事实证明，2019年是物联网技术取得更大进展的一年，尤其是在商业和工业物联网领域。为了展望未来发展，需要了解推动这一领域进步的七大趋势，从计算规模到真正边缘计算的价值，从闭环边缘到云计算机器学习等等。  1.工业物联网分析和机器学习公司需要衡量它们在计算量很小的情况下的表现  随着工业物联网项目逐渐远离以云计算为中心的方法，人工智能和工业物联网演进的下一步将满足将算法转换为边缘计算工作的需求，而占用空间要小得多。  据调研机构Gartner公司表示，在未来四年内，75%的企业生成数据将在边缘处理(相对于云计算)，高于当今的10%。向边缘计算的转移不仅取决于数据的大量增加，还需要更高的保真度分析、更低的延迟要求、安全问题，以及巨大的成本优势。  虽然云端是存储数据和培训机器学习模型的好地方，但它不能提供高保真的实时流数据分析。相比之下，边缘计算技术可以分析所有原始数据，并提供最高的保真度分析，并增加检测异常的可能性，从而实现即时反应。成功的测试将是在尽可能小的范围内实现的“能力”或计算能力的数量。  2.了解“真实”与“虚假”边缘解决方案  与所有热门新技术一样，有些市场已经不再使用“边缘计算”这一术语，它在工业物联网部署中的构成没有明确的界限。“虚假”边缘解决方案声称可以在边缘处理数据，但真正依赖于将数据发送回云端进行批处理或小批量处理。  在了解有关边缘计算的内容时，“虚假” 边缘计算被认为是没有复杂事件处理器(CEP)的伪造数据，这意味着延迟更高，并且数据仍然很“脏”，使分析更不准确，机器学习(ML)模型受到严重影响。  “真实”边缘计算从一个超高效的复杂事件处理器(CEP)开始，该复杂事件处理器(CEP)在生产过程中清理、规范化、过滤、场景化以及或原始的工业数据。此外，“真实”的边缘解决方案包括集成的机器学习和人工智能功能，所有这些功能都嵌入到最小(和最大)的计算足迹中。  复杂事件处理器(CEP)功能应在工业边缘现场进行实时，可操作的分析，并为操作技术(OT)人员的快速补救提供优化的用户体验。它还为最佳机器学习/人工智能性能准备数据，生成最高质量的预测见解，以推动资产绩效和流程改进。  真正的边缘计算可以节省大量的成本，并提高效率和数据洞察力，使希望走上真正的数字化转型之路的工业组织得以实现。  3. 机器学习/人工智能模型变得很脆弱  将机器学习(ML)移动到边缘并不仅仅是改变处理发生位置的问题。目前使用的大多数机器学习(ML)模型都是基于云计算能力、运行时间、计算的假设而设计的。由于这些假设在边缘不成立，机器学习(ML)模型必须适应新环境。  换句话说，他们需要“边缘化”。在2019年，“真正”的边缘解决方案将使数据预处理和后处理从机器学习(ML)模型重新定位到复杂的事件处理器，将它们缩小80%，并使模型更接近数据源。这个过程称为边缘化，它将推动整体采用更强大的边缘计算和工业物联网应用程序。  4.闭环边缘到云计算机器学习将成为真正的运营解决方案  随着机器学习(ML)和人工智能算法变得“边缘化”，可以在传感器附近或物联网网关或其他工业计算选项内使用，关于如何训练和进一步迭代这些模型的最佳实践将会出现。  工业组织将发现，在实时流数据(包括音频和视频)上生成分析结果的边缘设备应定期向云端发送洞察信息，但只有那些代表异常活动的设备才能保证核心算法的转变。  这些边缘洞察增强了模型，显著提高了其预测能力。然后，调整后的模型被推回到一个恒定的闭环中，对不断变化的条件和规范做出快速反应，并生成更高质量的预测洞察，以改进资产性能和