文章详情

　　边缘计算是指在生成或收集物联网(IoT)数据的网络“边缘”处或附近发生的处理。结合使用边缘计算和边缘分析(包括人工智能和机器学习)的公司，可以获取有价值的实时洞察，从而获得竞争优势。

 

　　边缘计算的最大优势-大大减少了分析处理的延迟-引起了人们对该技术的热议。在边缘计算出现之前，来自连接资产的数据必须从网络边缘传回数据中心或云以进行处理。这种延迟限制了企业快速(或自动)利用其数据洞察力的潜力。
 

　　借助边缘计算和边缘分析，公司可以在现场处理数据，从而自动执行决策和采取行动。我们正在就驱动关键业务决策的数据分析进行实时讨论。由于处理是在收集或生成数据的设备上直接进行的，因此边缘计算和分析非常适合Internet或蜂窝连接不连续或带宽受限的情况(例如海上石油平台，矿山和远程客户站点)。
 

　　早期采用者获得竞争优势
 

　　对于寻求竞争优势的企业而言，边缘计算具有广阔的前景。例如，边缘计算可降低IT成本，因为你不再需要将所有高频IoT数据移至云中或将其保留在本地进行分析或长期存储。相反，边缘分析可以识别要移动的数据和要存储的数据，以进行更深入的分析(例如温度或振动的显着变化，或者在故障前后几分钟内捕获的所有传感器数据)。还可以压缩高价值数据，从而进一步减少将数据移至云所需的总体数据量和网络带宽。
 

 

　　当边缘计算与人工智能(AI)结合使用时，优势将成倍增长。考虑公司使用某些成果网络边缘的AI嵌入式IoT分析可发现数据中的现场隐藏模式：
 

　　1)信心十足地做出快速，关键业务决策。

　　2)避免计划外的停机，节省了数百万美元。

　　3)增强运营效率。

　　4)差异化的客户体验。

　　5)更快的创新。

　　6)更高的数据安全性。
 

　　边缘数据分析
 

　　从无数的传感器到工业控制器以及诸如汽车，可穿戴设备和无人机之类的连接设备，如今已经生成了大量的物联网数据。可以快速捕获和分析接近其来源的数据的行业已准备就绪，可以在数字经济中蓬勃发展。
 

　　云与边缘计算
 

　　云和边缘计算是互补的策略，可以一起使用以从集中式和分散式方法中获取最大价值。当行动需要强大的计算能力时，云计算必不可少，而洞察时间的紧迫性则是逻辑选择。但是要获得即时见解并自动采取行动(尤其是在互联网访问不可靠的远程环境中)，你需要在边缘进行即时处理和分析。

 

　　现实世界中跨行业的示例
 

　　行业仍在采用边缘计算方面处于早期。但是，鉴于其可以支持的高价值业务需求，预计边缘计算将推动新一波业务创新。根据IDC的数据，到2022年，超过40%的组织的云部署将包括边缘计算，而25%的端点设备和系统将执行AI算法。1个
 

　　面对这一趋势，许多设备制造商已经在其物联网设备和产品中构建了通用计算功能。这是多余的，未使用的处理能力，可以在将来用于尚未设想的机器和传感器应用中。边缘设备的这种“过度建设”证明了以下事实：制造商期望对边缘计算和分析功能的需求不断增长，以支持新的创新，服务和业务场景。
 

　　让我们看一些真实的例子，这些例子展示了当今边缘计算的使用方式，并指出了未来的可能性。
 

　　通过智能植被管理最大化能源网格的正常运行时间
 

　　中国电网是一个由200,000英里以上的高压输电线路和550万英里的本地配电线组成的庞大网络，受到植被的不断攻击。网格的运营和维护成本最多占总运营预算的35%，而植被去除成本是最大的项目。(例如，加利福尼亚州的独立运营商每年仅在高压配电线上的植被管理上就花费超过2.5亿美元。)
 

　　如今，大多数公用事业公司都采用基于时间的高度手动的植被管理方法，这种方法已经实施了近100年。通过这种方法，切割频率是通过现场检查确定的。但是，借助边缘计算，公用事业公司可以立即实时分析无人机捕获的数据，以评估植被类型，生长速率，降雨量等。例如，他们可以：
 

　　1)更加有效地识别危险的树木和植被。

　　2)减少维护成本。

　　3)建立植被生长模式的预测模型。

　　4)提供全面的路权清单。

　　5)确定火灾危险区域。
 

　　雾与边缘计算：有什么区别?
 

　　借助雾计算，企业可以在数据源和云之间逻辑高效地分配数据，计算，存储和应用程序。他们这样做是为了达到预期的结果。结果就是一个雾网络，该雾网络通常专注于相互通信的边缘设备(例如IoT网关)。相比之下，边缘计算的重点是连接或嵌入“事物”(例如基站，工业机械或移动设备)的物理设备(例如路由器，交换机，集成访问设备(IAD)，多路复用器和网络访问设备)。其他实物资产。
 

　　资产收益率提高
 

　　考虑一家经营风力发电机场的公司。使用云计算，你通常可以操作这些资产，直到IoT设备和传感器检测到问题(例如大风)。但是，云中的传感器与分析软件之间存在很长的循环。如果风迅速增加到危险水平，则处理延迟和未能立即关闭涡轮机可能会导致严重损害，昂贵的停机时间和昂贵的维修费用。
 

　　每个风力涡轮机上都有数百个传感器，可以连续测量输出，天气状况，磨损和相对于目标参数的整体操作(测量输出)。然后，实时分析和机器学习可以使用此IoT数据识别危险状态并立即关闭。通过昂贵的WAN链路将传感器数据穿梭到云中进行处理，或者将分析结果(或决策)发送回边缘，不会造成任何延迟。在边缘过滤IoT数据可减少需要通过网络传输的数据量，从而进一步降低成本。
 

　　帮助智能制造尽早发现并纠正错误
 

　　如今，一些制造商正在使用由照相机或嵌入到机器中的边缘计算设备驱动的计算机视觉来更快，更早地发现问题。嵌入式计算机视觉非常准确，可以在工厂生产产品时实时检测缺陷。结果，与传统方法相比，它提供更少的误报和更早的产品偏差检测。在边缘使用物联网数据处理，制造商可以在产品超出规格之前调整机械或计算机系统。并且它们可以自动触发立即关闭-例如，当边缘设备检测到重大的意外缺陷时。
 

　　因此，工厂可以期望更高的制造良率，减少的人工检查，更长的资产正常运行时间以及更低的客户规格以外的产品运输风险–所有这些都是关键的KPI。
 

　　差异化店内零售客户体验以最大化销售
 

　　零售商正在使用摄像机作为边缘设备来监视客户在零售环境中走的路。这些设备使用边缘计算来合并每个客户的过去购买和全渠道历史记录，并根据客户资料和地理位置生成独特的实时报价。(优惠被发送给选择存储移动应用程序的客户。)捕获更多物联网数据的边缘设备可以更有效地针对这些优惠。考虑到边缘设备可以跟踪客户到商店的距离，通过商店的路径等等。如果他们看到顾客正在看尿布一段时间，他们可以立即发送优惠券或奖励来购买尿布或其他婴儿相关产品。
 

　　边缘计算还可以支持独特的产品体验，从而建立忠诚度并提高保留率。例如，汽车制造商正在将边缘计算能力构建到汽车中，以检测客户何时通过服务中心。通过处理有关汽车的运行和维护历史记录的数据，并将该信息与基于位置的信息相结合，他们可以在驾驶员需要汽车维修时向驾驶员发出警报。边缘计算可以检测某些零件何时趋向故障。然后他们可以通知客户或告诉本地服务中心与客户联系并安排维护。这些方法通常可以提高客户满意度，保留率和品牌忠诚度。
 

　　支持新的创新业务模式
 

　　边缘分析可以启用新的业务模型，从而推动新的收入来源。采暖和空调制造商正在将边缘计算构建到资产中，以便他们可以自我分析传感器数据并主动向资产所有者和维护服务提供商报告状态。例如，边缘计算设备可以指示系统是否在预期参数内运行以及达到什么程度。它们可以显示出潜在故障的风​​险，以及更有效地运行的机会。制造商可以向所有者提供此报告功能，作为一项可选的增值(收费)服务。
 

　　尽管存在间歇性的云连接，边缘计算还可以帮助确保持续的服务和资产运营。想想一台海上飓风钻机在飓风期间失去了互联网连接。借助边缘计算，它可以继续监控机械数据并采取实时的纠正措施，以确保人员和环境的安全。
 

　　同样，边缘计算可以改变客户和患者护理交付模型。在医疗保健中，它可以用于增强患者体验以及临床医生的生产率和有效性。联网的患者可以使用具有IoT功能的电话或手表捕获自己的生命(例如血压，血糖，心率和心律数据)，并通过患者门户网站与临床医生立即共享此数据。这样，边缘分析可以促进连续的患者监测，更有效的医患沟通以及更快，更准确的临床决策和诊断。
 

　　结果可以使客户，患者和工人更快乐，更健康，更安全。资产寿命更长。减少停机时间和环境影响。和更高的资产回报率。
 

　　公司可以承受延迟吗?
 

　　考虑到在边缘处不处理物联网数据的成本，我们预计采用速度会加快。制造业和运输业是最早的采用者。作为其数字化转型工作的一部分，其他行业(例如医疗保健，农业，城市政府和零售业)有望通过迅速采用而迅速赶上。
 

　　毫无疑问：从源头上发现新洞见并自动采取行动的公司将获得竞争优势，并将能够利用它超越竞争对手。从这个角度来看，边缘计算和分析策略的较晚采用者可能使利润和市场份额面临风险。