卡特彼勒是重型機械的代名詞，在90多年的歷史中，其產品一直在幫助用戶建立更美好的世界。過去20年，卡特彼勒一直在推動行業領先的連接解決方案，1999年推出第一款遠程信息處理設備，現在正在通過先進的數據科學和物聯網解決方案來支持數字戰略。

借助車載計算機、傳感器和攝像頭，大約一百萬個資產正在將數據傳輸到公司，以實現大規模的高級物聯網分析，這些數據包括時間序列數據，機器運行狀況報警，燃油使用量，GPS定位和操作員的使用情況。

卡特彼勒的物聯網分析技術借助數據，可以以更低的總成本、更高的生產率和安全性，更低的維護成本為用戶創造價值。使用分析可以了解何時需要維修和更換機器以及設備部件，如何高效的操作以提高產量，降低運營成本，如何延長設備使用壽命等等。

那么，物聯網分析的未來是什么？先看看物聯網領域的趨勢和挑戰。

趨勢：數據量不斷增加。

挑戰：可用數據的質量。

工業物聯網是用于分析的數據生成引擎：一臺大型現代化卡車擁有100多個傳感器，每個傳感器以每秒一次或更快的頻率產生數據并處理。分析人員在處理如此大量的數據時，可能遇到質量問題，如缺少批次信息、缺少通道、傳感器故障，錯誤的提取信息，數據抽取傳輸裝在過程中的故障等問題。這些問題導致數據科學家將更多的時間浪費在數據質量控制而非花在數據分析上。

行動：投資于數據質量監控和改進。這將帶來長期的收益，隨著數據量的不斷增加，以后解決數據質量的問題將越來越困難。

趨勢：“監督”分析模型將成為主流。

挑戰：缺乏質量的基本準則。

監督模型可以更直接的使用，并帶有準確的估計值，因此作為首選模型。但是，在決絕包括真是數據質量在內的數據質量問題之間，受監督模型很難實現高精度。

行動：專注于”無監督“模型，但要建立與監督模型兼容的基礎架構，并繼續提高數據質量。隨著建立基礎設施以自動標記數據，向監督模型過渡可能而逐漸發生。

趨勢：自動化分析。

挑戰：由于人工參與，缺乏算法透明性，限制了可伸縮性。

物聯網數據分析的最終目標是完全自動化執行任務，使人類專家可以將精力集中在最復雜的問題上。這是最有效和最具有成本效益的方法。但是，大多數機器學習算法都是黑盒算法，做出的決策通常很難解釋和新人。

行動：投資于人員培訓，教育和建立對所有模型的信任。另外投資可為人類用戶解釋模型的解決方案。模型的響應越透明，就越可能實現分析自動化。

趨勢：遷移到云。

挑戰：數據連接問題，分析決策延遲和基礎架構成本。

行動：在多數情況下，數據、分析和其他服務遷移到云是很有意義的，云提供了可伸縮性、和按需付費的方法，減少了費用支出。同時也帶來了數據延遲問題，因而某些情況下依靠云的實時物聯網數據分析是不可能的。

行動：規劃靈活、集成且可靠的端到端分析解決方案，覆蓋從邊緣分析到云分析。這種解決方案兼顧連接性、延遲、成本。

趨勢：從數據批處理向流式傳輸和實時分析的轉變。

挑戰：更改現有基礎架構的復雜性

分析的總體趨勢是從批處理數據轉化為實時處理，這種轉變成本很高。

行動：為未來計劃，這種轉變是未來趨勢，所以必須盡早過渡。客戶需求、技術進步和競爭壓力最終將支持更多的流式應用。

趨勢：物聯網數據無處不在。

挑戰：數據IP，所有權、安全性和治理。

將所有物聯網數據集中在一個地方，并為所有團隊提供數據的訪問權限，可能式加快產品和技術開發，降低成本，創新并改善協作的最佳途徑。但是，將出現新的數據問題：誰擁有哪些數據，誰可以訪問哪些數據，是否有權使用數據，如何處理高度機密的數據。這些需要法律法規、行業標準的不斷完善，才能支持物聯網數據的使用。

行動：建立強大的數據治理和安全流程，盡可能多的利用根云服務商提供的服務。
責編AJX