組織很少為大規模物聯網和IIoT部署所涉及的數據海嘯做好準備。分析師估計，在未來幾年中，將有416億臺聯網的IoT設備生成79.4ZB的數據。而且，大約25%的數據將是實時的，這增加了組織必須計劃和克服的挑戰清單的復雜性。
本文將重點介紹當前物聯網項目中的關鍵差距、這些差距為何重要以及邊緣計算功能將如何增加物聯網可擴展性并取得成功。
云的狀態
大多數現代組織都依賴于云和舊平臺的組合來滿足基礎設施需求。但是，由于數據傳輸和處理成本，分析云中來自IoT傳感器的原始數據通常既昂貴又耗時。云延遲、帶寬和安全性挑戰仍然是重要的障礙，特別是對于產生高保真原始機器和物聯網傳感器數據的工業行業而言。因此，組織經常求助于使用縮減采樣或時間延遲的數據來平衡成本和及時性，從而容易遺漏數據異常。
盡管云是一種有效的數據建模和學習入口，但是由于傳輸和生態系統方面的考慮，它缺乏制造、石油和天然氣以及運輸等市場中的關鍵任務物聯網應用所需的實時功能。
引入邊緣優先部署
通過實施本機邊緣解決方案，組織可以在本地提取、豐富和分析數據，在清理的數據集上執行機器學習模型，并提供增強的預測能力。邊緣計算對于需要實時功能的各種IoT驅動的應用至關重要。考慮工人的健康和安全監控，包括溫度、面部防護和社交距離。安全問題或帶寬訪問受限的行業，例如采礦和車隊，也將從邊緣計算中受益匪淺。
請記住，邊緣優先的物聯網計劃并不能消除所有云的參與。實際上，邊緣解決方案依賴于云環境的無限資源來訓練和改進現有的機器學習模型。對實時流數據執行機器學習的邊緣設備必須定期檢查模型的準確性和環境隨時間的變化。
隨著模型準確性的下降，洞察力隨后被發送回云，其中包括代表異常活動的數據，這些數據需要對當前模型進行重新訓練。一旦對模型進行了微調，它們就會被推回邊緣，從而形成一個恒定的閉環過程，從而產生質量更高的預測見解，進而改善資產績效、過程改進和產品質量。
通過實時運行云邊緣版本的機器學習模型，組織可以從源頭上對感興趣的事件采取行動，做出反應和采取行動。這可以利用每個生態系統的優勢，確保物聯網、邊緣和云的和諧相互作用。此外，云邊緣混合解決方案可防止云鎖定，因為不同的用例可以將見解發布到一個或多個公共和私有云中。
物聯網的云優勢
云邊緣混合計劃將實時物聯網數據轉換為與生產效率和質量指標相關的可操作見解，運營經理可以使用這些見解來減少計劃外停機、最大化產量并提高機器利用率。例如，使用邊緣云混合策略，工廠可以提高產品質量。通過實時分析IoT傳感器數據，組織可以識別出超出先前定義的閾值和規則的任何值，構建和訓練機器學習模型以識別根本問題原因，并部署機器學習模型以自動停止生產有缺陷的零件。
此外，邊緣云洞察力使智能建筑運營人員可以監控能源使用并主動修改運營，以避免因能源系統過度工作而造成停電。管理人員和運營商無需依賴純云系統的延遲洞察力，而是可以實時訪問洞察力，從而更快地確定物聯網驅動的建筑系統糾紛的根本原因，并最終減少總體停機時間。
