Edge Analytics如何补充云计算以设计更好的工业解决方案
云计算和边缘计算是不同的方法，但彼此互补，并且完全取决于所实现的应用程序。
随着物联网的实现，连接的应用程序和系统正在迁移到云中。同时，在云上生成的终端设备及其数据的数量也在增加。物联网生态系统中的传感器，移动设备，可穿戴设备以及许多其他连接的设备会生成大量的分散数据。缺乏可靠的连接性，延迟以及在云中处理这些巨大数据的困难，给分析和从这些数据中提取重要见解提出了挑战。
为了克服这一挑战，企业正在利用边缘分析和云计算。通过将计算能力带到数据源附近，这将在IoT网络中带来不稳定，并减少分析的延迟，从而实现即时的视觉效果和解决方案。边缘分析将算法带入数据并提供重要见解。
Analytics（分析）如何在Edge上发生？
随着半导体技术的进步，MCU和处理器配备了更多的处理能力，专用的硬件组件和计算功能，通过部署高级机器学习方法（如深度神经网络或卷积神经网络）来帮助更快地进行边缘分析。
在优化后可以部署在TensorFlow，Keras和Caffe等流行框架上开发的模型，以在Andriod和微控制器等推理设备上运行。可以考虑TensorFlow-Lite，TensorFlow-micro，CMSIS-NN等MCU功能来设计推理机，这些推理机可以在边缘执行量化模型以加快分析速度。
边缘分析使需要边缘数据洞察的组织受益。根据一份报告“全球汽车传感器技术市场”，汽车中使用的传感器平均数量已从50-60增加到100+，不久将达到200+，这将产生大量数据。汽车领域的边缘分析将帮助公司实时收集，分析和处理数据，使他们能够立即采取必要的行动。此外，可以通过人工智能和边缘机器学习来设计智能应用程序，例如避免碰撞，交通路线，非道路检测系统等。
这样可以确保优化的资产使用，低维护成本和乘客安全。同样，物联网驱动的医疗设备可以收集患者的数据。边缘分析可以分析收集的数据，而无需持续的网络连接。使用手机/平板电脑治疗患者的临床医生将能够将患者数据输入到边缘处的分析平台中，并在其中进行近实时处理和显示。这有助于更快地减少患者的就诊频率。而且，它在云和设备之间增加了安全的计算能力层，从而保护了患者数据。
Analytics（分析）如何在云端发生？
在了解了边缘分析的优势之后，重要的是要了解它不能代替云，但是由于它靠近数据源，因此可以通过实时分析对云计算进行补充。很少有进程会继续在云中执行。
- 机器学习算法的训练：机器学习算法的开发取决于大量数据，在训练模型之前，学习过程会从中提取许多实体，关系和群集。这可以与训练模型一起在云上执行。
- 处理能力和存储容量：存储和处理能力的无限扩展性，易于部署分析，因此云分析不可替代。历史数据存储在云中，随着基于云的分析处理大量数据，将来可能会有用。例如，它可以将历史数据添加到流数据中，或使用边缘分析来分析所有设备的所有输出。
- 利用将应用程序的所有边缘设备连接到单个云的优势，云使我们能够对边缘分析执行超级分析。云具有管理数据并将其转化为有意义的预测和分析的手段。
Edge Analytics如何补充云？
由于延迟，带宽，功耗，成本，外形尺寸以及其他各种因素，物联网系统中的实时决策仍然具有挑战性。这可以通过在边缘添加人工智能来克服。
- 减少数据带宽/传输的利用率：将大量数据转移到云中进行处理会消耗大量数据带宽，并产生明显的滞后，可能会损害对时间要求严格的应用程序。为了避免这种延迟并消除对数据带宽的依赖，可以在边缘执行数据处理。
- 消除了持续与云连接的需求：在石油，天然气或采矿等行业中，公司员工在远离人口稠密地区的远程站点上工作，因此不存在连接。在这种情况下，诸如机器人之类的边缘设备上的传感器可以捕获数据，对其进行分析并监视操作参数是否在其正常值范围内。
- 实时性能和更快的处理速度：边缘计算极大地减少了必须通过网络发送的数据量，从而减少了网络拥塞并加快了运行速度。边缘计算不是在云中运行流程，而是在计算机，IoT设备或边缘服务器等本地位置上运行流程。通过将计算带到网络边缘，可以减少客户端和服务器之间的远程通信，并获得实时见解。
- 增强的数据安全性（更接近数据源和位置感知）：解释说，不是让安全摄像机将其视频馈送的内容流到云中，然后针对某些情况（未知人员，物体等）进行分析。 ，该分析可以在相机本身内完成。与生物识别数据相关的数据隐私和安全问题使得仅在设备上本地使用数据，而不通过云连接发送数据就变得极为重要。
云计算和边缘计算是不同的方法，并且完全取决于实现的应用程序。虽然他们不信誉，但可以互补。不可能针对所有情况都提供一种合适的解决方案。很少有关键因素，例如实时性能，带宽成本，数据大小，应用程序的复杂性等，这些因素决定了要进行边缘分析还是云分析，或者两者兼而有之（两者兼有）。
