物联网与大数据没什么关系，将其存储在存储库中，供数据分析和利用。该网络对于测量和获取数据以做出明智的决策是必要的。但接下来会发生什么？我们应该如何处理所有这些数据？我们总是谈论根据可靠的信息做出正确的决定，但听起来很明显，实现这一目标并不总是那么容易。在本文中，我们将超越物联网，关注数据以及如何通过AIoT和数据分析来利用这些数据。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，因为没有大数据的物联网对我们来说毫无意义。大数据和数据分析近几十年来，尤其是10年代，我们目睹了无处不在的数字技术产生的海量数据（结构化和非结构化）的涌入。在工业世界的特殊情况下，善用和善用大量信息是成功的关键。这种处理业务数据的需求催生了可互换的术语“大数据”、“数据科学”和“数据分析”，我们可以将这些术语统称为检查设备网络捕获的数据所遵循的流程，目的是发现混乱。趋势、模式或相关性。这样做的根本目标是使用新型知识来改进业务。因为它是最近创建的术语，所以对大数据有不同的定义。Gartner提供的一份概述了3个关键方面：数据量、数据种类和捕获速度。这些通常被称为3V，尽管其他定义将其扩展为包括5V，从而提高了数据的准确性及其为业务带来的价值。然而，在我们看来，从理论上讨论什么是大数据和什么不是大数据没有什么意义，因为由于数据收集设备的普遍存在，大数据分析和处理已经适用于广泛的工业领域。物联网和大数据物联网和大数据如何相互关联？连接的主要点通常是数据库。一般来说，我们可以说物联网的工作在这个数据库中结束；换句话说，物联网的目标是以或多或少有序的方式将所有获取的数据转储到一个公共存储库中。大数据域首先访问这个存储库来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，我们将从数据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重要的人感到惊讶。快速的回答是，今天可用的数据量比最初构思所描述的算法时要多得多，但更重要的是，今天机器的计算能力允许这些技术在更大的范围内使用，从而为旧的技术提供新的用途方法。但我们不想给人这样的印象，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东西；事实上恰恰相反。数据生态系统非常庞大，近年来出现了重大创新。发展最快的领域之一是人工智能。这可以说不是最近的发明，因为早在1956年就已经讨论过这种现象。然而，人工智能是一个如此宽泛的概念，具有如此广泛的影响，以至于它通常被认为是一门独立的学科。然而，现实是，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。它是我们隐喻工具箱中已有的另一个工具，但发现了AIoT的自然演变。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。据福布斯报道，主导科技行业的两大趋势是物联网(IoT)和人工智能。物联网和人工智能是两种相互影响很大的独立技术。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能够生成新算法来解决复杂问题——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IoT和AI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、评估的智能互联系统这些决定的结果，并随着时间的推移而改进。这种结合可以通过多种方式实现，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，靠近数据源。这称为EdgeAI（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，将整个系统都考虑在内，而EdgeAI为我们提供了快速响应和自主性。但就像人体一样，这两种反应方式并不相互排斥，实际上可以互补。例如，当检测到泄漏时，水控制系统可以立即关闭现场阀门以防止大量水流失，同时向中央系统发送通知，由中央系统做出更高级别的决策，例如打开通过另一个回路替代阀引导水。可能性是无限的，可以超越这个简单的反应性维护示例，扩展到使用能够预测可能事件的复杂系统进行预测性维护的可能性。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电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生成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力发电厂或启动从邻国的电力购买过程来减少或增加电力生产。
