有大數據的物聯網什么都不是

將工業物聯網想象成公司的神經系統：它是一個傳感器網絡，從生產工廠的各個角落收集有價值的信息，并將其存儲在存儲庫中以進行數據分析和利用。 該網絡對于測量和獲取數據以做出明智的決定是必要的。 但是接下來會發生什么? 我們應該如何處理所有這些數據? 我們總是談論基于可靠信息做出正確的決策，但盡管聽起來很明顯，但實現該目標并不總是那么容易。 在本文中，我們將超越物聯網，重點關注數據以及如何通過 AIoT 和數據分析來利用它。

我們將專門討論分析階段，這個過程首先將數據轉化為信息，然后轉化為知識(有時也稱為業務邏輯)。 然而，最終我們不會偏離物聯網的核心主題，因為沒有大數據的物聯網對我們來說毫無意義。

[[432132]]

大數據和數據分析

近幾十年來，尤其是在 10 年代，我們目睹了大量數據(結構化和非結構化數據)的大量涌入，這些數據由無處不在的數字技術產生。在工業世界的特殊情況下，充分利用和充分利用大量信息對成功至關重要。

這種處理業務數據的需求催生了可互換的術語“大數據”、“數據科學”和“數據分析”，我們可以將它們統稱為檢查設備網絡捕獲的數據所遵循的流程，目的是揭示混淆的趨勢、模式或相關性。這樣做的根本目標是使用新型知識改進業務。

因為它是最近創建的術語，所以對大數據有不同的定義。 Gartner 提供的其中一個概述了 3 個關鍵方面：數據量、數據種類和捕獲速度。這些通常被稱為 3 V，盡管其他定義對此進行了擴展，包括 5 V，增加了數據的真實性及其為業務帶來的價值。

但是，我們認為，對什么是大數據、什么不合格進行理論探討沒有多大意義，因為由于數據收集設備的無處不在，大數據分析和處理已經適用于大范圍的工業世界。

物聯網和大數據

物聯網和大數據如何相互關聯?連接的主要點通常是數據庫。一般來說，我們可以說物聯網的工作在該數據庫結束;換句話說，物聯網的目標是以或多或少有序的方式將所有獲取的數據轉儲到公共存儲庫中。大數據領域首先訪問該存儲庫以操作獲取的數據并獲取所需的信息。

無論如何，將物聯網大數據分析可視化為一個工具箱是很有用的。根據我們想要從數據中獲取的信息和知識的類型，我們將從數據中提取一種或另一種工具。許多這些工具以傳統算法的形式出現，以及對這些算法的改進或改編，具有非常相似的統計和代數原理。這些算法不是在本世紀發明的，令許多想知道為什么它們現在比以前更相關的人感到驚訝。

快速回答是，現在可用的數據量比最初構想所述算法時要大得多，但更重要的是，當今機器的計算能力允許更大規模地使用這些技術，為舊方法提供新用途。

但是我們不想給人一種印象，一切都已經被發明了，當前的數據分析趨勢沒有帶來任何新的東西;事實上恰恰相反。數據生態系統非常廣泛，近年來見證了重大創新。

增長最快的領域之一是人工智能。可以說這不算是最近的發明，因為早在 1956 年就討論過這種現象。然而，人工智能是一個如此廣泛的概念，其影響如此廣泛，以至于它通常被認為是一門獨立的學科。然而，現實是，在某些方面，它在大數據和數據分析中扮演著不可或缺的角色。它是我們隱喻工具箱中已經包含的另一種工具，但發現了 AIoT 的自然演變。

AIoT：物聯網的人工智能

數據量的指數級增長需要新的分析方法。在這種情況下，人工智能變得尤為重要。據福布斯報道，主導技術行業的兩大趨勢是物聯網 (IoT) 和人工智能。

物聯網和人工智能是兩種相互獨立的技術，相互影響很大。雖然物聯網可以被認為是數字神經系統，但人工智能同樣是一個先進的大腦，可以做出控制整個系統的決策。 IBM 表示，物聯網的真正潛力只有通過引入 AIoT 才能實現。

但什么是人工智能，它與傳統算法有何不同?

當機器模仿人類的認知功能時，我們通常會談論人工智能。 也就是說，它以與人類相同的方式解決問題，或者假設機器能夠找到理解數據的新方法。 AI 的優勢在于它能夠生成新算法來解決復雜問題——這是關鍵——獨立于程序員的輸入。 因此，我們可以將一般的人工智能，特別是機器學習(這是人工智能中預計增長潛力最大的部分)視為發明算法的算法。

邊緣人工智能和云人工智能

IoT 和 AI 的結合為我們帶來了 AIoT(物聯網人工智能)的概念，即能夠自行做出決策、評估這些決策的結果并隨著時間不斷改進的智能互聯系統。

這種組合可以通過多種方式完成，我們想強調其中的兩種：

一方面，我們可以繼續將人工智能概念化為一個處理所有沖動并做出決策的集中式系統。在這種情況下，我們指的是云中的一個系統，它集中接收所有遙測數據并相應地采取行動。這將被稱為 Cloud AI(云端人工智能)。

另一方面，我們還必須談論我們隱喻性神經系統的一個非常重要的部分：反射。反射是神經系統做出的自主決定，無需將所有信息發送到中央處理器(大腦)。這些決定是在外圍做出的，靠近數據的來源。這稱為邊緣 AI(邊緣人工智能)。

邊緣 AI 和云 AI 的用例

Cloud AI 提供了一個全面的分析過程，將整個系統考慮在內，而 Edge AI 則為我們提供了快速響應和自主權。但與人體一樣，這兩種反應方式并不相互排斥，實際上可以互補。

例如，水控制系統可以在檢測到泄漏時立即關閉現場的閥門以防止重大水損失，同時向中央系統發送通知，中央系統可以在那里做出更高級別的決策，例如打開通過另一個回路引導水的替代閥門。

可能性是無限的，可以超越反應性維護的這個簡化示例，復雜的系統能夠預測可能發生的事件，從而實現預測性維護的可能性。

AIoT 數據分析的另一個例子可以在智能電網中找到，我們在邊緣有智能設備分析每個節點的電流并在本地做出負載平衡決策，同時將所有這些數據發送到云端進行分析以生成更全面的全國能源戰略。宏觀層面的分析將允許在區域層面做出負載平衡決策，甚至通過關閉水力發電廠或從鄰國啟動電力購買過程來減少或增加電力生產。