來的應用程序。企業架構師必須考慮混合架構，來優化這一交叉點上不斷增長的參數列表，其中包括用戶體驗、性能、可靠性、可擴展性和可維護性。
羅克韋爾自動化公司企業架構副總裁 Todd Mazza 分享了他的看法。他說：“在未來五年左右的時間里，我生產車間里的某些地方可能依舊不會進入混合云或公有云。但是，如果我能證明，我可以用更低的成本生產更多更可靠的產品，我可能會更快地向混合云發展。”
隨著越來越多的企業開始大規模利用物聯網、5G 和人工智能開發應用程序，風險也在隨之增加。
這意味著，越來越多的應用程序將對架構、云和基礎設施的決策作為關鍵的設計考慮因素。雖然在公有云上實施概念驗證或輕量級移動應用程序可能是一個簡單的決定，但更多關于關鍵任務、支持生命的應用程序和數據密集型的應用程序可能需要混合多云部署。
本文來自【計算機世界】，僅代表作者觀點。
