文章轉(zhuǎn)載來源《千家網(wǎng)》
多年來，分析已成為物聯(lián)網(wǎng)不可或缺的一部分。制造商、運輸和能源企業(yè)等工業(yè)組織以及世界各地的政府繼續(xù)采用這些技術(shù)，以提高運營效率，并實現(xiàn)顯著的成本和運營節(jié)約。
人工智能、流式分析和機器學習等高級分析技術(shù)與物聯(lián)網(wǎng)技術(shù)和傳感器相結(jié)合，可以幫助智能工廠、電網(wǎng)基礎(chǔ)設(shè)施甚至城市供電。但2023年這個重要領(lǐng)域會發(fā)生什么呢？
物聯(lián)網(wǎng)分析的興起
未來一年物聯(lián)網(wǎng)分析將出現(xiàn)四大趨勢：低代碼和無代碼自動機器學習（AutoML）的興起、增強的數(shù)字孿生技術(shù)、計算機視覺的工業(yè)應(yīng)用以及邊緣和云之間的界限模糊。這些趨勢并不意味著與前幾年有所不同，而是疫情之后市場軌跡的延續(xù)。
預(yù)計到2023年，通過低代碼和無代碼AutoML，工業(yè)化人工智能將有更大的可用性，這些模型通過自助市場提供，并有可能通過定制和部署打包服務(wù)來增強。
2023年，我們還將看到更多專門針對能源、基礎(chǔ)設(shè)施優(yōu)化和工業(yè)制造領(lǐng)域定義的用例的專用數(shù)字孿生應(yīng)用。預(yù)計各組織也將越來越多地采用計算機視覺和其他人工智能技術(shù)，利用這些技術(shù)的行業(yè)將擴展到IT人員和數(shù)據(jù)科學家的更小眾用例之外，計算機視覺計劃將側(cè)重于產(chǎn)量提高、運營效率和安全性。
最后，隨著微軟Azure、亞馬遜網(wǎng)絡(luò)服務(wù)和谷歌云平臺等云超大規(guī)模企業(yè)開始在邊緣推出核心云服務(wù)，邊緣計算將成為云計算的延伸。工作負載將智能地分布在混合環(huán)境中。這將意味著在2023年更快地采用物聯(lián)網(wǎng)分析，以增強在源頭的決策。
低代碼，無代碼
我們將繼續(xù)看到各行業(yè)對物聯(lián)網(wǎng)計劃的廣泛采用。這一領(lǐng)域的勢頭已經(jīng)持續(xù)了很長一段時間。如果我們回顧三四年前，我們真正關(guān)注的是概念驗證的想法，但現(xiàn)在我們的客戶正在從這些POC過渡到更可持續(xù)和長期的概念。
在過去的一年里，我們看到一些企業(yè)希望測試物聯(lián)網(wǎng)和分析項目，并證明他們可以繼續(xù)創(chuàng)造價值。這并不一定是我們將從去年到明年看到的轉(zhuǎn)變，而是隨著客戶開始看到其項目的顯著回報，從狹隘的PoC向更廣泛的采用。
如今似乎很難想象分析不是每一個物聯(lián)網(wǎng)用例的組成部分，然而，隨著圍繞它的系統(tǒng)變得更容易理解和更廣泛地部署，幾年來已經(jīng)逐漸發(fā)生了變化。低代碼、無代碼分析的興起是可訪問性上升的主要驅(qū)動力。
低代碼、無代碼分析的最大目標是讓任何人都能夠?qū)?shù)據(jù)轉(zhuǎn)化為見解，低代碼、無代碼環(huán)境正在向那些沒有大量數(shù)據(jù)科學家技能的企業(yè)開放，而制造業(yè)是真正采用物聯(lián)網(wǎng)和分析的行業(yè)之一。分析和數(shù)據(jù)不再是白領(lǐng)和藍領(lǐng)工人的領(lǐng)域，它開始被供應(yīng)鏈上的所有人使用。
數(shù)字孿生
傳感器的激增也意味著在數(shù)字環(huán)境中表示系統(tǒng)變得越來越簡單，這將導致下一個預(yù)測的增強數(shù)字孿生技術(shù)的趨勢。
一旦我們能夠在數(shù)字世界中準確地復制現(xiàn)實世界的系統(tǒng)，我們就可以開始使用變量，以優(yōu)化物理元素而不影響日常操作。如今也可以開始為基礎(chǔ)設(shè)施創(chuàng)建數(shù)字孿生，并開始移動這些杠桿，以預(yù)測供應(yīng)鏈的任何部分是否存在問題，甚至可以在問題發(fā)生之前采取措施解決問題。
過去，大多數(shù)分析程序都涉及獲取大量數(shù)據(jù)，通過網(wǎng)絡(luò)移動數(shù)據(jù)，并將其放入一致的環(huán)境中。然后是創(chuàng)建算法的過程，這些算法可以查看數(shù)據(jù)并產(chǎn)生見解，然后分發(fā)給消費者。
七八年前，分析技術(shù)的應(yīng)用擴展到了物聯(lián)網(wǎng)。這實際上更多的是生態(tài)系統(tǒng)的擴展，而不是一個完全的轉(zhuǎn)變。過去，大多數(shù)分析程序都涉及訪問大量數(shù)據(jù)，通過網(wǎng)絡(luò)移動數(shù)據(jù)，并將其放入一致的環(huán)境中。然后是創(chuàng)建算法的過程，這些算法可以查看數(shù)據(jù)并生成洞察力，然后分發(fā)給消費。而傳感器技術(shù)的變化重塑了整個領(lǐng)域。更便宜、更強大的傳感器變得廣泛，它們的部署有助于將決策帶到數(shù)據(jù)的來源，在傳感器的邊緣，使用強大的分析實時流數(shù)據(jù)。
計算機視覺的工業(yè)應(yīng)用
很多人認為計算機視覺是物體檢測。但這是一個我們看到大量增長的領(lǐng)域，它有著廣泛的應(yīng)用。我們可以使用它來識別需要監(jiān)控的區(qū)域，并設(shè)置警報以警告操作員發(fā)生了什么，隨著時間的推移，確定他們可以通過培訓糾正的問題領(lǐng)域。
當然，這項技術(shù)的一個巨大好處是預(yù)測性維護，允許運營商識別和解決特別容易發(fā)生事故或問題的區(qū)域，我們經(jīng)?？吹礁鼜V泛的應(yīng)用，而不僅僅是預(yù)測性維護。通常是實時操作缺陷檢測。
計算機視覺的最大好處是它通常不是位移技術(shù)，也不需要部署大量的傳感器或改變系統(tǒng)或設(shè)備，它可以像部署攝像頭一樣簡單。這是一種低影響的措施，可以極大地提高預(yù)測性維護或安全性的質(zhì)量。
模糊邊緣和云之間的界限
內(nèi)部部署或云計算與邊緣計算之間曾經(jīng)有一條明確的界限。邊緣是網(wǎng)絡(luò)企業(yè)的領(lǐng)域，它們提供位于云之外的分布式設(shè)備。在過去的12到18個月里，隨著企業(yè)將邊緣分析和由此產(chǎn)生的決策越來越接近數(shù)據(jù)的來源，云基礎(chǔ)設(shè)施上的邊緣計算加速發(fā)展。
這種從云計算到內(nèi)部部署的轉(zhuǎn)變引發(fā)了混合環(huán)境的出現(xiàn)。我們所看到的所有項目都有一條一致的路線，這有助于確定問題的范圍，并能夠針對特定的結(jié)果。這就是我們看到企業(yè)在使用分析技術(shù)方面表現(xiàn)出色的地方，而不僅僅是機器學習或物聯(lián)網(wǎng)。但我認為這是所有人在最短的時間內(nèi)取得最大成功的一個方向。
