物聯(lián)網(wǎng)每年都在擴展數(shù)十億臺設備，這種狀態(tài)雖然代表了物聯(lián)網(wǎng)的繁榮，但是龐大的數(shù)據(jù)量也帶來了麻煩，數(shù)據(jù)多了處理時間就必然會增加，從而帶來反饋的延遲。幸運的是，人工智能和物聯(lián)網(wǎng)設備的進步正在將數(shù)據(jù)分析提升到一個全新的水平，在創(chuàng)建動態(tài)網(wǎng)絡和分布式智能的同時解決物聯(lián)網(wǎng)的頂級數(shù)據(jù)挑戰(zhàn)。
通常情況下，物聯(lián)網(wǎng)數(shù)據(jù)需要實時轉換為響應式操作，尤其是在流量管理、安全入侵或設備故障等情況下。
解決這些問題的方法是邊緣計算。通過添加提供本地處理能力的網(wǎng)關和物聯(lián)網(wǎng)設備來擴展企業(yè)網(wǎng)絡的處理能力。這解決了幾個大問題，包括實時響應要求的路由和調整，并創(chuàng)建了一個可以解析收集的數(shù)據(jù)的點，其中一些信息在現(xiàn)場處理，信息綁定到云存儲單獨傳遞。
物聯(lián)網(wǎng)的工作，在應對不斷變化的條件，管理中斷和微調資源方面，都是關于模式檢測和機器學習的，這些活動現(xiàn)在可以通過邊緣計算發(fā)生，而這些活動正在進行中。人工智能需要從云中移出并進入邊緣。
物聯(lián)網(wǎng)中的人工智能適合的地方
當物聯(lián)網(wǎng)數(shù)據(jù)保持在本地并進入基于邊緣的機器學習時，模式就會出現(xiàn)。這些模式可以預測機器故障或系統(tǒng)故障，例如，可以應用預防性維護并避免制造環(huán)境中的中斷或停機，或者預測供應鏈中的中斷并進行調整以避免它們。
更重要的是，將機器學習應用于生產環(huán)境，流量管理和其他復雜環(huán)境或流程可能會出現(xiàn)導致其優(yōu)化的意外模式。物聯(lián)網(wǎng)中的人工智能可以為這些環(huán)境和流程創(chuàng)建復雜，細節(jié)豐富的快照，這些快照在研究時可以揭示潛在的效率，這些效率很容易被人類讀取儀表檢測不到。
人工智能使用
例如，造船公司使用人工智能從其船隊收集的物聯(lián)網(wǎng)數(shù)據(jù)，以發(fā)現(xiàn)船體清潔對船舶效率的影響。造船公司能夠充分了解每年兩次清洗船體比每年清洗一次能夠帶來更低的成本，因為這樣能夠減少船體的腐蝕。
最后，人工智能是邊緣網(wǎng)絡本身的應用程序。物聯(lián)網(wǎng)邊緣網(wǎng)絡中的人工智能使應用程序能夠監(jiān)控自身的性能，隨著應用程序和流程的不斷改進而自我優(yōu)化。
國內物聯(lián)網(wǎng)卡供應平臺物聯(lián)卡商城表示，物聯(lián)網(wǎng)部署需要人工智能技術的輔助，持續(xù)學習，持續(xù)提高性能，不僅管理物聯(lián)網(wǎng)數(shù)據(jù)流量，還管理需要返回家庭云的信息。這是一個雙贏的新興利益，不僅解決了大問題，而且在這個過程中實現(xiàn)了巨大的，通常意想不到的收益。
（文章來源：http://www.wlk.cn/a/828）
