鑒于全球大流行，數(shù)據(jù)可訪問性、可視性和互聯(lián)性已成為動蕩時期實施的業(yè)務敏捷性戰(zhàn)略的關鍵組成部分。事實上，物聯(lián)網(wǎng)的應用在過去幾年中激增，并繼續(xù)穩(wěn)步上升。不幸的是，隨著企業(yè)在預算限制更大、試驗和錯誤空間更小的時期擴大現(xiàn)有物聯(lián)網(wǎng)的努力，許多企業(yè)都遇到了嚴峻的挑戰(zhàn)。
組織很少為全面物聯(lián)網(wǎng)和工業(yè)物聯(lián)網(wǎng)部署中涉及的數(shù)據(jù)海嘯做好準備。分析師估計，未來幾年將有416億臺聯(lián)網(wǎng)物聯(lián)網(wǎng)設備產(chǎn)生79.4ZB的數(shù)據(jù)。此外，大約25%的數(shù)據(jù)本質上是實時的，這增加了組織必須計劃和克服的挑戰(zhàn)列表的復雜性。本文將重點介紹當前物聯(lián)網(wǎng)項目中的關鍵差距，為什么這些差距很重要，以及邊緣計算功能將如何提高物聯(lián)網(wǎng)的可擴展性和成功向前發(fā)展。
云的狀態(tài)
大多數(shù)現(xiàn)代組織依靠云和傳統(tǒng)平臺的組合來滿足基礎設施需求。然而，由于數(shù)據(jù)傳輸和處理成本，分析來自云中物聯(lián)網(wǎng)傳感器的原始數(shù)據(jù)通常既昂貴又耗時。云延遲、帶寬和安全挑戰(zhàn)仍然是一個重大障礙，特別是對于產(chǎn)生高保真原始機器和物聯(lián)網(wǎng)傳感器數(shù)據(jù)的工業(yè)行業(yè)。因此，組織經(jīng)常使用下采樣或時間延遲的數(shù)據(jù)來平衡成本和及時性，從而很容易遺漏數(shù)據(jù)中的異常情況。
盡管云是一種有效的數(shù)據(jù)建模和學習門戶，但由于傳輸和生態(tài)系統(tǒng)方面的考慮，它缺乏制造、石油和天然氣以及運輸?shù)仁袌鲋嘘P鍵任務物聯(lián)網(wǎng)應用所需的實時功能。
引入邊緣優(yōu)先部署
通過實施邊緣原生解決方案，組織可以在本地攝取、豐富和分析數(shù)據(jù)，在清理過的數(shù)據(jù)集上執(zhí)行機器學習模型并提供增強的預測能力。邊緣計算對于需要實時功能的各種物聯(lián)網(wǎng)驅動的用例至關重要。想想工人的健康和安全監(jiān)測，包括溫度、面部保護和社會疏遠。存在安全問題或帶寬訪問受限的行業(yè)，例如采礦和車隊，也從邊緣計算中受益匪淺。
請記住，邊緣優(yōu)先的物聯(lián)網(wǎng)計劃并不能消除所有的云參與。事實上，邊緣解決方案依靠云環(huán)境的無限資源來訓練和改進現(xiàn)有的機器學習模型。對實時流數(shù)據(jù)執(zhí)行機器學習的邊緣設備必須定期檢查模型準確性和環(huán)境隨時間的變化。隨著模型準確性的漂移，洞察隨后會被發(fā)送回云端，其中包括代表需要重新訓練當前模型的異?；顒拥臄?shù)據(jù)。一旦模型經(jīng)過微調，它們就會被推回到邊緣，從而形成一個持續(xù)的、閉環(huán)的過程，產(chǎn)生更高質量的預測洞察力，以提高資產(chǎn)績效、流程改進和產(chǎn)品質量。
通過實時運行機器學習模型的云邊緣版本，組織能夠在源頭對感興趣的事件采取行動、做出反應和積極行動。這確保了物聯(lián)網(wǎng)、邊緣和云的和諧相互作用，利用每個生態(tài)系統(tǒng)的優(yōu)勢。此外，云邊緣混合解決方案可防止云鎖定，因為不同的用例可以將洞察力發(fā)布到一個或多個公共云和私有云中。
物聯(lián)網(wǎng)的云邊緣優(yōu)勢
云邊緣混合計劃將實時物聯(lián)網(wǎng)數(shù)據(jù)轉化為與生產(chǎn)效率和質量指標相關的可操作見解，運營經(jīng)理可以使用這些見解來減少計劃外停機時間、最大限度地提高產(chǎn)量并提高機器利用率。例如，使用邊緣云混合策略，工廠可以提高產(chǎn)品質量。通過實時分析物聯(lián)網(wǎng)傳感器數(shù)據(jù)，組織可以識別超出先前定義的閾值和規(guī)則的任何值，構建和訓練機器學習模型以識別根本問題的原因，并部署機器學習模型以自動停止缺陷零件的生產(chǎn).
此外，邊緣云洞察力允許智能建筑運營人員監(jiān)控能源使用情況并主動修改運營以避免因能源系統(tǒng)過度工作而中斷。管理人員和操作員可以實時訪問洞察，而不是依賴來自純云系統(tǒng)的延遲洞察，從而更快地確定物聯(lián)網(wǎng)驅動的建筑系統(tǒng)爭議的根本原因，并最終減少整體停機時間。
