物聯(lián)網為卡車和物流業(yè)提供了提高效率和安全性所需的可視性。但是，像任何技術一樣，物聯(lián)網部署決策必須由成本效益分析決定。這包括決定哪些分析類型應位于邊緣或云中。

物聯(lián)網部署中的傳感器可以生成大量數據，并且該數據必須存放在要分析的地方。您可以將數據發(fā)送到云實例或集中式本地數據中心，但這需要數據傳輸，而當您查看運輸行業(yè)時，在很多領域中，通過蜂窩或衛(wèi)星進行數據傳輸將變得非常重要。

連接性是一個非常重要的黑白問題-無論您擁有還是沒有。成本略微不同。組織應考慮其設備生成多少數據。

無論用例是監(jiān)視貨物溫度以保持冷鏈的完整性，評估貨物空間以最大程度地減少死角空間的運輸，還是檢測車輛的磨損以改善卡車的維護，邊緣都能幫助減輕其中的一些成本。

薄邊與厚邊

當談到邊緣本身時，一些專家會區(qū)分薄邊緣和厚邊緣。最困難的是在運輸資產上的服務器上執(zhí)行計算時，它可以做的比薄邊緣還多，因為它具有顯著更高的計算能力。

但是，厚邊也需要更多的物理空間。而且您也不會將服務器放在卡車上。但是，如果您談論的是集裝箱運輸，貨運班輪上有足夠的空間在其中放置服務器。

薄邊用于卡車運輸中的大多數IoT用例。在這種情況下，計算設備或“網關”位于卡車或另一資產上。傳感器不是直接通過蜂窩網絡發(fā)送數據，而是將所有數據發(fā)送到此設備?！坝嬎阍O備聚合來自不同端點的數據，計算數據并執(zhí)行諸如機器學習或人工智能之類的任務，并且與云的能力相比，它的速度更快，幾乎實時。

在邊緣分析數據時，仍然必須克服困難。無論網關運行的是簡單的閾值規(guī)則還是預測模型，組織都需要一種部署和管理分析的方法。要做到這一點而又不會成為一項艱巨的任務，您需要能夠遠程訪問網關，并以結構化，自動化的方式部署這些模型。在沒有自動化的情況下將許多預測模型部署到邊緣是一項繁瑣的任務，需要專門的工作人員。

走向云

僅僅因為用例充分利用了邊緣，并不意味著云就不存在了。將數據發(fā)送到精簡邊緣可將數據到云的傳輸減少99.8％，使組織能夠經濟地利用云來開發(fā)更高級的用例。

當您使用薄邊緣時，總是使用云或本地中央數據中心。您希望保留邊緣設備上的所有數據，因為預測模型需要照顧和處理，并且由于它們的細化或設備部件的運行參數的變化而必須隨時間進行更改。正在被使用。您想獲取這些數據，以便可以更改這些參數或執(zhí)行規(guī)范性分析。

云提供了擴展效率以及執(zhí)行這些任務所需的高級功能。有更好的功能可以從云數據中提取見解。如今，很多機器學習都是在云中進行的，所有的培訓都在云中進行。

許多組織正在將大量業(yè)務工作負載轉移到云上，因為云計算已成為這些組織分析大量數據，從數據中收集見解，進行某種形式的機器學習并對該數據采取行動并發(fā)送到組織正在使用的相關設備或應用。

來源：朗銳智科