鑒于全球大流行，數據可訪問性、可視性和互聯性已成為動蕩時期實施的業務敏捷性戰略的關鍵組成部分。事實上，物聯網的應用在過去幾年中激增，并繼續穩步上升。不幸的是，隨著企業在預算限制更大、試驗和錯誤空間更小的時期擴大現有物聯網的努力，許多企業都遇到了嚴峻的挑戰。

組織很少為全面物聯網和工業物聯網部署中涉及的數據海嘯做好準備。分析師估計，未來幾年將有416億臺聯網物聯網設備產生79.4ZB的數據。此外，大約25%的數據本質上是實時的，這增加了組織必須計劃和克服的挑戰列表的復雜性。本文將重點介紹當前物聯網項目中的關鍵差距，為什么這些差距很重要，以及邊緣計算功能將如何提高物聯網的可擴展性和成功向前發展。

[[418246]]

云的狀態

大多數現代組織依靠云和傳統平臺的組合來滿足基礎設施需求。然而，由于數據傳輸和處理成本，分析來自云中物聯網傳感器的原始數據通常既昂貴又耗時。云延遲、帶寬和安全挑戰仍然是一個重大障礙，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。因此，組織經常使用下采樣或時間延遲的數據來平衡成本和及時性，從而很容易遺漏數據中的異常情況。

盡管云是一種有效的數據建模和學習門戶，但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

通過實施邊緣原生解決方案，組織可以在本地攝取、豐富和分析數據，在清理過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物聯網驅動的用例至關重要。想想工人的健康和安全監測，包括溫度、面部保護和社會疏遠。存在安全問題或帶寬訪問受限的行業，例如采礦和車隊，也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的云參與。事實上，邊緣解決方案依靠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準確性和環境隨時間的變化。隨著模型準確性的漂移，洞察隨后會被發送回云端，其中包括代表需要重新訓練當前模型的異常活動的數據。一旦模型經過微調，它們就會被推回到邊緣，從而形成一個持續的、閉環的過程，產生更高質量的預測洞察力，以提高資產績效、流程改進和產品質量。

通過實時運行機器學習模型的云邊緣版本，組織能夠在源頭對感興趣的事件采取行動、做出反應和積極行動。這確保了物聯網、邊緣和云的和諧相互作用，利用每個生態系統的優勢。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洞察力發布到一個或多個公共云和私有云中。

物聯網的云邊緣優勢

云邊緣混合計劃將實時物聯網數據轉化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時間、最大限度地提高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。通過實時分析物聯網傳感器數據，組織可以識別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的原因，并部署機器學習模型以自動停止缺陷零件的生產.

此外，邊緣云洞察力允許智能建筑運營人員監控能源使用情況并主動修改運營以避免因能源系統過度工作而中斷。管理人員和操作員可以實時訪問洞察，而不是依賴來自純云系統的延遲洞察，從而更快地確定物聯網驅動的建筑系統爭議的根本原因，并最終減少整體停機時間。