卡特彼勒是重型机械的代名词，90多年来，其产品一直在帮助用户建设更美好的世界。Caterpillar在过去20年里一直在推动行业领先的连接解决方??案，于1999年推出了第一款远程信息处理设备，现在正通过先进的数据科学和物联网解决方案支持数字战略。通过车载计算机、传感器和摄像头，大约一百万资产正在向公司传输数据以进行大规模高级物联网分析，包括时间序列数据、机器健康警报、燃料使用情况、GPS位置和操作员使用情况。借助数据，卡特彼勒的物联网分析技术能够以更低的总成本、更高的生产率和安全性、更低的维护成本为用户创造价值。使用分析来了解机器和设备组件何时需要维修和更换，如何高效运行以提高产量、降低运营成本、延长设备寿命等。那么，物联网分析的未来是什么？让我们从了解物联网领域的趋势和挑战开始。趋势：数据量不断增加。挑战：可用数据的质量。工业物联网是用于分析的数据生成引擎：一辆大型现代卡车有100多个传感器，每个传感器都以每秒一次或更快的速度生成和处理数据。在处理如此大量的数据时，分析人员可能会遇到质量问题，如批量信息缺失、通道缺失、传感器故障、提取信息错误、数据提取和传输过程中出现故障等。这些问题导致数据科学家将更多时间花在数据质量控制上而不是数据分析上。行动：投资于数据质量监控和改进。这会带来长期的好处，随着数据量的不断增加，未来解决数据质量的问题会越来越难。趋势：“监督式”分析模型将成为主流。挑战：缺乏质量基本规则。监督模型更易于准确估计，因此是首选模型。然而，监督模型很难在处理数据质量问题（包括真实数据质量）之间实现高精度。行动：专注于“无监督”模型，但构建与监督模型兼容的基础设施，并继续提高数据质量。随着基础设施被构建为自动标记数据，向监督模型的过渡可能会逐渐发生。趋势：自动化分析。挑战：由于人为参与，算法缺乏透明度，限制了可扩展性。物联网数据分析的最终目标是完全自动化任务，让人类专家专注于最复杂的问题。这是最有效和最具成本效益的方法。然而，大多数机器学习算法都是黑盒算法，做出的决策往往难以解释和新手。行动：投资于员工培训、教育和建立对所有模式的信任。还要投资一个可以向人类用户解释模型的解决方案。模型的响应越透明，分析自动化的可能性就越大。趋势：迁移到云端。挑战：数据连接问题、分析决策延迟和基础设施成本。行动：在大多数情况下，将数据、分析和其他服务迁移到云是有意义的，云提供了可扩展性和减少开销的现收现付方法。同时也带来了数据延迟的问题，因此在某些情况下无法依靠云端进行实时物联网数据分析。行动：规划灵活、集成和可靠的端到端分析解决方案，从边缘分析到云分析。该解决方案平衡了连接性、延迟和成本。趋势：从批处理数据转向流式处理和实时分析。挑战：改变现有基础架构的复杂性分析的总体趋势是从批处理数据转向实时处理，这是一个代价高昂的转变。行动：为未来做打算，这个转型是未来的趋势，所以必须尽快转型。客户需求、技术进步和竞争压力最终将支持更多的流媒体应用。趋势：物联网数据无处不在。挑战：数据IP、所有权、安全性和治理。将所有物联网数据集中在一个地方并为所有团队提供数据访问权限是加快产品和技术开发、降低成本、创新和改善协作的最佳方式。然而，新的数据问题将会出现：谁拥有哪些数据，谁可以访问哪些数据，他们是否有权使用这些数据，以及如何处理高度机密的数据。这些都需要不断完善法律法规和行业标准来支持物联网数据的使用。行动：建立强大的数据治理和安全流程，并尽可能多地利用根云服务提供商的服务。
