工业物联网环境中的数据上下文与内容
作为新的工业物联网革命的一部分，工厂里的机器、机器传感器和机器人产生了大量的原始数据。其中一些数据将具有智能和价值，可以提高运营效率，预测维护需求，并提供更智能、更快的业务决策。但它的大部分会有些浪费，不是那么有趣，当然也不值得节省任何时间。许多工业企业面临(或即将面临)的工业物联网系统挑战是，如何从机器数据中提取价值和智能?
数据内容vs.数据上下文
要回答这个问题，了解数据差异之间的内容和上下文与工业物联网环境有关的。自动化生产机械和内置传感器记录了无数小时的未经过滤的操作机器数据。录音的实体是内容．录音中有很多信息，但无能为力，可以提取价值或智能，或启用流程改进决策。
从机器收集的数据中，了解更多关于机器的运行情况，以及它是否有缺陷、是否偏离中心、是否需要维护或立即注意，难道不是很有价值吗?那么，那些包括机器使用高峰时间、相关产量、产品不合格率、操作者效率、拥挤区域、材料使用估算等信息呢?这些实体上下文．需要存储的有趣或有价值的数据，以便在未来的某个时刻进一步使用、分析或挖掘。
由于这些原始内容驻留在网络边缘的机器、传感器或机器人中，需要计算处理将这种智能添加到数据中。随着数据的变化，在网络的边缘将需要更多的实时处理。历史上，人类编写算法试图将数据从内容转换为上下文。这些更简单、固定的算法是在设备中的原始数据本地的小数据流上近乎实时地处理的。如今，传感器创造的数据流是巨大的和高保真的。
人工智能是大量实时边缘处理的一个例子，它使机器能够执行类似人类的任务。机器内传感器可以读取、比较机器或机器人的数据，并将其物理映射到环境中，包括分析和智能算法，可以在数据中寻找模式，并将异常情况和改进工艺的机会提醒操作人员，从而节省大量的时间和金钱。
机器学习是本地化人工智能的“老师”，它是从非常大的数据集中的学习模式发展而来的，因此，当应用于机器或机器人时，它将分析行为机器模式，并解释机器可以从中学习的现实生活操作场景。它学习的越多，就越能改进本地化的AI算法，使其更加准确和有效。
工业物联网边缘到云存储策略
Ioiot Systems和AI支持的机器应用程序产生的丰富数据正在为工业运营创造新的挑战。系统要么响应开发情况或审查和分析历史数据，寻找可以改善过程的区域，以便培训人工智能代理以监视系统。响应实时数据变化的能力要求数据可以立即访问和本地可用（边缘存储），而值得保存的数据，以备将来使用，分析或过程培训目的将被移动到云中。
随着“智能视频”在当今监控系统中创造商业价值和智能的增长，边缘数据分析也越来越成为一种需求。一旦放置在商业或零售环境,智能监控摄像头可以进行实时分析,可以识别顾客的面部表情,识别在店里的人数在一个给定的时间,他们去哪里,他们呆多久,标志位置的影响以及其他可能的选择。分析是在本地的边缘实时执行的，因为结果驻留在云中进行归档，或者删除和重新记录。
为了在本地生成内容将导致有价值的背景下,直接计算和存储元素将驻留在传感器,有时作为机器的一部分,或数据将被送到一个当地有线或无线网络,使用一个边缘网关但位于生产地板。工业物联网的存储策略不是将所有数据都存储到云端，而是使用一种组合，在机器级本地存储数据，并在工厂级使用边缘网关，这样数据就可以在本地聚合，而不是公开给外界。分析在边缘的智能和转换成一个通用的云格式的长期数据存储。
前瞻性陈述:本文可能包含前瞻性陈述，包括对西部数字嵌入式产品的期望、这些产品的市场、产品开发努力以及其产品的能力、能力和应用。这些前瞻性陈述受到风险和不确定性的影响，可能导致实际结果与前瞻性陈述中所表达的结果有重大差异，包括发展挑战或延迟、供应链和物流问题、市场、需求的变化、美国西部数字公司(Western Digital Corporation)向美国证券交易委员会(Securities and Exchange Commission)提交的最新季度和年度报告中列出了全球经济状况和其他风险和不确定性，请您关注。我们提醒读者不要过分依赖这些前瞻性陈述，我们没有义务更新这些前瞻性陈述以反映随后的事件或情况。
所有物联网议程网络贡献者对其帖子的内容和准确性负责。观点是作者的，并不一定传达物联网议程的思想。