卡特彼勒是重型机械的代名词。在90多年的历史中，其产品一直在帮助用户建立更美好的世界。在过去的20年中，Caterpillar一直在推广行业领先的连接解决方案。它于1999年推出了首款远程信息处理设备，目前正通过高级数据科学和IoT解决方案支持其数字战略。借助车载计算机，传感器和摄像头，大约一百万个资产正在将数据传输到公司，以进行大规模的高级物联网分析。这些数据包括时间序列数据，机器健康警报，燃油使用情况，GPS定位和操作员使用情况。卡特彼勒的物联网分析技术使用数据为用户创造价值，同时降低总成本，提高生产率和安全性并降低维护成本。使用分析了解何时需要维修和更换机器和设备组件，如何有效运行以增加产量，降低运行成本以及如何延长设备的使用寿命等。那么，物联网分析的未来是什么？首先让我们看一下物联网领域的趋势和挑战。趋势：数据量继续增加。挑战：可用数据的质量。工业物联网是用于分析的数据生成引擎：大型现代卡车具有100多个传感器，每个传感器生成数据并以每秒一次或更快的频率对其进行处理。当处理如此大量的数据时，分析人员可能会遇到质量问题，例如缺少批处理信息，缺少通道，传感器故障，信息提取不正确以及数据提取和传输过程中的故障。这些问题导致数据科学家将更多的时间浪费在数据质量控制上，而不是数据分析上。行动：投资于数据质量监控和改进。这将带来长期利益。随着数据量的不断增加，将来解决数据质量问题将变得越来越困难。趋势：“受监管”分析模型将成为主流。挑战：缺乏质量的基本准则。监督模型可以更直接地用于准确的估计中，因此它是首选模型。但是，在解决包括真实数据质量在内的数据质量问题时，受监督模型很难实现高精度。行动：专注于“无人监管”模型，但建立与监督模型兼容的基础架构，并继续提高数据质量。建立自动标记数据的基础结构后，可能会逐渐发生向监管模型的过渡。趋势：自动分析。挑战：由于手动参与，算法透明性的缺乏限制了可伸缩性。物联网数据分析的最终目标是使任务完全自动化，以便人类专家可以专注于最复杂的问题。这是最有效和最具成本效益的方法。但是，大多数机器学习算法都是黑盒算法，通常很难解释和做出新的决策。行动：投资于人员培训，教育和建立对所有模型的信任。此外，投资用于为人类用户解释该模型的解决方案。模型的响应越透明，自动执行分析的可能性就越大。趋势：迁移到云。挑战：数据连接问题，决策延迟分析和基础架构成本。行动：在大多数情况下，将数据，分析和其他服务迁移到云是有意义的。云提供了可扩展性和按需付费的方法，从而减少了支出。同时，这也带来了数据延迟的问题，因此在某些情况下不可能依靠云的实时物联网数据分析。行动：计划一个灵活，集成且可靠的端到端分析解决方案，涵盖从边缘分析到云分析的整个过程。该解决方案考虑了连接性，延迟和成本。趋势：从批处理数据到流和实时分析的转变。挑战：更改现有基础结构的复杂度分析的总体趋势是从批处理数据转换为实时处理，而这种转换的成本很高。行动：为未来做计划。这种变化是未来的趋势，因此必须尽快进行过渡。客户需求，技术进步和竞争压力最终将支持更多的流媒体应用程序。趋势：物联网数据无处不在。挑战：数据IP，所有权，安全性和治理。将所有物联网数据集中在一处并为所有团队提供对数据的访问权限是加快产品和技术开发，降低成本，创新并改善协作的最佳方法。但是，将会出现新的数据问题：谁拥有哪些数据，谁可以访问哪些数据，他们是否有权使用该数据以及如何处理高度保密的问题。