组织很少为大规模物联网和工业物联网部署中涉及的数据海啸做好准备。分析师估计，未来几年，416亿台联网的物联网设备将产生79.4ZB的数据。而且，大约25%的数据将是实时的，增加了组织必须计划和克服的挑战清单。本文将重点介绍当前物联网项目中的主要差距，为什么这些差距很重要，以及边缘计算功能将如何提高物联网的可扩展性和成功率。云的状态大多数现代组织都依赖云和遗留平台的组合来满足其基础设施需求。然而，由于数据传输和处理成本，在云端分析来自物联网传感器的原始数据通常既昂贵又耗时。云延迟、带宽和安全挑战仍然是重大障碍，特别是对于生产高保真原始机器和物联网传感器数据的工业行业。因此，组织经常求助于使用下采样或时间延迟的数据来平衡成本和及时性，从而很容易错过数据异常。虽然云是数据建模和学习的有效切入点，但出于运输和生态系统方面的考虑，它缺乏制造、石油和天然气以及运输等市场中关键任务物联网应用程序所需的实时功能。引入边缘优先部署通过实施原生边缘解决方案，组织可以在本地摄取、丰富和分析数据，在清理后的数据集上执行机器学习模型，并提供增强的预测能力。边缘计算对于需要实时功能的各种物联网驱动的应用程序至关重要。考虑监测员工的健康和安全，包括体温、面罩和社交距离。存在安全问题或带宽访问受限的行业，例如采矿和车队，也将从边缘计算中受益匪浅。请记住，边缘优先的物联网计划并不能消除所有云参与。事实上，边缘解决方案依靠云环境的无限资源来训练和改进现有的机器学习模型。对实时流数据执行机器学习的边缘设备必须定期检查模型的准确性以及环境随时间的变化。随着模型的准确性下降，洞察力随后被发送回云端，包括代表需要重新训练当前模型的异常活动的数据。一旦模型经过微调，它们就会被推回边缘，创建一个持续的闭环流程，产生更高质量的预测洞察力，进而提高资产绩效、流程改进和产品质量。通过实时运行机器学习模型的云边缘版本，组织可以在源头对感兴趣的事件采取行动、做出反应并采取行动。这利用了每个生态系统的优势，确保物联网、边缘和云的和谐互动。此外，云边混合解决方案可防止云锁定，因为不同的用例可以将见解发布到一个或多个公共云和私有云。物联网的云边混合计划将实时物联网数据转化为与生产效率和质量指标相关的可操作见解，运营经理可以使用这些见解来减少计划外停机时间，最大限度地提高生产率并提高机器利用率。例如，使用边缘云混合策略，工厂可以提高产品质量。通过实时分析物联网传感器数据，组织可以识别任何超出先前定义的阈值和规则的值，构建和训练机器学习模型以识别问题的根本原因，并部署机器学习模型以自动停止生产有缺陷的零件.此外，边缘云洞察力使智能建筑运营商能够监控能源使用情况并主动修改运营，以避免因能源系统过度工作而导致停电。管理者和操作员无需依赖纯云系统的延迟洞察力，而是可以实时获取洞察力，从而更快地确定物联网驱动的建筑系统纠纷的根本原因，并最终减少整体停机时间。
