边缘计算能就近提供智能互联服务，满足行业在数字化变革过程中的关键需求。在物联网时代，不断增长的数据催生了对边缘计算的需求，据IDC预测，未来超过50%的数据需要在网络边缘侧分析、处理和储存。其巨大的市场空间也被玩家们看在眼里，2019边缘计算还将如何更好地推动物联网技术发展？这里列出了7个有关边缘计算和物联网的预测。
1、IIoT分析和机器学习（ML）公司会重点衡量它们在计算方面的交付能力。
随着越来越多的IoT项目采用以云为中心的解决方案，人工智能（AI）和IoT下一步要解决的问题是如何使用较少的资源，将算法带到边缘侧。据Gartner称，在未来四年内75％的企业生成的数据将在边缘处理（相对于云计算），而今天只有不到10％公司会这样做。数据的大量增加，更高的保真度分析，更低的延迟要求，安全问题和巨大的成本优势这些因素都催生了边缘计算的兴起。
虽然云是存储数据和训练机器学习模型的好地方，但它不能提供高保真的实时流数据分析。相反，边缘技术可对所有的原始数据提供高可靠性地分析，并能检测各种异常，最重要的是能做出实时反应。
2、需要正确分辨“真”与“假”边缘解决方案。
与所有热门新技术一样，市场已逐渐失去“边缘计算”这一术语，但在IoT部署中没有明确的界限。“假”边缘解决方案声称他们可以在边缘处理数据，但实际上采取的方法是将数据发送回云端，然后进行批量或微批处理。当人们阅读边缘计算时，会认为假的解决方案中没有复杂事件处理器（CEP），这意味着该解决方案的延迟更高且数据仍然“脏”，分析不准确，ML模型显著受损。
“真正的”边缘智能始于超高效的CEP，CEP可以清理，规范化，过滤原始数据流。此外，“真正的”边缘解决方案包括集成的ML和AI功能，这些功能都需要嵌入到大大小小的边缘计算设备中。CEP功能应在边缘现场实现实时，可操作的分析，并为操作技术（OT）人员提供快速修复、优化的用户体验。它还为ML / AI分析提供数据，方便系统生成高质量的预测见解，以推动资产绩效和流程改进。
3、ML和AI模型将变得很脆弱。
将机器学习转移到边缘不仅仅是改变处理数据的位置，目前使用的大多数ML模型都是都是基于云计算能力、运行时间而设计的。由于这些假设在边缘处都不成立，因此ML模型必须适应新环境。
换句话说，他们需要“边缘化”。在2019年，“真正的边缘”解决方案将使数据预处理和后处理从ML模型重新定位到复杂的事件处理器，并使模型更接近数据资源。这个过程称为edgification，它将推动整个行业采用更强大的边缘计算和IoT应用程序。
4、闭环边缘到云的机器学习将成为真正的操作解决方案。
随着ML和AI算法在传感器附近或物联网网关中的应用变得更加成熟，关于如何训练和进一步迭代这些模型的最佳实践将会出现。行业内相关组织会发现，在实时流数据（包括音频和视频）上生成分析的边缘设备应定期将结果发送回云，只有那些发现异常数据的设备才是核心算法需要关注的地方。
5、只有边缘计算解决方案支持多云和混合云部署时，生产IIOT应用程序才会投入实施使用。
混合云和多云解决方案将在工业接口部署中占据主导地位。最近的一份报告发现，到2023年，混合云市场将达到976.4亿美元。工业组织希望将多云环境结合在一起，以提供一种更具成本效益的方法和灵活性。
随着公司在构建其云环境边缘时会寻求更大灵活性的解决方案，供应商的专有解决方案可能会走投无路。谷歌、亚马逊webservices、微软、C3 IoT、Uptake和其他领先的云服务提供商将与边缘计算公司建立更多的合作伙伴关系，以帮助企业继续改进和扩大其产品线。
6、物联网视频和音频传感器将起飞，推动边缘深度学习的发展。
对于音频和视频传感器能给工业设备带来的性能，业界都很兴奋。在商业和工业物联网系统中进一步部署音频和视频数据方面，边缘计算技术可以发挥重要作用。将资产数据与音频和视频分析结合起来，可以更快、更准确地进行设备和机器维护（包括系统健康的更新等）。视频分析的一个例子是在石油和天然气作业中使用火炬监测，远程跟踪大量火炬塔的环境合规性和火炬状态。
7、预防性维护将让位于规范性维护。
IIoT边缘解决方案提供的一项重大承诺是预测性维护，可以深入预测未来连接设备（如制造设备或石油钻井平台）可能发生的情况。尽管许多组织在实施预测维护方面仍然滞后，但在2019年，将有更先进的技术供早期采用者使用。规范性维护是向前迈进的一步，使得企业不仅可以预测问题，还可以使用数据分析为运营和维护制定有针对性的建议。
例如，电梯制造商希望把一些常规问题彻底解决，如电梯门中的摩擦。针对这项工作，他们可以与FogHorn合作创建预测性维护解决方案。通过分析源头处的传感器数据，他们现在可以提前确定维护需求，而无需再考虑传输数据的高成本，高延迟，安全性等其他问题。因此，公司可以在异常情况到来之前，以一种高效的方式安排维护。
原文链接：https://www.rfidjournal.com/articles/view?18111/3
转载自 SDNLAB，链接：https://www.sdnlab.com/22864.html
