物联网数据生命周期在边缘适应人工智能
物联网的出现从根本上改变了企业数据的生命周期，而边缘AI的实施再次改变了它，以满足实时分析的需求。
IT专家在物联网基础设施规划中几乎没有猜测的空间。一个组织的数字架构可以在不到两年的时间里发生戏剧性的变化。这一转变的背后是数据收集和处理方面的两大游戏规则改变者:物联网和人工智能。
作为规划、设计和管理的主题，物联网数据生命周期在大多数企业it部门或C-suite中并没有得到应有的讨论。这很不幸，因为企业内外的数据流动可能是制度变革的最大驱动因素。
传统的数据生命周期变化较少
在云出现之前，企业号数据生命周期是简单的，本质上是不变的，是循环的。IT专业人士可以轻松地实现、掌握和维护数据生命周期。数据更加结构化，多样性更少，仅通过少数渠道传输到少数目的地。传统数据生命周期中的每一步在概念上都很简单:
- 计划。确定支持现有业务流程所需的数据。使用可获得的最新数据进行运营计划和流程支持。
- 收购。通过数据输入和与外部系统的集成将数据输入到应用系统。
- 的过程。通过身份验证和错误检查来验证数据，并根据需要丰富数据。
- 分析。将数据应用到适当的业务流程，并研究它的影响和见解，以支持决策。
- 积分。将数据分析的结果合并到决策过程和后续分析中。
- 商店。将数据存储在事务性系统中，以供正在进行的应用程序、流程和长期存档访问。
在云技术出现之前，这个简单、有序的方案就已经在互联网的重压下呻吟了。随着云技术的出现，将企业IT核心与新设备以几何级数激增的方式连接起来的可能性出现了，制造商们没有浪费任何时间来利用这一机会。
边缘设备推动物联网数据生命周期的变化
今年，全球物联网设备数量将超过200亿。这不仅强调了旧数据的生命周期，它还像蛋壳一样粉碎了老式的架构。即使云的简单连接也不能为物联网产生的数据打开足够的通道。交通的大量增加需要新架构。
物联网数据生命周期将问题分为三个可管理的部分:物联网收集数据的edge;企业前端(也就是云)是企业流程和通信发生的地方，包括去掉长期存储的传统企业数据架构;以及企业后端，数据长期存储，并将被挖掘和分析。
传统数据生命周期中的步骤现在是分布式的，有时在边缘、前端和后端之间重复。
数据生命周期从边缘开始，即包含物联网设备的本地邻近网络，通常超出公司防火墙。数据采集现在包括现场服务器的网关层，用于支持物联网网络，并提供对企业云的安全访问，以及物联网设备群体使用的多种方式。边缘节点聚合来自物联网设备和网关层的数据进行预处理。节点准备并转换数据，以便传输到云系统。然后，节点将数据路由到云，并管理物联网网络流量和安全。
在云中，对入站数据进行处理，并对其进行验证和丰富。然后对数据进行分析，重点放在边缘应用程序性能评估上。由此产生的edge分析见解被集成到业务流程中，并进一步评估以确定数据是否支持任何流程更改。应用程序控制所需的任何数据都被散布在边缘上。
在后端，数据可能经过额外的分析和数据挖掘，或继续其存储或长期档案的旅程。
IT专业人士发现，物联网数据生命周期处于边缘，难以适应。管理基础设施更具挑战性，安全性也更加困难。更新和修补广泛的物联网设备本身就是一门科学。有了所有这些部分，这个生命周期是可管理的。
然后是人工智能。
人工智能将塑造未来的物联网数据生命周期
将人工智能置于边缘的诱惑不仅是无法抗拒的，这是竞争的必需品。智能建筑、增强现实技术和实时面部识别系统正在逐步降低商业成本。
对于人工智能，有一个迫在眉睫的架构问题。物联网网络生活在边缘越来越多的应用程序需要基于人工智能的实时决策。但支持人工智能的计算资源通常存在于云中，它们在那里提供自动化和预测过程。物联网应用程序数据包多次往返云端进行实时分析所造成的延迟是一个问题。
人工智能在边缘的部署让人松了一口气。例如，边缘节点(处理物联网网络附近的资源)的存在可以实现运行提供智能的模型的双重目的。边缘节点可以支持更复杂的路由，并保留一些物联网数据供边缘网络中的AI支持，同时在方便时推送云系统需要的任何数据。
AI at The edge的物联网数据生命周期紧跟当前的数据生命周期，但增加了数据处理步骤。
边缘设备获取数据，然后执行预处理步骤，每个节点聚合数据，并添加复杂的过滤和实时分析。边缘的人工智能处理有助于在特定物联网数据被路由到下一阶段之前，为其保留或分发提供决策支持。物联网应用程序可以根据产生的数据监控和调整自己的性能。然后，性能数据被整合到本地分析和机器学习中，而无需遍历网络，这一切都是在数据被发送到云端之前完成的。
随着每一次进化的激增，物联网数据生命周期都成为需要额外基础设施和升级方法的新事物。
边缘预处理将人工智能应用于本地设备上的实时数据，使应用程序能够更快地对接收到的数据做出反应，而不需要通过网络发送数据。然而，处于边缘的设备可能仍然需要将一些数据发送到云上，以便进一步处理和分析。云系统可以将入站物联网数据合并到现有模型中，以改善性能，然后将应用程序控制数据返回到应用更新的边缘。
最后，后端存储数据，在那里可以进行进一步的挖掘和分析。
在这个物联网数据生命周期模型中，边缘和云基础设施都可以根据需要扩展。组织通过动态路由将瓶颈最小化。它们为波动的需求分配并适当地搭建机器学习资源平台。边和云处理数据和应用分析持续改进。
未来的企业技术堆栈是什么?
随着每一次进化的激增，物联网数据生命周期都成为需要额外基础设施和升级的新事物方法。AI变得越来越关键，越来越以边缘为中心，这意味着在企业边缘网络中高度灵活和可扩展的技术堆栈变得至关重要。该堆栈必须强调基于实时人工智能的工具支持资源，例如必须实时工作，但永远学习的面部识别系统。实时决策会带来很大的开销，但是组织应该为此做计划。
为了支持人工智能，企业需要将更多数据从云端推向边缘。在智能物联网系统中，实时响应需要在部署之前进行大量的建模和仿真。随着更多物联网设备和数据的发展，支持物联网景观所需的资源和IT基础设施也必须增长。
在这一切发生的同时，自动化将迅速发展，以适应新的智能生态圈所要求的快速反应，尽可能消除进程中的人类瓶颈。支持这种自动化的软件和基础设施将是必不可少的，否则加强边缘功能的努力将基本上是徒劳的。这些挑战都需要参与其中的每个人都具备前所未有的创新和创造力，而这是物联网或人工智能无法提供的。
