人们可以将工业物联网想象成企业的神经系统：它是一个传感器网络，可以从生产工厂的各个角落收集有价值的信息，并将其存储在数据库中以进行数据分析和利用。工业物联网对于测量和获取数据以做出明智的决定是必要的。但是接下来会发生什么?企业应该如何处理所有这些数据?人们通常了解根据可靠的信息才能做出正确的决策，虽然这听起来很简单，但实现该目标并不是那么容易。本文将超越物联网，重点关注数据以及如何通过物联网人工智能(AIoT)和数据分析来利用它。
以下将专门讨论分析阶段，这个过程首先将数据转化为信息，然后转化为知识(有时也称为业务逻辑)。然而，最终不会偏离物联网的核心主题，因为没有大数据的物联网对人们来说毫无意义。
大数据和数据分析
几十年来，特别是在20世纪10年代，人们目睹了数字技术大规模生成的数据(结构化和非结构化)的惊人泛滥。在工业世界的特殊情况下，充分利用大量信息对业务成功至关重要。
这种处理业务数据的需求催生了“大数据”、“数据科学”和“数据分析”等可互换的术语，人们可以将它们统称为用来检查设备网络捕获的数据所遵循的流程，目的是揭示模糊的趋势、模式或相关性。这样做的根本目标是使用新型知识改进业务。
因为它是最近创建的一个术语，所以对大数据有不同的定义。Gartner公司提供的其中一个术语概述了三个关键方面：数据量、数据种类和捕获速度。这些通常被称为3V，尽管其他定义对此进行了扩展，并将其变成了5V，增加了数据的真实性及其为业务带来的价值。
但是，对于什么是大数据和不合格的数据进行理论探讨并没有多大意义，因为由于数据收集设备无处不在，大数据分析和处理已经适用于大范围的工业世界。
物联网和大数据
物联网和大数据如何相互关联?物联网连接的主要点通常是数据库。一般来说，物联网的工作在数据库中结束;换句话说，物联网的目标是以或多或少有序的方式将所有获取的数据转储到公共存储库中。大数据领域首先访问该存储库以操作获取的数据并获取所需的信息。
无论如何，将物联网的大数据分析可视化为一个工具箱是很有用的。根据人们想要从数据中获取的信息和知识的类型，将从数据中提取一种或另一种工具。许多这些工具以传统算法的形式出现，以及对这些算法的改进或改编，具有非常相似的统计和代数原理。
其回答是，现在可用的数据量比最初构想所述算法时要大得多，但更重要的是，当今机器的计算能力允许更大规模地使用这些技术，为旧方法提供新用途。
但是不要给人一种印象，“一切都已经被发明，当前的数据分析趋势没有带来任何新的东西。”事实上恰恰相反，数据生态系统非常广泛，近年来出现了重大创新。
其中增长最快的领域之一是人工智能，人工智能并不是新兴技术，因为早在1956年就诞生了这一术语。然而，人工智能是一个如此广泛的概念，其影响如此广泛，以至于它通常被认为是一门独立的学科。然而事实上，在某些方面，人工智能在大数据和数据分析中扮演着不可或缺的角色。而如今出现了AIoT的自然演变。
AIoT：物联网的人工智能
数据量的指数级增长需要采用新的分析方法。在这种情况下，人工智能变得尤为重要。根据《福布斯》杂志的报道，主导科技行业的两大趋势是物联网(IoT)和人工智能。
物联网和人工智能是两种相互独立的技术，其相互影响很大。虽然物联网可以被认为是数字神经系统，但人工智能同样是一种先进的大脑，能够做出控制整个系统的决策。IBM公司表示，物联网的真正潜力只有通过引入AIoT才能实现。
但什么是人工智能，它与传统算法有何不同?
当机器模仿人类的认知功能时，人们通常会谈论人工智能。也就是说，它以与人类相同的方式解决问题，或者假设机器能够找到理解数据的新方法。人工智能的优势在于它能够生成新算法来解决复杂问题，而这是关键，因为其独立于程序员的输入。因此，人们可以将人工智能视为发明算法的算法，特别是机器学习(这是人工智能中预计增长潜力最大的部分)。
物联网人和人工智能的结合为人们带来了AIoT的概念，即能够自行做出决策、评估这些决策的结果，并随着时间不断改进的智能互联系统。
这种组合可以通过多种方式完成，在此强调其中的两种：
(1)一方面，可以继续将人工智能概念化为一个处理各种决策的集中式系统。在这种情况下指的是云平台中的一个系统，它集中接收所有遥测数据并相应地采取行动。这将被称为云人工智能(CloudAI)。
(2)另一方面，还必须谈论隐喻神经系统的一个非常重要的部分：反射。反射是神经系统做出的自主决定，无需将所有信息发送到中央处理器(大脑)。这些决定是在其外围做出的，靠近数据的来源。这称为边缘人工智能(EdgeAI)。
边缘人工智能和云人工智能的用例
云人工智能提供了一个全面的分析过程，将整个系统考虑在内，而边缘人工智能则为人们提供了快速响应和自主权。但与人体一样，这两种反应方式并不相互排斥，实际上可以互补。
例如，给水控制系统可以在检测到泄漏时立即关闭阀门，同时向中央系统发送通知，中央系统可以在那里做出更高级别的决策，例如打开通过另一个回路引导水的替代阀门。
这种可能性是无限的，可以超越反应性维护的这个简化示例，复杂的系统能够预测可能发生的事件，从而实现预测性维护的可能性。
AIoT用于数据分析的另一个例子可以在智能电网中找到，在智能电网的边缘，通常有智能设备分析每个节点的电力流量，并在本地做出负载平衡决策，同时它将所有这些数据发送到云平台进行分析，以生成更全面的能源战略。宏观层面的分析将允许在区域层面做出负载平衡决策，甚至通过关闭水电站或启动购电流程来减少或增加电力生产。
