工業物聯網分析和機器學習公司需要衡量它們在計算量很小的情況下的表現

隨著工業物聯網項目逐漸遠離以云計算為中心的方法，人工智能和工業物聯網演進的下一步將滿足將算法轉換為邊緣計算工作的需求，而占用空間要小得多。

據調研機構 Gartner 公司表示，在未來四年內，75% 的企業生成數據將在邊緣處理（相對于云計算），高于當今的 10%。向邊緣計算的轉移不僅取決于數據的大量增加，還需要更高的保真度分析、更低的延遲要求、安全問題，以及巨大的成本優勢。

雖然云端是存儲數據和培訓機器學習模型的好地方，但它不能提供高保真的實時流數據分析。相比之下，邊緣計算技術可以分析所有原始數據，并提供最高的保真度分析，并增加檢測異常的可能性，從而實現即時反應。成功的測試將是在盡可能小的范圍內實現的"能力"或計算能力的數量。

了解"真實"與"虛假"邊緣解決方案

與所有熱門新技術一樣，有些市場已經不再使用"邊緣計算"這一術語，它在工業物聯網部署中的構成沒有明確的界限。"虛假"邊緣解決方案聲稱可以在邊緣處理數據，但真正依賴于將數據發送回云端進行批處理或小批量處理。

在了解有關邊緣計算的內容時，"虛假" 邊緣計算被認為是沒有復雜事件處理器（CEP）的偽造數據，這意味著延遲更高，并且數據仍然很"臟"，使分析更不準確，機器學習（ML）模型受到嚴重影響。

"真實"邊緣計算從一個超高效的復雜事件處理器（CEP）開始，該復雜事件處理器（CEP）在生產過程中清理、規范化、過濾、場景化以及或原始的工業數據。此外，"真實"的邊緣解決方案包括集成的機器學習和人工智能功能，所有這些功能都嵌入到最?。ê妥畲螅┑挠嬎阕阚E中。

復雜事件處理器（CEP）功能應在工業邊緣現場進行實時，可操作的分析，并為操作技術（OT）人員的快速補救提供優化的用戶體驗。它還為最佳機器學習/人工智能性能準備數據，生成最高質量的預測見解，以推動資產績效和流程改進。

真正的邊緣計算可以節省大量的成本，并提高效率和數據洞察力，使希望走上真正的數字化轉型之路的工業組織得以實現。

機器學習/人工智能模型開始變得脆弱

將機器學習（ML）移動到邊緣并不僅僅是改變處理發生位置的問題。目前使用的大多數機器學習（ML）模型都是基于云計算能力、運行時間、計算的假設而設計的。由于這些假設在邊緣不成立，機器學習（ML）模型必須適應新環境。

換句話說，他們需要"邊緣化"。在 2019 年，"真正"的邊緣解決方案將使數據預處理和后處理從機器學習（ML）模型重新定位到復雜的事件處理器，將它們縮小 80% ，并使模型更接近數據源。這個過程稱為邊緣化，它將推動整體采用更強大的邊緣計算和工業物聯網應用程序。

閉環邊緣到云計算機器學習將成為真正的運營解決方案

隨著機器學習（ML）和人工智能算法變得"邊緣化"，可以在傳感器附近或物聯網網關或其他工業計算選項內使用，關于如何訓練和進一步迭代這些模型的最佳實踐將會出現。

工業組織將發現，在實時流數據（包括音頻和視頻）上生成分析結果的邊緣設備應定期向云端發送洞察信息，但只有那些代表異?；顒拥脑O備才能保證核心算法的轉變。

這些邊緣洞察增強了模型，顯著提高了其預測能力。然后，調整后的模型被推回到一個恒定的閉環中，對不斷變化的條件和規范做出快速反應，并生成更高質量的預測洞察，以改進資產性能和流程改進。

生產工業物聯網應用程序將僅通過支持多云和混合云部署的邊緣計算解決方案實施

混合云和多云解決方案將主導工業物聯網的部署。最近的一份調查報告發現，混合云市場規模到2023年將達到97.64億美元。隨著工業組織希望將多云環境結合在一起，以提供更具成本效益的方法和靈活性，邊緣解決方案與云計算無關很重要。

隨著企業在構建邊緣到云計算環境時尋求更大的靈活性和選擇自由，供應商獨有的解決方案可能會開始落空。Google、AWS、Microsoft、C3IoT、Uptake和其他領先的云計算提供商將與邊緣計算公司建立更多合作伙伴關系，以幫助企業不斷改進和擴展其產品。

物聯網視頻和音頻傳感器快速發展，推動了邊緣深度學習的需求

關于音頻和視頻傳感器可以為工業物聯網帶來的功能，業界對此十分關注。邊緣計算技術可以在商業和工業物聯網系統中進一步部署音頻和視頻數據中發揮重要作用。

資產數據與音頻和視頻分析的融合將允許更快、更準確的設備和機器維護（包括系統運行狀況更新等），以及一系列新的創新應用。分析的一個例子是在石油和天然氣生產設備中使用火炬監測來遠程跟蹤大量火炬塔臺的環境合規性和火炬狀態。

預防性維護讓位于規范性維護

工業物聯網邊緣解決方案提供的一項重大承諾是預測性維護，可以深入了解未來連接資產（如制造設備或石油鉆井平臺）可能發生的情況。雖然許多組織仍然落后于預測性維護，但2019年將向早期采用者提供更先進的技術。

例如，電梯制造商希望了解常規問題，例如電梯門的摩擦。作為這項工作的一部分，Foghorn 公司曾合作創建預測性維護解決方案。通過分析源頭處的傳感器數據，他們現在可以提前很好地確定維護需求，而無需考慮成本、延遲、安全性，以及與建筑外部傳輸大量數據相關的其他問題。因此，它可以高效地在異常影響性能之前調度服務。

當規定性維護可用時，在制造商對電梯進行維護之前，他們將得到可用的數據，幫他們尋找到最可能需要維修的區域，并向維修人員驗證可用于維修的專業知識、工具、部件。

規范性維護是企業向前邁進的一步，不僅可以預測問題，而且能夠使用數據分析為其運營和維護提供注重結果的建議。