影響工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)的的趨勢是怎樣的

事實證明，2019年是物聯(lián)網(wǎng)技術(shù)取得更大進展的一年，尤其是在商業(yè)和工業(yè)物聯(lián)網(wǎng)領(lǐng)域。為了展望未來發(fā)展，需要了解推動這一領(lǐng)域進步的七大趨勢，從計算規(guī)模到真正邊緣計算的價值，從閉環(huán)邊緣到云計算機器學習等等。

1.工業(yè)物聯(lián)網(wǎng)分析和機器學習公司需要衡量它們在計算量很小的情況下的表現(xiàn)

隨著工業(yè)物聯(lián)網(wǎng)項目逐漸遠離以云計算為中心的方法，人工智能和工業(yè)物聯(lián)網(wǎng)演進的下一步將滿足將算法轉(zhuǎn)換為邊緣計算工作的需求，而占用空間要小得多。

據(jù)調(diào)研機構(gòu)Gartner公司表示，在未來四年內(nèi)，75%的企業(yè)生成數(shù)據(jù)將在邊緣處理（相對于云計算），高于當今的10%。向邊緣計算的轉(zhuǎn)移不僅取決于數(shù)據(jù)的大量增加，還需要更高的保真度分析、更低的延遲要求、安全問題，以及巨大的成本優(yōu)勢。

雖然云端是存儲數(shù)據(jù)和培訓機器學習模型的好地方，但它不能提供高保真的實時流數(shù)據(jù)分析。相比之下，邊緣計算技術(shù)可以分析所有原始數(shù)據(jù)，并提供最高的保真度分析，并增加檢測異常的可能性，從而實現(xiàn)即時反應(yīng)。成功的測試將是在盡可能小的范圍內(nèi)實現(xiàn)的“能力”或計算能力的數(shù)量。

2.了解“真實”與“虛假”邊緣解決方案

與所有熱門新技術(shù)一樣，有些市場已經(jīng)不再使用“邊緣計算”這一術(shù)語，它在工業(yè)物聯(lián)網(wǎng)部署中的構(gòu)成沒有明確的界限?！疤摷佟边吘壗鉀Q方案聲稱可以在邊緣處理數(shù)據(jù)，但真正依賴于將數(shù)據(jù)發(fā)送回云端進行批處理或小批量處理。

在了解有關(guān)邊緣計算的內(nèi)容時，“虛假” 邊緣計算被認為是沒有復雜事件處理器（CEP）的偽造數(shù)據(jù)，這意味著延遲更高，并且數(shù)據(jù)仍然很“臟”，使分析更不準確，機器學習（ML）模型受到嚴重影響。

“真實”邊緣計算從一個超高效的復雜事件處理器（CEP）開始，該復雜事件處理器（CEP）在生產(chǎn)過程中清理、規(guī)范化、過濾、場景化以及或原始的工業(yè)數(shù)據(jù)。此外，“真實”的邊緣解決方案包括集成的機器學習和人工智能功能，所有這些功能都嵌入到最小（和最大）的計算足跡中。

復雜事件處理器（CEP）功能應(yīng)在工業(yè)邊緣現(xiàn)場進行實時，可操作的分析，并為操作技術(shù)（OT）人員的快速補救提供優(yōu)化的用戶體驗。它還為最佳機器學習/人工智能性能準備數(shù)據(jù)，生成最高質(zhì)量的預(yù)測見解，以推動資產(chǎn)績效和流程改進。

真正的邊緣計算可以節(jié)省大量的成本，并提高效率和數(shù)據(jù)洞察力，使希望走上真正的數(shù)字化轉(zhuǎn)型之路的工業(yè)組織得以實現(xiàn)。

3. 機器學習/人工智能模型變得很脆弱

將機器學習（ML）移動到邊緣并不僅僅是改變處理發(fā)生位置的問題。目前使用的大多數(shù)機器學習（ML）模型都是基于云計算能力、運行時間、計算的假設(shè)而設(shè)計的。由于這些假設(shè)在邊緣不成立，機器學習（ML）模型必須適應(yīng)新環(huán)境。

換句話說，他們需要“邊緣化”。在2019年，“真正”的邊緣解決方案將使數(shù)據(jù)預(yù)處理和后處理從機器學習（ML）模型重新定位到復雜的事件處理器，將它們縮小80%，并使模型更接近數(shù)據(jù)源。這個過程稱為邊緣化，它將推動整體采用更強大的邊緣計算和工業(yè)物聯(lián)網(wǎng)應(yīng)用程序。

4.閉環(huán)邊緣到云計算機器學習將成為真正的運營解決方案

隨著機器學習（ML）和人工智能算法變得“邊緣化”，可以在傳感器附近或物聯(lián)網(wǎng)網(wǎng)關(guān)或其他工業(yè)計算選項內(nèi)使用，關(guān)于如何訓練和進一步迭代這些模型的最佳實踐將會出現(xiàn)。

工業(yè)組織將發(fā)現(xiàn)，在實時流數(shù)據(jù)（包括音頻和視頻）上生成分析結(jié)果的邊緣設(shè)備應(yīng)定期向云端發(fā)送洞察信息，但只有那些代表異?；顒拥脑O(shè)備才能保證核心算法的轉(zhuǎn)變。

這些邊緣洞察增強了模型，顯著提高了其預(yù)測能力。然后，調(diào)整后的模型被推回到一個恒定的閉環(huán)中，對不斷變化的條件和規(guī)范做出快速反應(yīng)，并生成更高質(zhì)量的預(yù)測洞察，以改進資產(chǎn)性能和流程改進。

5.生產(chǎn)工業(yè)物聯(lián)網(wǎng)應(yīng)用程序?qū)H通過支持多云和混合云部署的邊緣計算解決方案實施

混合云和多云解決方案將主導工業(yè)物聯(lián)網(wǎng)的部署。最近的一份調(diào)查報告發(fā)現(xiàn)，混合云市場規(guī)模到2023年將達到97.64億美元。隨著工業(yè)組織希望將多云環(huán)境結(jié)合在一起，以提供更具成本效益的方法和靈活性，邊緣解決方案與云計算無關(guān)很重要。

隨著企業(yè)在構(gòu)建邊緣到云計算環(huán)境時尋求更大的靈活性和選擇自由，供應(yīng)商獨有的解決方案可能會開始落空。Google、AWS、Microsoft、C3IoT、Uptake和其他領(lǐng)先的云計算提供商將與邊緣計算公司建立更多合作伙伴關(guān)系，以幫助企業(yè)不斷改進和擴展其產(chǎn)品。

6.物聯(lián)網(wǎng)視頻和音頻傳感器快速發(fā)展，推動了邊緣深度學習的需求

關(guān)于音頻和視頻傳感器可以為工業(yè)物聯(lián)網(wǎng)帶來的功能，業(yè)界對此十分關(guān)注。邊緣計算技術(shù)可以在商業(yè)和工業(yè)物聯(lián)網(wǎng)系統(tǒng)中進一步部署音頻和視頻數(shù)據(jù)中發(fā)揮重要作用。

資產(chǎn)數(shù)據(jù)與音頻和視頻分析的融合將允許更快、更準確的設(shè)備和機器維護（包括系統(tǒng)運行狀況更新等），以及一系列新的創(chuàng)新應(yīng)用。視頻分析的一個例子是在石油和天然氣生產(chǎn)設(shè)備中使用火炬監(jiān)測來遠程跟蹤大量火炬塔臺的環(huán)境合規(guī)性和火炬狀態(tài)。

7.預(yù)防性維護讓位于規(guī)范性維護

工業(yè)物聯(lián)網(wǎng)邊緣解決方案提供的一項重大承諾是預(yù)測性維護，可以深入了解未來連接資產(chǎn)（如制造設(shè)備或石油鉆井平臺）可能發(fā)生的情況。雖然許多組織仍然落后于預(yù)測性維護，但2019年將向早期采用者提供更先進的技術(shù)。

規(guī)范性維護是企業(yè)向前邁進的一步，不僅可以預(yù)測問題，而且能夠使用數(shù)據(jù)分析為其運營和維護提供注重結(jié)果的建議。

例如，電梯制造商希望了解常規(guī)問題，例如電梯門的摩擦。作為這項工作的一部分，他們與Foghorn公司合作創(chuàng)建預(yù)測性維護解決方案。通過分析源頭處的傳感器數(shù)據(jù)，他們現(xiàn)在可以提前很好地確定維護需求，而無需考慮成本、延遲、安全性，以及與建筑外部傳輸大量數(shù)據(jù)相關(guān)的其他問題。因此，它可以高效地在異常影響性能之前調(diào)度服務(wù)。

當規(guī)定性維護可用時，在制造商在電梯上進行維護之前，他們將有可用的數(shù)據(jù)來尋找出最可能需要維修的區(qū)域，并向維修人員驗證可用于維修的專業(yè)知識、工具、部件。