事实证明，2019年是物联网技术取得更大进步的一年，尤其是在商业和工业物联网领域。展望未来，重要的是要了解推动该领域进步的七大趋势，从计算规模到真正边缘计算的价值，从闭环边缘到云机器学习等等。1.IIoT分析和机器学习公司需要用很少的计算来衡量他们的表现人工智能和IIoT发展的下一步将满足将算法转换为占地面积小得多的边缘计算工作的需求。据研究公司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，高于目前的10%。向边缘计算的转变不仅取决于数据的大量增加，还取决于更高保真度的分析、更低的延迟要求、安全问题和显着的成本优势。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。相比之下，边缘计算技术可以分析所有原始数据并提供最高保真度的分析，并增加检测异常的可能性，从而实现即时反应。一个成功的测试将是在尽可能小的规模上实现的“功率”或计算能力的数量。2.了解“真实”与“虚假”边缘解决方案与所有热门新技术一样，有些市场已经不再使用“边缘计算”一词，并且对于IIoT部署的构成没有明确的界限。“假”边缘解决方案声称在边缘处理数据，但实际上依赖于将数据发送回云端进行批量或小批量处理。在学习边缘计算时，“假”边缘计算被认为是没有复杂事件处理器（CEP）的假数据，这意味着更高的延迟，并且数据仍然是“脏的”，使得分析不太准确，机器学习（ML）)模型受到严重影响。“真正的”边缘计算从一个超高效的复杂事件处理器(CEP)开始，该处理器在生产过程中清理、规范化、过滤、上下文化和/或原始工业数据。此外，“真正的”边缘解决方案包括集成的机器学习和人工智能功能，所有这些功能都嵌入在最小（和最大）的计算空间中。复杂事件处理器(CEP)功能应该能够在工业边缘进行实时、可操作的现场分析，并提供优化的用户体验，以便运营技术(OT)人员进行快速修复。它还为卓越的机器学习/人工智能性能准备数据，生成最高质量的预测洞察力以推动资产性能和流程改进。真正的边缘计算可以显着节省成本并提高效率和数据洞察力，使工业组织能够走上真正的数字化转型之路。3.ML/AI模型变得脆弱将机器学习(ML)移动到边缘不仅仅是改变处理发生位置的问题。当今使用的大多数机器学习(ML)模型都是基于对云计算能力、运行时间和计算的假设而设计的。由于这些假设在边缘不成立，机器学习(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机器学习(ML)模型转移到复杂的事件处理器，将它们缩小80%，并使模型更接近数据源。这个过程称为边缘化，它将推动更强大的边缘计算和IIoT应用程序的全面采用。4.闭环边缘到云计算机器学习将成为真正的运营解决方案随着机器学习（ML）和人工智能算法成为“边缘”并且可以在传感器附近或物联网网关或其他工业计算选项中使用，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。工业组织会发现，对实时流数据（包括音频和视频）进行分析的边缘设备应该定期将洞察力发送到云端，但只有那些代表异常活动的设备才能保证核心算法的转变。这些边缘洞察增强了模型，显着提高了其预测能力。然后将调整后的模型推回到一个恒定的闭环中，对不断变化的条件和规格做出快速反应，并生成更高质量的预测洞察力，以提高资产性能和改进流程。5.生产IIoT应用程序将仅通过支持多云和混合云部署的边缘计算解决方案来实施混合云和多云解决方案的实施将主导IIoT部署。最近的一份调查报告发现，到2023年，混合云市场规模将达到97.64亿美元。随着工业组织希望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，边缘解决方案与云无关很重要。随着企业在构建边缘到云计算环境时寻求更大的灵活性和选择自由度，特定于供应商的解决方案可能开始达不到要求。谷歌、AWS、微软、C3IoT、Uptake等领先的云计算提供商将与边缘计算公司形成更多合作伙伴关系，帮助企业不断改进和扩展其产品。6、物联网视音频传感器的快速发展，带动了对边缘深度学习的需求。业界非常关注音视频传感器能为工业物联网带来的功能。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。资产数据与音频和视频分析的融合将允许更快、更准确的设备和机器维护（包括系统健康更新等），以及一系列新的创新应用程序。视频分析的一个例子是在石油和天然气生产设施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.预测性维护让位于规范性维护IIoT边缘解决方案提供的一大承诺是预测性维护，它可以洞察未来制造设备或石油钻井平台等连接资产可能发生的情况。虽然许多组织仍落后于预测性维护，但2019年将为早期采用者带来更先进的技术。规范性维护是企业向前迈出的一步，不仅可以预测问题，还可以使用数据分析为其运营和维护提供以结果为中心的建议。例如，一家电梯制造商想要了解电梯门摩擦等常规问题。作为这项工作的一部分，他们与FoghornCorporation合作创建了一个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，而无需考虑成本、延迟、安全以及与在建筑物外传输大量数据相关的其他问题。因此，它可以在异常影响性能之前有效地调度服务。当规定性维护可用时，在制造商对电梯进行维护之前，他们将获得可用数据以找出哪些区域最有可能需要维修，并向维护人员验证可用于维修的专业知识、工具和零件。
