急救醫(yī)學領域有黃金時間(Golden hour)概念，即患者在受重傷后若獲及時治療，對其最終生存很重要。一旦錯過時機，后續(xù)治療效果會很有限。而物聯網(IoT)和實時分析也適用相同原則。

據Sensors Magazine報導，最新估計顯示，到2020年連網設備的數量將成長到200億~500億個。IoT在家庭和工業(yè)領域都將有大幅成長。但IoT系統(tǒng)和平臺大多使用云端分析，而會增加在設備上采取行動的時間。

這種時間延遲若發(fā)生在住宅內，可能會導致災難性后果；而在工業(yè)環(huán)境中若無法立即檢測及采取行動，則將影響安全、安保和機器故障。若利用云端方案，將無法夠快地提供數據，讓IoT得以有效用于任務關鍵型應用。此問題除已成為重大問題，且會隨IoT部署規(guī)模擴大而加劇。

為支持大量IoT設備從根本上縮短決策和行動時間，分析需盡可能靠近設備邊緣。邊緣分析則能透過在事件發(fā)生時提供實時可操作的見解來解決此問題。傳統(tǒng)大數據方法非常適合批次導向(batch-oriented)分析，但不適用于IoT所需的交互式實時分析。

有了大型機器、引擎或網絡中百萬臺較小設備產生的大量數據，就不可能在大規(guī)模地探勘數據同時仍能做出實時決定。流經這些網絡的數據既龐大又快速，因此需要主動分析框架來實時確定問題并采取行動。

企業(yè)若需要實時決策、行動和見解，就需要支持邊緣分析、云端分析、實時和歷史混合的架構。此原則適用于智能工廠、智慧城市、智能家庭等環(huán)境。

IoT產業(yè)開始意識到，從大量IoT設備中提供這些見解的最佳方式之一，就是在設備本身的網絡真實邊緣盡可能進行更多分析。這種架構使設備真正具智能性，可在數據流入設備時分析、檢測和處理數據。

將原始數據上傳到云端，加以分析并將行動傳回設備的傳統(tǒng)方法，會導致有礙于操作的時間延遲。但若在邊緣執(zhí)行分析和模式檢測，則能在需要立即采取行動的情況下實現幾乎實時的響應，例如提醒用戶設備或網絡遭受攻擊，或關閉顯示危險行為的引擎。

簡言之，數據移動到分析引擎的時間越長，可能產生有害影響的異常就越可能被忽略。透過使用邊緣分析、機器和智能傳感器，就能利用云端聚合非關鍵數據，并將其與來自設備的數據實時結合，以檢測異常情況和性能問題。

部署此模型的邊緣分析平臺為開發(fā)人員提供連接設備的輕松方法，使其能動態(tài)地將分析腳本部署到邊緣，并協(xié)調云端和邊緣之間的分布式分析。這使企業(yè)能藉異常檢測和實時、可操作的見解，實現IoT實時分析的全部潛力，并透過增加運算能力和實時智能的定制分析方案，而能利用整個IIoT領域的寶貴市場機會。展望未來，這也為機器學習和人工智能(AI)舖平道路。

人們現在生活在萬物連網的世界里，市場的整體動態(tài)正在發(fā)生變化，營運商、制造商、公用事業(yè)公司和醫(yī)療保健供應商都在考慮如何集成IoT，好以最高效、有利的方式來提供其服務。唯一辦法就是實時監(jiān)控、分析IoT正在創(chuàng)建的大量數據，并根據所得見解進行相應操作。

企業(yè)市場需要找到適合其期望的IoT方案。企業(yè)若能管理大量數據處理、監(jiān)控、診斷和服務管理，就能充分利用IoT的部署，但這一切都始于網絡的真實邊緣。企業(yè)若能承認這一點，則其關鍵數據不僅會保持活力，還會蓬勃發(fā)展。