边缘计算可以就近提供智能互联服务，满足行业在数字化转型过程中的关键需求。物联网时代，不断增长的数据催生了对边缘计算的需求。据IDC预测，未来50%以上的数据需要在网络边缘进行分析、处理和存储。其巨大的市场空间也被玩家看到。2019年边缘计算将如何更好地推动物联网技术的发展？以下是关于边缘计算和物联网的7个预测。1.IIoT分析和机器学习(ML)公司将专注于衡量其交付计算的能力。随着越来越多的物联网项目采用以云为中心的解决方案，人工智能(AI)和物联网的下一步是如何使用更少的资源将算法带到边缘。据Gartner称，在未来四年内，75%的企业生成数据将在边缘（与云计算相对）进行处理，而如今这一比例不到10%。数据的大量增加、更高保真度的分析、更低的延迟要求、安全问题和巨大的成本优势都促成了边缘计算的兴起。虽然云是存储数据和训练机器学习模型的好地方，但它无法提供高保真实时流数据分析。相反，边缘技术提供对所有原始数据的高可靠性分析，可以检测各种异常，最重要的是，实时做出反应。2.需要正确区分“真”和“假”边解。与所有热门新技术一样，市场逐渐失去了“边缘计算”一词，但在物联网部署方面并没有明确的界限。“假”边缘解决方案声称它们可以在边缘处理数据，但实际方法是将数据发送回云端，在那里进行批处理或微批处理。当阅读边缘计算时，人们会假设假解决方案中没有复杂事件处理器(CEP)，这意味着该解决方案具有更高的延迟并且数据仍然“脏”，分析不准确，并且ML模型受到严重影响。“真正的”边缘智能始于超高效的CEP，该CEP可以清理、规范化和过滤原始数据流。此外，“真正的”边缘解决方案包括集成的ML和AI功能，这些功能需要嵌入到大大小小的边缘计算设备中。CEP功能应在边缘实现实时、可操作的分析，并为运营技术(OT)人员提供快速修复和优化的用户体验。它还为ML/AI分析提供数据，使系统能够生成高质量的预测洞察力，以推动资产绩效和流程改进。3.机器学习和人工智能模型将变得脆弱。将机器学习移动到边缘不仅仅是改变数据处理的位置。当今使用的大多数ML模型都是基于云计算功能和运行时设计的。由于这些假设都不成立，ML模型必须适应新环境。换句话说，他们需要被“边缘化”。2019年，“真正的边缘”解决方案会将数据预处理和后处理从ML模型转移到复杂的事件处理器，并使模型更接近数据源。这个过程称为边缘化，它将推动整个行业采用更强大的边缘计算和物联网应用程序。4.闭环边缘到云端机器学习将成为真正的运营解决方案。随着机器学习和人工智能算法在传感器附近或物联网网关中变得更加成熟，关于如何训练和进一步迭代这些模型的最佳实践将会出现。业内有关组织会发现，对实时流数据（包括音频和视频）进行分析的边缘设备应定期将结果发送回云端，只有那些发现异常数据的设备才是核心算法的重点。5.只有边缘计算解决方案支持多云和混合云部署，才会实施生产IOT应用。混合云和多云解决方案将主导工业接口的部署。最近的一份报告发现，到2023年，混合云市场将达到976.4亿美元。工业组织正在寻求将多云环境结合在一起，以提供更具成本效益的方法和灵活性。随着公司在构建云环境边缘时寻求具有更大灵活性的解决方案，供应商专有解决方案可能会走投无路。谷歌、亚马逊webservices、微软、C3IoT、Uptake等领先的云服务提供商将与边缘计算公司建立更多合作伙伴关系，帮助企业不断完善和扩展产品线。6.物联网视频和音频传感器将起飞，推动边缘深度学习。业界对音频和视频传感器可以为工业设备带来的功能感到兴奋。边缘计算技术可以在商业和工业物联网系统中进一步部署音频和视频数据方面发挥重要作用。将资产数据与音频和视频分析相结合，可以实现更快、更准确的设备和机器维护（包括系统运行状况更新等）。视频分析的一个例子是在石油和天然气运营中使用火炬监测来远程跟踪大量火炬塔的环境合规性和火炬状态。7.预防性维护将让位于规范性维护。IIoT边缘解决方案提供的一大承诺是预测性维护，它可以深入预测连接设备（例如制造设备或石油钻井平台）未来可能发生的情况。虽然许多组织在实施预测性维护方面仍然落后，但在2019年，早期采用者将可以获得更先进的技术。规范性维护是向前迈出的一步，使公司不仅可以预测问题，还可以使用数据分析来制定有针对性的运营和维护建议。例如，电梯制造商希望消除电梯门摩擦等常规问题。对于这项工作，他们可以与FogHorn合作创建预测性维护解决方案。通过在源头分析传感器数据，他们现在可以提前确定维护需求，而不必担心传输数据的高成本、高延迟、安全等问题。因此，公司可以在异常发生之前以有效的方式安排维护。原文链接：https://www.rfidjournal.com/articles/view?18111/3
