人們可以將工業物聯網想象成企業的神經系統：它是一個傳感器網絡，可以從生產工廠的各個角落收集有價值的信息，并將其存儲在數據庫中以進行數據分析和利用。工業物聯網對于測量和獲取數據以做出明智的決定是必要的。但是接下來會發生什么?企業應該如何處理所有這些數據?人們通常了解根據可靠的信息才能做出正確的決策，雖然這聽起來很簡單，但實現該目標并不是那么容易。本文將超越物聯網，重點關注數據以及如何通過物聯網人工智能(AIoT)和數據分析來利用它。

[[440542]]

以下將專門討論分析階段，這個過程首先將數據轉化為信息，然后轉化為知識(有時也稱為業務邏輯)。然而，最終不會偏離物聯網的核心主題，因為沒有大數據的物聯網對人們來說毫無意義。

大數據和數據分析

幾十年來，特別是在20世紀10年代，人們目睹了數字技術大規模生成的數據(結構化和非結構化)的驚人泛濫。在工業世界的特殊情況下，充分利用大量信息對業務成功至關重要。

這種處理業務數據的需求催生了“大數據”、“數據科學”和“數據分析”等可互換的術語，人們可以將它們統稱為用來檢查設備網絡捕獲的數據所遵循的流程，目的是揭示模糊的趨勢、模式或相關性。這樣做的根本目標是使用新型知識改進業務。

因為它是最近創建的一個術語，所以對大數據有不同的定義。Gartner公司提供的其中一個術語概述了三個關鍵方面：數據量、數據種類和捕獲速度。這些通常被稱為3V，盡管其他定義對此進行了擴展，并將其變成了5V，增加了數據的真實性及其為業務帶來的價值。

但是，對于什么是大數據和不合格的數據進行理論探討并沒有多大意義，因為由于數據收集設備無處不在，大數據分析和處理已經適用于大范圍的工業世界。

物聯網和大數據

物聯網和大數據如何相互關聯?物聯網連接的主要點通常是數據庫。一般來說，物聯網的工作在數據庫中結束;換句話說，物聯網的目標是以或多或少有序的方式將所有獲取的數據轉儲到公共存儲庫中。大數據領域首先訪問該存儲庫以操作獲取的數據并獲取所需的信息。

無論如何，將物聯網的大數據分析可視化為一個工具箱是很有用的。根據人們想要從數據中獲取的信息和知識的類型，將從數據中提取一種或另一種工具。許多這些工具以傳統算法的形式出現，以及對這些算法的改進或改編，具有非常相似的統計和代數原理。

其回答是，現在可用的數據量比最初構想所述算法時要大得多，但更重要的是，當今機器的計算能力允許更大規模地使用這些技術，為舊方法提供新用途。

但是不要給人一種印象，“一切都已經被發明，當前的數據分析趨勢沒有帶來任何新的東西。”事實上恰恰相反，數據生態系統非常廣泛，近年來出現了重大創新。

其中增長最快的領域之一是人工智能，人工智能并不是新興技術，因為早在1956年就誕生了這一術語。然而，人工智能是一個如此廣泛的概念，其影響如此廣泛，以至于它通常被認為是一門獨立的學科。然而事實上，在某些方面，人工智能在大數據和數據分析中扮演著不可或缺的角色。而如今出現了AIoT的自然演變。

AIoT：物聯網的人工智能

數據量的指數級增長需要采用新的分析方法。在這種情況下，人工智能變得尤為重要。根據《福布斯》雜志的報道，主導科技行業的兩大趨勢是物聯網(IoT)和人工智能。

物聯網和人工智能是兩種相互獨立的技術，其相互影響很大。雖然物聯網可以被認為是數字神經系統，但人工智能同樣是一種先進的大腦，能夠做出控制整個系統的決策。IBM公司表示，物聯網的真正潛力只有通過引入AIoT才能實現。

但什么是人工智能，它與傳統算法有何不同?

當機器模仿人類的認知功能時，人們通常會談論人工智能。也就是說，它以與人類相同的方式解決問題，或者假設機器能夠找到理解數據的新方法。人工智能的優勢在于它能夠生成新算法來解決復雜問題，而這是關鍵，因為其獨立于程序員的輸入。因此，人們可以將人工智能視為發明算法的算法，特別是機器學習(這是人工智能中預計增長潛力最大的部分)。

物聯網人和人工智能的結合為人們帶來了AIoT的概念，即能夠自行做出決策、評估這些決策的結果，并隨著時間不斷改進的智能互聯系統。

這種組合可以通過多種方式完成，在此強調其中的兩種：

(1)一方面，可以繼續將人工智能概念化為一個處理各種決策的集中式系統。在這種情況下指的是云平臺中的一個系統，它集中接收所有遙測數據并相應地采取行動。這將被稱為云人工智能(CloudAI)。

(2)另一方面，還必須談論隱喻神經系統的一個非常重要的部分：反射。反射是神經系統做出的自主決定，無需將所有信息發送到中央處理器(大腦)。這些決定是在其外圍做出的，靠近數據的來源。這稱為邊緣人工智能(EdgeAI)。

邊緣人工智能和云人工智能的用例

云人工智能提供了一個全面的分析過程，將整個系統考慮在內，而邊緣人工智能則為人們提供了快速響應和自主權。但與人體一樣，這兩種反應方式并不相互排斥，實際上可以互補。

例如，給水控制系統可以在檢測到泄漏時立即關閉閥門，同時向中央系統發送通知，中央系統可以在那里做出更高級別的決策，例如打開通過另一個回路引導水的替代閥門。

這種可能性是無限的，可以超越反應性維護的這個簡化示例，復雜的系統能夠預測可能發生的事件，從而實現預測性維護的可能性。

AIoT用于數據分析的另一個例子可以在智能電網中找到，在智能電網的邊緣，通常有智能設備分析每個節點的電力流量，并在本地做出負載平衡決策，同時它將所有這些數據發送到云平臺進行分析，以生成更全面的能源戰略。宏觀層面的分析將允許在區域層面做出負載平衡決策，甚至通過關閉水電站或啟動購電流程來減少或增加電力生產。