文章轉載來源《千家網》
多年來，分析已成為物聯網不可或缺的一部分。制造商、運輸和能源企業等工業組織以及世界各地的政府繼續采用這些技術，以提高運營效率，并實現顯著的成本和運營節約。
人工智能、流式分析和機器學習等高級分析技術與物聯網技術和傳感器相結合，可以幫助智能工廠、電網基礎設施甚至城市供電。但2023年這個重要領域會發生什么呢？
物聯網分析的興起
未來一年物聯網分析將出現四大趨勢：低代碼和無代碼自動機器學習（AutoML）的興起、增強的數字孿生技術、計算機視覺的工業應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。
預計到2023年，通過低代碼和無代碼AutoML，工業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來增強。
2023年，我們還將看到更多專門針對能源、基礎設施優化和工業制造領域定義的用例的專用數字孿生應用。預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，利用這些技術的行業將擴展到IT人員和數據科學家的更小眾用例之外，計算機視覺計劃將側重于產量提高、運營效率和安全性。
最后，隨著微軟Azure、亞馬遜網絡服務和谷歌云平臺等云超大規模企業開始在邊緣推出核心云服務，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境中。這將意味著在2023年更快地采用物聯網分析，以增強在源頭的決策。
低代碼，無代碼
我們將繼續看到各行業對物聯網計劃的廣泛采用。這一領域的勢頭已經持續了很長一段時間。如果我們回顧三四年前，我們真正關注的是概念驗證的想法，但現在我們的客戶正在從這些POC過渡到更可持續和長期的概念。
在過去的一年里，我們看到一些企業希望測試物聯網和分析項目，并證明他們可以繼續創造價值。這并不一定是我們將從去年到明年看到的轉變，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網用例的組成部分，然而，隨著圍繞它的系統變得更容易理解和更廣泛地部署，幾年來已經逐漸發生了變化。低代碼、無代碼分析的興起是可訪問性上升的主要驅動力。
低代碼、無代碼分析的最大目標是讓任何人都能夠將數據轉化為見解，低代碼、無代碼環境正在向那些沒有大量數據科學家技能的企業開放，而制造業是真正采用物聯網和分析的行業之一。分析和數據不再是白領和藍領工人的領域，它開始被供應鏈上的所有人使用。
數字孿生
傳感器的激增也意味著在數字環境中表示系統變得越來越簡單，這將導致下一個預測的增強數字孿生技術的趨勢。
一旦我們能夠在數字世界中準確地復制現實世界的系統，我們就可以開始使用變量，以優化物理元素而不影響日常操作。如今也可以開始為基礎設施創建數字孿生，并開始移動這些杠桿，以預測供應鏈的任何部分是否存在問題，甚至可以在問題發生之前采取措施解決問題。
過去，大多數分析程序都涉及獲取大量數據，通過網絡移動數據，并將其放入一致的環境中。然后是創建算法的過程，這些算法可以查看數據并產生見解，然后分發給消費者。
七八年前，分析技術的應用擴展到了物聯網。這實際上更多的是生態系統的擴展，而不是一個完全的轉變。過去，大多數分析程序都涉及訪問大量數據，通過網絡移動數據，并將其放入一致的環境中。然后是創建算法的過程，這些算法可以查看數據并生成洞察力，然后分發給消費。而傳感器技術的變化重塑了整個領域。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據的來源，在傳感器的邊緣，使用強大的分析實時流數據。
計算機視覺的工業應用
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域，它有著廣泛的應用。我們可以使用它來識別需要監控的區域，并設置警報以警告操作員發生了什么，隨著時間的推移，確定他們可以通過培訓糾正的問題領域。
當然，這項技術的一個巨大好處是預測性維護，允許運營商識別和解決特別容易發生事故或問題的區域，我們經常看到更廣泛的應用，而不僅僅是預測性維護。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，也不需要部署大量的傳感器或改變系統或設備，它可以像部署攝像頭一樣簡單。這是一種低影響的措施，可以極大地提高預測性維護或安全性的質量。
模糊邊緣和云之間的界限
內部部署或云計算與邊緣計算之間曾經有一條明確的界限。邊緣是網絡企業的領域，它們提供位于云之外的分布式設備。在過去的12到18個月里，隨著企業將邊緣分析和由此產生的決策越來越接近數據的來源，云基礎設施上的邊緣計算加速發展。
這種從云計算到內部部署的轉變引發了混合環境的出現。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果。這就是我們看到企業在使用分析技術方面表現出色的地方，而不僅僅是機器學習或物聯網。但我認為這是所有人在最短的時間內取得最大成功的一個方向。
