要充分利用边缘计算数据，IT专业人员必须知道如何使用机器学习算法将数据分配给实时或传统的云计算流程。物联网的范围可以将组织的业务扩展到世界范围内，边缘计算也将随之扩展。企业必须了解如何使用边缘计算进行物联网数据管理，以跟上指数级数据增长并增强边缘计算数据安全性。与云计算的增长相比，边缘计算的扩张速度更快、范围更广。据研究公司Gartner预测，到明年年底，全球部署的物联网设备数量将达到近400亿台。因此，采用物联网设备的组织必须建立边缘计算处理资源。安全性可能是一个更大的问题，因为物联网具有很大的攻击面，这为黑客提供了巨大的机会，而物联网网络需要边缘计算网关来锁定设备输出。但边缘计算的作用远不止于此，以满足对物联网快速增长的期望。保护、共享、清理物联网数据边缘计算服务器的很大一部分负担是堵塞物联网和设备接入的云平台之间的管道漏洞。在交通管理和供应链运营等大规模场景中，边缘计算处理可能涉及将物联网数据动态路由到多个云，包括共享数据的合作伙伴组织的云。物联网数据还必须具有更多价值。物联网设备在其功能的任何领域都不符合通用标准，包括安全性、协议和容错。物联网硬件的使用寿命可以延长到20年，这增加了很多数据噪音。边缘计算服务器也很难处理数据干扰。实时响应和决策支持带来更大的问题安全和数据路由是主要挑战，但物联网数据管理现在是一个更大的挑战：物联网网络需要即时响应或实时决策支持，例如在工厂停电或交通系统时遇到障碍。在这种日趋日常化的场景下，根本没有时间往返云端处理数据、分析问题、返回结果。物联网技术必须在几秒钟内收到响应，而不是几小时或几分钟。这两种情况都需要动态响应。该技术需要补偿和响应物理环境的某些变化，例如温度突然变化或设备故障警告，或者根据意外中断更改复杂的工作流程，例如涉及货运的交通事故。触发响应的事件可能需要采取行动，干预的阈值本身可能是动态的。这就是人工智能发挥作用的地方。在没有时间或机会让人类工作人员参与的情况下，人工智能算法是处理需要动态响应的场景的绝佳方法。物联网本身必须是一个能够即时做出决策的智能系统，它需要实际工作和生活在边缘。边缘计算结构意味着物联网数据需要解析，不仅仅是通过家庭云和B2B合作伙伴云平台的内容，而是通过实时流程和更多传统流程所需的数据。根据定义，瞬态数据需要立即过滤到这些进程中。批量数据可临时存储，空闲时发送至云端。改善边缘的最佳实践包括两项关键创新。物联网数据管理任务，包括管理数据传输，应该发生在边缘而不是云端。物联网通常包括添加到现有集中式技术的新架构，因此很容易采用自上而下的方法来管理边缘计算收集的新数据。云计算系统不再是集中式端点，它们是众多目标中的一个。物联网技术在边缘执行大量闭环过程。从收集数据的服务器管理数据更有意义，尤其是当其路由和应用程序是动态的时。在企业软件行业开发交钥匙技术之前，最具成本效益的数据管理方式是通过自定义管道和微服务，它们可以在分散的流程中轻松维护和扩展。创建用于数据流量分析的仪表板很容易，Python是实现的绝佳选择。将模型和机器学习放在云端。如果特定物联网实施的目标是在物理环境中实现实时响应或实时决策支持，那么一个好的方法是将分析和人工智能与物联网技术分开。将模型和机器学习过程保存在云端。随着模型的变化，用于生成IoT分析的算法会按顺序更新。这需要一些额外的工作，但比在边缘部署机器学习要少得多，后者更难维护。如今，相关行业标准尚未推出，但由于安全是大多数组织在部署边缘计算服务器时面临的直接问题，因此通常是维护IT基础设施的人员。他们应该参与任何情况，但支持物联网数据管理和边缘计算流程需要包括数据架构师和企业解决方案架构师。没有非常有效的数据建模和为此优化的强大工作流，就无法完成路由和实时处理。
