人工智能(AI)、流分析和機器學習(ML)等高級分析與物聯(lián)網(wǎng)技術和傳感器相結合，可以幫助為智能工廠、電網(wǎng)基礎設施甚至城市提供動力。但是2023年將會給這個重要領域帶來什么呢?《物聯(lián)網(wǎng)世界》今天采訪了分析公司SAS的副總裁Jason Mann，討論了這項技術的興起以及預計將出現(xiàn)的趨勢。

物聯(lián)網(wǎng)中分析的興起

根據(jù)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，增強型數(shù)字孿生技術，計算機視覺(CV)的工業(yè)應用，以及邊緣和云之間的界限變得模糊。這些趨勢并不標志著與前幾年的背離，而是疫情之后市場軌跡的延續(xù)。

具體來說，在2023年，通過低代碼和無代碼AutoML，將有更多的工業(yè)化人工智能可用，這些模型通過自助服務市場提供，并有可能通過定制和部署的打包服務得到增強。

2023年，我們還將看到更多專門針對能源、基礎設施優(yōu)化和工業(yè)制造領域的特定用例而構建的數(shù)字孿生應用。預計組織也將越來越多地采用CV和其他人工智能技術，利用這些技術的行業(yè)種類將擴展到IT員工和數(shù)據(jù)科學家的更多利基用例之外。據(jù)曼恩稱，CV計劃將專注于“產量提高、運營效率和安全性”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年更快地在邊緣采用物聯(lián)網(wǎng)分析，以在源頭增強決策。

低代碼，無代碼

我們將繼續(xù)看到物聯(lián)網(wǎng)計劃在各行業(yè)的廣泛采用。這一領域的發(fā)展勢頭已經(jīng)持續(xù)了相當一段時間。如果回顧三、四年前，人們真正關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轉向更可持續(xù)和長期的概念。

在過去的一年中，我們看到一些組織希望測試物聯(lián)網(wǎng)和分析項目，并證明它們可以繼續(xù)創(chuàng)造價值。這不一定是我們從去年到明年將會看到的轉變，而是隨著客戶開始看到他們的項目的巨大回報，從狹隘的概念證明到更廣泛的采用的轉變。

現(xiàn)在似乎很難想象分析不是每個物聯(lián)網(wǎng)用例不可或缺的一部分的時代，但是，隨著圍繞它的系統(tǒng)變得更容易理解和更廣泛部署，幾年來已經(jīng)發(fā)生了逐漸的轉變。低代碼無代碼分析的興起是可訪問性上升的主要驅動力。

低代碼無代碼分析的大目標是讓任何人都能夠將數(shù)據(jù)轉化為見解。“低代碼、無代碼環(huán)境正在向不具備大量數(shù)據(jù)科學家技能的公司開放，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)不再只是白領和藍領工人的領域，而是開始被供應鏈上的所有人使用。

數(shù)字雙胞胎

傳感器的激增也意味著在數(shù)字環(huán)境中表現(xiàn)系統(tǒng)變得越來越簡單，這導致了增強數(shù)字孿生技術的下一個預測趨勢。

一旦你能夠在數(shù)字世界中準確地復制真實世界的系統(tǒng)，你就可以開始利用變量來優(yōu)化物理元素，而不影響日常運營?，F(xiàn)在，您可以開始創(chuàng)建您的基礎設施的數(shù)字雙胞胎，并開始移動這些杠桿來預測供應鏈的任何部分是否存在問題，并且您可以在問題發(fā)生之前采取措施來解決它。

過去，大多數(shù)分析程序都需要訪問大量數(shù)據(jù)，通過網(wǎng)絡移動數(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，這些算法查看數(shù)據(jù)并生成洞察，然后分發(fā)這些洞察以供消費。

七八年前，分析的使用擴展到了物聯(lián)網(wǎng)。這實際上更多的是關于生態(tài)系統(tǒng)的擴展，而不是一個完整的轉變。過去，大多數(shù)分析程序都需要訪問大量數(shù)據(jù)，通過網(wǎng)絡傳輸數(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，這些算法查看數(shù)據(jù)并生成洞察，然后分發(fā)給消費者。七八年前，傳感器技術的變革重塑了這一格局。更便宜、更強大的傳感器變得越來越普遍，它們的部署有助于將決策帶到數(shù)據(jù)的源頭——在邊緣，在傳感器，使用強大的分析功能實時傳輸數(shù)據(jù)。計算機視覺的工業(yè)應用。

許多人認為CV是對象檢測。“但這是一個我們看到大量增長的領域，它有著廣泛的應用。您可以使用它來確定需要監(jiān)控的區(qū)域，并設置警報來警告操作人員發(fā)生了問題，并且隨著時間的推移，確定他們可以通過培訓糾正的問題區(qū)域。”

這項技術的一個巨大優(yōu)勢當然是預測性維護，允許操作員識別和解決特別容易發(fā)生事故或問題的區(qū)域，盡管Mann強調這只是用例中的冰山一角。

我們經(jīng)常看到比預測性維護更廣泛的應用。通常是實時操作缺陷檢測。CV的最大好處是它通常不是一種置換技術。你不需要部署大量的傳感器或改變系統(tǒng)或設備，它可以像部署攝像機一樣簡單。這是一種低影響的措施，可以極大地提高預測性維護或安全的質量，我認為這就是為什么它開始獲得良好的采用。

模糊邊緣和云之間的界限

過去，內部或云計算與邊緣計算之間有一條清晰的界限。邊緣是提供云外分布式設備的網(wǎng)絡公司的領域。在過去的12到18個月中，隨著組織將邊緣分析以及由此產生的決策越來越靠近數(shù)據(jù)源，云基礎架構上的邊緣計算趨勢加速發(fā)展。

這種從云到內部部署的轉變引發(fā)了混合環(huán)境的出現(xiàn)。

我們的目標不是成為一種替代技術，而是一種增值能力。我們所有的展示或消費方式都是基于這個前提。我認為我們看到的所有項目的一致路線是界定問題范圍的好處，能夠針對具體的結果這就是我們看到公司在使用分析技術方面表現(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時間內取得最大成功的一個方向。