急救醫學領域有黃金時間(Golden hour)概念，即患者在受重傷后若獲及時治療，對其最終生存很重要。一旦錯過時機，后續治療效果會很有限。而物聯網(IoT)和實時分析也適用相同原則。

據Sensors Magazine報導，最新估計顯示，到2020年連網設備的數量將成長到200億~500億個。IoT在家庭和工業領域都將有大幅成長。但IoT系統和平臺大多使用云端分析，而會增加在設備上采取行動的時間。

這種時間延遲若發生在住宅內，可能會導致災難性后果；而在工業環境中若無法立即檢測及采取行動，則將影響安全、安保和機器故障。若利用云端方案，將無法夠快地提供數據，讓IoT得以有效用于任務關鍵型應用。此問題除已成為重大問題，且會隨IoT部署規模擴大而加劇。

為支持大量IoT設備從根本上縮短決策和行動時間，分析需盡可能靠近設備邊緣。邊緣分析則能透過在事件發生時提供實時可操作的見解來解決此問題。傳統大數據方法非常適合批次導向(batch-oriented)分析，但不適用于IoT所需的交互式實時分析。

有了大型機器、引擎或網絡中百萬臺較小設備產生的大量數據，就不可能在大規模地探勘數據同時仍能做出實時決定。流經這些網絡的數據既龐大又快速，因此需要主動分析框架來實時確定問題并采取行動。

企業若需要實時決策、行動和見解，就需要支持邊緣分析、云端分析、實時和歷史混合的架構。此原則適用于智能工廠、智慧城市、智能家庭等環境。

IoT產業開始意識到，從大量IoT設備中提供這些見解的最佳方式之一，就是在設備本身的網絡真實邊緣盡可能進行更多分析。這種架構使設備真正具智能性，可在數據流入設備時分析、檢測和處理數據。

將原始數據上傳到云端，加以分析并將行動傳回設備的傳統方法，會導致有礙于操作的時間延遲。但若在邊緣執行分析和模式檢測，則能在需要立即采取行動的情況下實現幾乎實時的響應，例如提醒用戶設備或網絡遭受攻擊，或關閉顯示危險行為的引擎。

簡言之，數據移動到分析引擎的時間越長，可能產生有害影響的異常就越可能被忽略。透過使用邊緣分析、機器和智能傳感器，就能利用云端聚合非關鍵數據，并將其與來自設備的數據實時結合，以檢測異常情況和性能問題。

部署此模型的邊緣分析平臺為開發人員提供連接設備的輕松方法，使其能動態地將分析腳本部署到邊緣，并協調云端和邊緣之間的分布式分析。這使企業能藉異常檢測和實時、可操作的見解，實現IoT實時分析的全部潛力，并透過增加運算能力和實時智能的定制分析方案，而能利用整個IIoT領域的寶貴市場機會。展望未來，這也為機器學習和人工智能(AI)舖平道路。

人們現在生活在萬物連網的世界里，市場的整體動態正在發生變化，營運商、制造商、公用事業公司和醫療保健供應商都在考慮如何集成IoT，好以最高效、有利的方式來提供其服務。唯一辦法就是實時監控、分析IoT正在創建的大量數據，并根據所得見解進行相應操作。

企業市場需要找到適合其期望的IoT方案。企業若能管理大量數據處理、監控、診斷和服務管理，就能充分利用IoT的部署，但這一切都始于網絡的真實邊緣。企業若能承認這一點，則其關鍵數據不僅會保持活力，還會蓬勃發展。