189 8069 5689
边缘计算功能将如何增加物联网可扩展性鉴于全球新*疫情大流行，数据的可访问性、可见性和互连性已成为在动荡时期实施的业务敏捷性战略的关键组成部分。实际上，在过去几年中，物联网的采用激增，并且正在继续稳步上升。不幸的是，随着组织在预算限制更大，试错空间较小的时期内扩展现有的物联网工作，许多组织都面临着严峻的挑战。
组织很少为大规模物联网和IIoT部署所涉及的数据海啸做好准备。分析师估计，在未来几年中，将有416亿台联网的IoT设备生成79.4 ZB的数据。而且，大约25%的数据将是实时的，这增加了组织必须计划和克服的挑战清单的复杂性。
本文将重点介绍当前物联网项目中的关键差距、这些差距为何重要以及边缘计算功能将如何增加物联网可扩展性并取得成功。
云的状态
大多数现代组织都依赖于云和旧平台的组合来满足基础设施需求。但是，由于数据传输和处理成本，分析云中来自IoT传感器的原始数据通常既昂贵又耗时。云延迟、带宽和安全性挑战仍然是重要的障碍，特别是对于产生高保真原始机器和物联网传感器数据的工业行业而言。因此，组织经常求助于使用缩减采样或时间延迟的数据来平衡成本和及时性，从而容易遗漏数据异常。
尽管云是一种有效的数据建模和学习入口，但是由于传输和生态系统方面的考虑，它缺乏制造、石油和天然气以及运输等市场中的关键任务物联网应用所需的实时功能。
引入边缘优先部署
通过实施本机边缘解决方案，组织可以在本地提取、丰富和分析数据，在清理的数据集上执行机器学习模型，并提供增强的预测能力。边缘计算对于需要实时功能的各种IoT驱动的应用至关重要。考虑工人的健康和安全监控，包括温度、面部防护和社交距离。安全问题或带宽访问受限的行业，例如采矿和车队，也将从边缘计算中受益匪浅。
请记住，边缘优先的物联网计划并不能消除所有云的参与。实际上，边缘解决方案依赖于云环境的无限资源来训练和改进现有的机器学习模型。对实时流数据执行机器学习的边缘设备必须定期检查模型的准确性和环境随时间的变化。
随着模型准确性的下降，洞察力随后被发送回云，其中包括代表异常活动的数据，这些数据需要对当前模型进行重新训练。一旦对模型进行了微调，它们就会被推回边缘，从而形成一个恒定的闭环过程，从而产生质量更高的预测见解，进而改善资产绩效、过程改进和产品质量。
通过实时运行云边缘版本的机器学习模型，组织可以从源头上对感兴趣的事件采取行动，做出反应和采取行动。这可以利用每个生态系统的优势，确保物联网、边缘和云的和谐相互作用。此外，云边缘混合解决方案可防止云锁定，因为不同的用例可以将见解发布到一个或多个公共和私有云中。
物联网的云优势
云边缘混合计划将实时物联网数据转换为与生产效率和质量指标相关的可操作见解，运营经理可以使用这些见解来减少计划外停机、化产量并提高机器利用率。例如，使用边缘云混合策略，工厂可以提高产品质量。通过实时分析IoT传感器数据，组织可以识别出超出先前定义的阈值和规则的任何值，构建和训练机器学习模型以识别根本问题原因，并部署机器学习模型以自动停止生产有缺陷的零件。
此外，边缘云洞察力使智能建筑运营人员可以监控能源使用并主动修改运营，以避免因能源系统过度工作而造成停电。管理人员和运营商无需依赖纯云系统的延迟洞察力，而是可以实时访问洞察力，从而更快地确定物联网驱动的建筑系统纠纷的根本原因，并最终减少总体停机时间。