網路傳輸的良莠，可說是物聯網應用是否得以達到預期目標的關鍵因素之一。只是過去探討物聯網應用，多數著重於前端裝置產出資料上傳到雲端平台執行統一管理與分析，實際上，網路頻寬資源本就有限，並且各個連網裝置部署的環境狀態差異相當大，必須先解決連網傳輸品質問題，應用才可能快速普及。
自從Alphabet子公司DeepMind開發出的AlphaGo陸續打敗世界圍棋高手，在全球一夕爆紅，等同是向世人展示人工智慧應用發展的成果。此後，大數據分析相關應用開始陸續採納各種演算法，輔助達到人力與機器來實踐，其中即包含物聯網應用。
只是如此一來，微軟專案技術經理陳建明指出，前端連網裝置勢必得具備部分機器學習演算法的能力，也就是基於近來相當火紅的邊緣運算（Edge Computing）架構，先執行第一層過濾、辨識，再把最後產出的結果，或無法辨識的資料傳送到雲端平台，以降低佔用的傳輸頻寬與往返雲端平台的延遲。
微軟資深應用架構技術協理李匡正觀察，Azure Cognitive Services或市場上其他人工智慧的API，都是透過雲端服務方式提供，因此技術上雖已具備，但是資料的收送、反應速度，則仍無法達到足夠的即時性。再加上物聯網應用發展，除了前端連網裝置須具備一般資料過濾與處理能力，也開始講究智慧，亦即透過訓練完成的演算法模型部署實現人工智慧，最後再介接雲端平台執行商業分析。
 |
| ▲採用Azure IoT Edge提供的模組降低開發與維護成本，讓閘道端設備不僅只是透過特殊通訊協定接取後端資料，執行初步資料過濾，亦可部署已訓練完成的演算模型，提升回應前端裝置的速度與判別資料的能力。 |
典型的應用即為在最接近接入層的位置建置精簡版Azure Stack，只要連接網路後即可由微軟更新系統。對於反應時間敏感度較高的應用場景，可就近先執行初步處理或回應，邊緣運算的架構即可符合這類應用需求，而非所有運算處理都得仰仗雲端平台來執行。「雲端服務供應商的角色，必須在產品開發完成後，得以在不大幅變動的前提下，快速地部署到邊緣端，以便增添應用所需的功能。微軟於今年Build 2017開發者大會中展示的Azure IoT Edge服務，即可用來輔助強化閘道端能力。」李匡正說。
畢竟不同應用場景所需的邊緣端規模差異相當大，因此在邊緣端（距離應用環境最接近的位置）部署具備GPU運算能力的設備，是可行性較高的架構模式。陳建明舉例，影像辨識的應用系統可運用深度學習演算法模型進行實作，但需要搭配GPU執行運算，問題是現階段多數連網裝置未搭載GPU晶片，只能利用雲端平台來協助。
其實特定領域可應用的演算模型通常發展已足夠成熟，目前較欠缺的部份，主要為友善的互動方式，讓非專業人員也可以參與訓練資料的過程，最後再設計一鍵發布方式部署到邊緣端。這也正是微軟積極發展的方向之一。