将工业物联网想象成公司的神经系统：它是一个传感器网络，从生产工厂的每个角落收集有价值的信息并将其存储在数据库中,用于数据分析和利用。该网络对于测量和捕获数据以做出明智的决策是必不可少的。但接下来会发生什么？我们应该如何处理这些数据？我们总是谈论根据可靠的信息做出正确的决定，这听起来很明显，但实现起来并不总是那么容易。在本文中，我们将超越物联网，重点关注数据以及如何利用AIoT和数据分析。我们将专门讨论分析阶段，即首先将数据转化为信息然后转化为知识（有时称为业务逻辑）的过程。但是，最终我们不会偏离物联网的核心主题，因为对我们来说，没有大数据的物联网是没有意义的。大数据和数据分析近几十年来，尤其是在10年代，我们目睹了由无处不在的数字技术所产生的令人难以置信的海量数据（结构化和非结构化数据）。在工业界的特殊情况下，驾驭和充分利用这些海量信息是成功的关键。这种处理业务数据的需要导致了在很大程度上可以互换的术语“大数据”、“数据科学”和“数据分析”，我们可以将它们统称为我们检查设备网络捕获的数据的过程，旨在揭示隐藏的趋势、模式或相关性。这样做的根本目的是利用新型知识来改善业务。由于“大数据”是一个相对较新的术语，因此有不同的定义。其中，Gartner提供的定义概括了三个关键方面：数据量、数据类型和数据收集速度。这些通常被称为“3V”，尽管其他定义将它们扩展为“5V”并增加了数据的准确性及其为业务带来的价值。在我们看来，对大数据进行理论研究意义不大，因为由于数据收集设备无处不在，大数据分析和处理已经适用于工业世界的大部分地区。物联网和大数据之间有什么关系？主要连接点通常是数据库。一般来说，我们可以说物联网的工作止于这个数据库。换句话说，物联网的目标是将以或多或少有序的方式获取的所有数据转储到一个公共存储库中。大数据领域从访问这个存储库开始，以操作获取的数据并获取所需的信息。无论如何，将物联网大数据分析可视化为一个工具箱是很有用的。根据我们希望从数据中获取的信息和知识的类型，我们将从中提取一种或另一种工具。许多这些工具以传统算法的形式出现，以及这些算法的改进或改编，具有非常相似的统计和代数原理。这些算法不是本世纪发明的，这让许多想知道为什么它们现在比以前更有意义的人感到惊讶。答案是今天可用的数据量比最初构想上述算法时要多得多，但更重要的是，今天机器的计算能力允许这些技术在更大范围内使用，从而为旧方法提供新用途.然而，我们不想给人留下这样的印象，即一切都已经被发明出来了，而且数据分析的当前趋势并没有带来任何新的东西。事实恰恰相反。数据生态系统非常庞大，近年来出现了重大创新。增长最快的领域之一是人工智能。可以说，这不是最近的发明，因为早在1956年就已经讨论过这种现象。然而，人工智能是一个非常广泛的概念，其影响如此广泛，以至于它通常被认为是一门独立的学科。然而，现实情况是，在某些方面，它在大数据和数据分析中扮演着不可或缺的角色。它是另一个工具，已经包含在我们的隐喻工具箱中，但在AIoT中找到了自然演变。AIoT：物联网AI数据量的指数级增长需要新的分析方法。在这种情况下，人工智能就显得尤为重要。根据《福布斯》，主导科技行业的两个趋势是物联网（IoT）和人工智能。IoT和AI是两种相互独立的技术，但它们相互影响很大。虽然物联网可以被认为是一个数字神经系统，但人工智能同样将是一个先进的大脑，可以做出控制整个系统的决策。据IBM称，物联网的真正潜力只能通过引入AIoT来实现。但什么是人工智能，它与传统算法有何不同？当机器模仿人类的认知功能时，我们通常会谈论人工智能。也就是说，它以与人类相同的方式解决问题，或者假设机器可以找到理解数据的新方法。人工智能的优势在于它可以产生新的算法来解决复杂的问题。这是关键，独立于程序员的输入。因此，我们可以将一般的人工智能，特别是机器学习（这是人工智能中具有最大预计增长潜力的部分）视为发明算法的算法。边缘人工智能和云端人工智能物联网和人工智能的结合为我们带来了AIoT（物联网人工智能）的概念，即能够自行做出决策、评估这些决策的后果以及随着时间和连接系统的改进。这种组合可以通过多种方式完成，我们想强调其中两种。一方面，我们可以继续将人工智能概念化为一个处理所有冲动并做出决策的集中式系统。在这种情况下，我们指的是云中的一个系统，它集中接收所有遥测数据并相应地采取行动。这将被称为CloudAI（云端人工智能）。另一方面，我们还必须谈谈我们隐喻神经系统的一个非常重要的部分：反射。反射是由神经系统做出的自主决定，无需将所有信息发送到中央处理单元（大脑）。这些决策是在外围做出的，靠近数据的来源。这被称为边缘人工智能。EdgeAI和CloudAI的用例CloudAI提供了一个全面的分析过程，考虑了整个系统，而EdgeAI给了我们快速的反应和自主权。但就像人体一样，这两种反应方式并不相互排斥，实际上可以相互补充。例如，水控制系统可以在检测到泄漏时立即阻塞现场阀门，防止大量水流失，同时向中央系统发送通知，以便做出更高级别的决策，例如打开备选方案。阀门，它通过另一个回路转移水。可能性是无限的，可以超越这个简单的反应性维护示例，成为一个能够预测可能事件的复杂系统，从而实现预测性维护。AIoT数据分析的另一个例子可以在智能电网中找到，我们在边缘的智能设备分析每个节点的功率流并在本地做出负载平衡决策，同时将所有这些数据发送到云端进行分析，以产生一个更全面的国家能源战略。宏观层面的分析将允许在区域层面做出负载平衡决策，甚至可以通过关闭水电站或启动从邻国的购电程序来减少或增加电力生产。
