到2025年，物联网设备在全球产生的数据量将达到79.4兆字节(ZB)，即79万亿千兆字节。在基础设施行业，这种数据爆炸带来的挑战最大。
现在，我们管理、看到收购或建造的几乎每一项资产都内置了连接传感器，或者能够以微不足道的成本添加传感器。他们将这些来自维护报告和资产检查的数据情报结合起来。因此，许多基础设施运营商发现自己每天都被TB级的数据淹没，几乎涵盖了其资产状态和运营的方方面面。
的确，没有传感器的老化资产确实面临进入壁垒，因为改造整个库存的物流。这本身就是一个问题，因为在一个智能主导的世界里，人们被抛在了后面。
但越来越多的资产所有者现在正在他们的建筑物中添加传感器，并因此获得大量数据。
如果没有正确的数据模式、策略和运营模式，组织将无法高效地使用这些数据，并且其中的大部分会丢失。坦率地说，资产所有者正在努力跟上步伐，他们经常雇用整个控制室的分析师，这些分析师整天观察实时或接近实时的数据(通常是错误警报)，试图找到优先维护任务。他们仍然经常错过重要的事情。简而言之，他们变成了数据盲。
以这种方式有效地预防意外故障几乎是不可能的。 在最坏的情况下，增加数据工作者数量的成本将被减少现场工作的工程师和技术人员数量所抵消。
这意味着即使数据团队及时正确地识别问题，也可能没有足够的技术工人在正确的时间范围内解决问题。
机器学习如何提供帮助
智能运维 (O&M) 的目标是将正确的信息在正确的时间交到正确的人手中，以便资产所有者做出正确的决策。 机器学习功能现在可以通过从每项资产中收集最有价值的数据并更有效地处理这些信息来实现这一点。 通过只关注那些对关键性能指标有实际影响的变量——通常是那些与避免计划外停机有关的变量——基础设施运营商可以从现有资产中释放新价值，并做出更好的战略和战术决策。
了解您希望跟踪的最有价值的数据点还将告知您将传感器放在首位的位置。 大多数组织会发现将传感器随处安装在经济上是不可行的，尤其是当他们在旧资产上进行改造时。 数据收集的战略方法总能胜过将传感器放置在随机位置或随处可见的散弹枪方法。
下一步是确保数据被推送到正确的应用程序。 通常，您需要一个仪表板和警报系统，让分析师能够一目了然地查看重要变量，并在关键变量超过预设阈值时提醒操作员。 这使公司能够对任何可能有偏离峰值性能风险的资产做出快速反应。
确保在正确的时间收集正确的数据也很重要——并且当数据与公司的运维和更广泛的业务目标相关时，它会触发警报。 这就是拥有专家的帮助，不仅在数据驱动的维护方面，而且在客户运营的特定领域——无论是能源部门、交通、水利基础设施还是其他领域。
虽然传统上，我们倾向于从金钱、时间和节省的角度来考虑效率——数字化使能以更好的成本和速度做事——增强的数据和机器学习能力现在也允许资产所有者跟踪气候效益等事情， 净零目标和可持续性——所有这些都成为衡量的关键绩效指标。
如果我们把智能运维做对了，我们将能够更大程度地预测资产的性能并真正开始依赖它们，而不是失控和不断救火。 在相对较短的时间内，它可以对绩效指标产生可衡量的影响，例如总投资回报率、失败间隔时间和公司运营的可持续性。 通过提供对资产性能的可靠洞察，这种智能的、数据驱动的 O&M 方法还可以帮助改进未来的投资决策并增加资本投资回报。
