AI/ML不是一个新概念，但传统上是通过耗能巨大，价格昂贵的平台（许多用户一次共享）来使用它。由于集中式数据中心开始建立和使用对数据的存储和计算功能越来越依赖，因此集中化的数据中心使他们可以承受有限的CapEx和OpEx成本上涨。这是因为数据中心现象允许技术部门共享服务器，公用事业，冷却，房地产和安全性。此外，它还提供了根据需要扩展和缩减资源的能力，例如所需的计算和存储量。由于成本的共通性，AI/ML等新技术可以更快地实现
全球分布的数据中心的互联也为科技行业提供了使用地区性设施的能力。一家总部位于美国的物联网公司可以向欧洲消费者提供服务，而不会导致大西洋彼岸的延迟。数据在各大洲之间传输和路由，或者与地区隐私和数据保护法律的细微差别相抵触。如果你认为在灯被点亮之前有两秒延迟的照明开关不会符合消费者的期望，因此很难取得商业成功，那么这样的要求就很重要。

　　数据中心和云使新的国内和国际商机成为可能。开发商已经建立了新的机制来节省消费者和企业实体的资金。

　　酒店的制冰机可能需要维修，运营商不再需要推着维修车去营业；运营商只需要派一辆维修车，因为他们知道需要维修，从而为公司节省了数万美元的运营费用。

　　在设备发生故障之前，使用AI/ML查看这些微小的特征码可能很复杂，因为相关的特征码可能很微小，因此很微妙。这些变化可能是泵电机的振动，也可能是换热器或冷凝器的轻微温度变化：某些个人可能无法识别甚至无法看到的东西。联网制冰机的例子似乎并不能推动许多开发商将其理解为一个问题的数量，但考虑到这些问题或应用于仓库或酒店照明的商业模式。一个仓库里可能有成千上万个灯泡，每个灯泡都放在货架或机器上，需要移动这些灯泡来更换灯泡，而这又意味着可能在最关键的时刻停止生产线。

　　预测性维护和云分析正在成为一项大业务，AI/ML提供了一种对其生成的数据执行自动评估的简单方法。尽管如此，这些新的商业模式确实导致了海量数据的产生。这反过来又带来了新的有趣的技术挑战，开发人员和运营商现在需要应对这些挑战。

　　这些问题似乎是表面上的扩展问题——增加更多服务器、增加更多存储和其他基于数据中心的消耗品，但解决这些问题并不能解决数据管道另一端形成的越来越多的问题。

　　在大多数应用中，数据是由某种形式的传感器产生的，这需要功率和带宽。带宽还会根据设施的互联网上行链路和射频频谱进行消耗。发送可能代表“不变”的海量数据是昂贵的；无线电消耗大量电力，在繁忙的射频频谱中，它们通过传输重试消耗的能量甚至更多。更多的传感器导致射频环境更加繁忙，需要更多的电池维护。除了围绕电池寿命和本地带宽的问题外，一些应用程序可能更容易受到由此产生的安全问题的影响。大量数据可能会形成模式，如果被拦截，那些怀有恶意的人可能会利用这些模式。