by Scarlett Evans
多年来，分析已成为物联网不可或缺的一部分。制造商、运输和能源企业等工业组织以及世界各地的政府继续采用这些技术，以提高运营效率，并实现显著的成本和运营节约。
人工智能、流式分析和机器学习等高级分析技术与物联网技术和传感器相结合，可以帮助智能工厂、电网基础设施甚至城市供电。但2023年这个重要领域会发生什么呢？
物联网分析的兴起
未来一年物联网分析将出现四大趋势：低代码和无代码自动机器学习（AutoML）的兴起、增强的数字孪生技术、计算机视觉的工业应用以及边缘和云之间的界限模糊。这些趋势并不意味着与前几年有所不同，而是疫情之后市场轨迹的延续。
预计到2023年，通过低代码和无代码AutoML，工业化人工智能将有更大的可用性，这些模型通过自助市场提供，并有可能通过定制和部署打包服务来增强。
2023年，我们还将看到更多专门针对能源、基础设施优化和工业制造领域定义的用例的专用数字孪生应用。预计各组织也将越来越多地采用计算机视觉和其他人工智能技术，利用这些技术的行业将扩展到IT人员和数据科学家的更小众用例之外，计算机视觉计划将侧重于产量提高、运营效率和安全性。
最后，随着微软Azure、亚马逊网络服务和谷歌云平台等云超大规模企业开始在边缘推出核心云服务，边缘计算将成为云计算的延伸。工作负载将智能地分布在混合环境中。这将意味着在2023年更快地采用物联网分析，以增强在源头的决策。
低代码，无代码
我们将继续看到各行业对物联网计划的广泛采用。这一领域的势头已经持续了很长一段时间。如果我们回顾三四年前，我们真正关注的是概念验证的想法，但现在我们的客户正在从这些POC过渡到更可持续和长期的概念。
在过去的一年里，我们看到一些企业希望测试物联网和分析项目，并证明他们可以继续创造价值。这并不一定是我们将从去年到明年看到的转变，而是随着客户开始看到其项目的显著回报，从狭隘的PoC向更广泛的采用。
如今似乎很难想象分析不是每一个物联网用例的组成部分，然而，随着围绕它的系统变得更容易理解和更广泛地部署，几年来已经逐渐发生了变化。低代码、无代码分析的兴起是可访问性上升的主要驱动力。
低代码、无代码分析的最大目标是让任何人都能够将数据转化为见解，低代码、无代码环境正在向那些没有大量数据科学家技能的企业开放，而制造业是真正采用物联网和分析的行业之一。分析和数据不再是白领和蓝领工人的领域，它开始被供应链上的所有人使用。
数字孪生
传感器的激增也意味着在数字环境中表示系统变得越来越简单，这将导致下一个预测的增强数字孪生技术的趋势。
一旦我们能够在数字世界中准确地复制现实世界的系统，我们就可以开始使用变量，以优化物理元素而不影响日常操作。如今也可以开始为基础设施创建数字孪生，并开始移动这些杠杆，以预测供应链的任何部分是否存在问题，甚至可以在问题发生之前采取措施解决问题。
过去，大多数分析程序都涉及获取大量数据，通过网络移动数据，并将其放入一致的环境中。然后是创建算法的过程，这些算法可以查看数据并产生见解，然后分发给消费者。
七八年前，分析技术的应用扩展到了物联网。这实际上更多的是生态系统的扩展，而不是一个完全的转变。过去，大多数分析程序都涉及访问大量数据，通过网络移动数据，并将其放入一致的环境中。然后是创建算法的过程，这些算法可以查看数据并生成洞察力，然后分发给消费。而传感器技术的变化重塑了整个领域。更便宜、更强大的传感器变得广泛，它们的部署有助于将决策带到数据的来源，在传感器的边缘，使用强大的分析实时流数据。
计算机视觉的工业应用
很多人认为计算机视觉是物体检测。但这是一个我们看到大量增长的领域，它有着广泛的应用。我们可以使用它来识别需要监控的区域，并设置警报以警告操作员发生了什么，随着时间的推移，确定他们可以通过培训纠正的问题领域。
当然，这项技术的一个巨大好处是预测性维护，允许运营商识别和解决特别容易发生事故或问题的区域，我们经常看到更广泛的应用，而不仅仅是预测性维护。通常是实时操作缺陷检测。
计算机视觉的最大好处是它通常不是位移技术，也不需要部署大量的传感器或改变系统或设备，它可以像部署摄像头一样简单。这是一种低影响的措施，可以极大地提高预测性维护或安全性的质量。
模糊边缘和云之间的界限
内部部署或云计算与边缘计算之间曾经有一条明确的界限。边缘是网络企业的领域，它们提供位于云之外的分布式设备。在过去的12到18个月里，随着企业将边缘分析和由此产生的决策越来越接近数据的来源，云基础设施上的边缘计算加速发展。
这种从云计算到内部部署的转变引发了混合环境的出现。我们所看到的所有项目都有一条一致的路线，这有助于确定问题的范围，并能够针对特定的结果。这就是我们看到企业在使用分析技术方面表现出色的地方，而不仅仅是机器学习或物联网。但我认为这是所有人在最短的时间内取得最大成功的一个方向。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
