事實(shí)證明，2019年是物聯(lián)網(wǎng)技術(shù)取得更大進(jìn)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(lái)發(fā)展，需要了解推動(dòng)這一領(lǐng)域進(jìn)步的七大趨勢(shì)，從計(jì)算規(guī)模到真正邊緣計(jì)算的價(jià)值，從閉環(huán)邊緣到云計(jì)算機(jī)器學(xué)習(xí)等等。

1.工業(yè)物聯(lián)網(wǎng)分析和機(jī)器學(xué)習(xí)公司需要衡量它們?cè)谟?jì)算量很小的情況下的表現(xiàn)

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

據(jù)調(diào)研機(jī)構(gòu)Gartner公司表示，在未來(lái)四年內(nèi)，75%的企業(yè)生成數(shù)據(jù)將在邊緣處理（相對(duì)于云計(jì)算），高于當(dāng)今的10%。向邊緣計(jì)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(wèn)題，以及巨大的成本優(yōu)勢(shì)。

雖然云端是存儲(chǔ)數(shù)據(jù)和培訓(xùn)機(jī)器學(xué)習(xí)模型的好地方，但它不能提供高保真的實(shí)時(shí)流數(shù)據(jù)分析。相比之下，邊緣計(jì)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(cè)異常的可能性，從而實(shí)現(xiàn)即時(shí)反應(yīng)。成功的測(cè)試將是在盡可能小的范圍內(nèi)實(shí)現(xiàn)的“能力”或計(jì)算能力的數(shù)量。

2.了解“真實(shí)”與“虛假”邊緣解決方案

與所有熱門新技術(shù)一樣，有些市場(chǎng)已經(jīng)不再使用“邊緣計(jì)算”這一術(shù)語(yǔ)，它在工業(yè)物聯(lián)網(wǎng)部署中的構(gòu)成沒(méi)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(jìn)行批處理或小批量處理。

在了解有關(guān)邊緣計(jì)算的內(nèi)容時(shí)，“虛假” 邊緣計(jì)算被認(rèn)為是沒(méi)有復(fù)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(zhǔn)確，機(jī)器學(xué)習(xí)（ML）模型受到嚴(yán)重影響。

“真實(shí)”邊緣計(jì)算從一個(gè)超高效的復(fù)雜事件處理器（CEP）開始，該復(fù)雜事件處理器（CEP）在生產(chǎn)過(guò)程中清理、規(guī)范化、過(guò)濾、場(chǎng)景化以及或原始的工業(yè)數(shù)據(jù)。此外，“真實(shí)”的邊緣解決方案包括集成的機(jī)器學(xué)習(xí)和人工智能功能，所有這些功能都嵌入到最?。ê妥畲螅┑挠?jì)算足跡中。

復(fù)雜事件處理器（CEP）功能應(yīng)在工業(yè)邊緣現(xiàn)場(chǎng)進(jìn)行實(shí)時(shí)，可操作的分析，并為操作技術(shù)（OT）人員的快速補(bǔ)救提供優(yōu)化的用戶體驗(yàn)。它還為最佳機(jī)器學(xué)習(xí)/人工智能性能準(zhǔn)備數(shù)據(jù)，生成最高質(zhì)量的預(yù)測(cè)見解，以推動(dòng)資產(chǎn)績(jī)效和流程改進(jìn)。

真正的邊緣計(jì)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(shí)現(xiàn)。

3. 機(jī)器學(xué)習(xí)/人工智能模型變得很脆弱

將機(jī)器學(xué)習(xí)（ML）移動(dòng)到邊緣并不僅僅是改變處理發(fā)生位置的問(wèn)題。目前使用的大多數(shù)機(jī)器學(xué)習(xí)（ML）模型都是基于云計(jì)算能力、運(yùn)行時(shí)間、計(jì)算的假設(shè)而設(shè)計(jì)的。由于這些假設(shè)在邊緣不成立，機(jī)器學(xué)習(xí)（ML）模型必須適應(yīng)新環(huán)境。

換句話說(shuō)，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(jī)器學(xué)習(xí)（ML）模型重新定位到復(fù)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(gè)過(guò)程稱為邊緣化，它將推動(dòng)整體采用更強(qiáng)大的邊緣計(jì)算和工業(yè)物聯(lián)網(wǎng)應(yīng)用程序。

4.閉環(huán)邊緣到云計(jì)算機(jī)器學(xué)習(xí)將成為真正的運(yùn)營(yíng)解決方案

隨著機(jī)器學(xué)習(xí)（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(jì)算選項(xiàng)內(nèi)使用，關(guān)于如何訓(xùn)練和進(jìn)一步迭代這些模型的最佳實(shí)踐將會(huì)出現(xiàn)。

工業(yè)組織將發(fā)現(xiàn)，在實(shí)時(shí)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?dòng)的設(shè)備才能保證核心算法的轉(zhuǎn)變。

這些邊緣洞察增強(qiáng)了模型，顯著提高了其預(yù)測(cè)能力。然后，調(diào)整后的模型被推回到一個(gè)恒定的閉環(huán)中，對(duì)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(cè)洞察，以改進(jìn)資產(chǎn)性能和流程改進(jìn)。

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

混合云和多云解決方案將主導(dǎo)工業(yè)物聯(lián)網(wǎng)的部署。最近的一份調(diào)查報(bào)告發(fā)現(xiàn)，混合云市場(chǎng)規(guī)模到2023年將達(dá)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(jì)算無(wú)關(guān)很重要。

隨著企業(yè)在構(gòu)建邊緣到云計(jì)算環(huán)境時(shí)尋求更大的靈活性和選擇自由，供應(yīng)商獨(dú)有的解決方案可能會(huì)開始落空。Google、AWS、Microsoft、C3IoT、Uptake和其他領(lǐng)先的云計(jì)算提供商將與邊緣計(jì)算公司建立更多合作伙伴關(guān)系，以幫助企業(yè)不斷改進(jìn)和擴(kuò)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(dòng)了邊緣深度學(xué)習(xí)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(lái)的功能，業(yè)界對(duì)此十分關(guān)注。邊緣計(jì)算技術(shù)可以在商業(yè)和工業(yè)物聯(lián)網(wǎng)系統(tǒng)中進(jìn)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(zhǔn)確的設(shè)備和機(jī)器維護(hù)（包括系統(tǒng)運(yùn)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(gè)例子是在石油和天然氣生產(chǎn)設(shè)備中使用火炬監(jiān)測(cè)來(lái)遠(yuǎn)程跟蹤大量火炬塔臺(tái)的環(huán)境合規(guī)性和火炬狀態(tài)。

7.預(yù)防性維護(hù)讓位于規(guī)范性維護(hù)

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

規(guī)范性維護(hù)是企業(yè)向前邁進(jìn)的一步，不僅可以預(yù)測(cè)問(wèn)題，而且能夠使用數(shù)據(jù)分析為其運(yùn)營(yíng)和維護(hù)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(wèn)題，例如電梯門的摩擦。作為這項(xiàng)工作的一部分，他們與Foghorn公司合作創(chuàng)建預(yù)測(cè)性維護(hù)解決方案。通過(guò)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(hù)需求，而無(wú)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(wèn)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(dāng)規(guī)定性維護(hù)可用時(shí)，在制造商在電梯上進(jìn)行維護(hù)之前，他們將有可用的數(shù)據(jù)來(lái)尋找出最可能需要維修的區(qū)域，并向維修人員驗(yàn)證可用于維修的專業(yè)知識(shí)、工具、部件。

責(zé)任編輯：ct