Aujourd'hui, les entreprises sont confrontées à plusieurs défis lorsqu'elles adoptent et déploient à grande échelle des solutions d'IA edge-to-cloud. L'intégration des données et des informations entre les appareils edge distribués et les systèmes cloud centralisés pose des problèmes d'interopérabilité, de latence et d'évolutivité. Les cycles de développement longs et les coûts de déploiement élevés ralentissent l'innovation en matière d'IA et limitent le retour sur investissement. La gestion de divers matériels, protocoles de communication et systèmes hérités ajoute encore à la complexité. La dépendance vis-à-vis d'un fournisseur limite la flexibilité dans le choix des appareils ou des plateformes, tandis que la maintenance et la mise à jour des modèles sur l'ensemble du continuum périphérique-cloud sont difficiles. De plus, les organisations ont du mal à mettre en place des architectures d'IA adaptables et pérennes qui prennent en charge l'apprentissage continu et la personnalisation.