数据质量如何使物联网项目更有利可图

预计 2022 年全球物联网 (IoT) 技术支出将达到 1.2 万亿美元（1 万亿欧元），其中离散制造 1190 亿美元（1080 亿欧元）、过程制造 780 亿美元（708 亿欧元）、交通 710 亿美元（645 亿欧元）和公用事业 610 亿美元（554 亿欧元）。

事实上，工业 4.0 产品和服务市场预计在未来几年内将显着增长——届时预计超过 60% 的制造商将利用 RFID、可穿戴设备和自动化系统等技术的变革实现全面互联，FogHorn 产品副总裁 Ramya Ravichandar 说 .

尽管业界预计当前和即将到来的 IoT 和 IIoT 项目将出现积极增长，但仍需要解决一些重大挑战，才能充分赢得客户的信任并将试点项目转化为成功的大规模 IoT 产品。虽然许多人认为连接限制、安全风险和数据偏差（包括数据数量）是物联网成功的障碍，但我们发现数据质量在交付有效的物联网项目方面也起着至关重要的作用。

什么是数据质量——它如何影响部署成功？

数据质量在三个主要方面对物联网设备的日益普及起着至关重要的作用：

1. 只有当组织使用的数据正确且适合手头的用例时，他们才能做出正确的数据驱动决策。
2. 质量差的数据实际上毫无用处，可能会导致严重的问题，例如机器学习模型不准确、决策不准确或投资回报率不足。
3. 具体来说，随着人工智能和机器学习应用的增加，垃圾进/出的经典问题重新浮出水面。

高质量的数据馈送、训练和调整机器学习 (ML) 模型，使支持物联网的工厂能够做出明智的数据驱动决策。

例如，蒸汽轮机的意外故障会对发电厂和下游电网造成严重的中断、损坏和经济损失。在高质量数据集上训练的预测性机器学习模型通过在出现重大问题之前检测到潜在故障，帮助这些工业组织最大限度地提高其设备的可靠性。

然而，脏数据，包括丢失、不完整或容易出错的数据，会导致组织犯下不方便、耗时且代价高昂的错误。事实上，根据数据仓库研究所 (TDWI) 的数据，脏数据每年给美国公司造成的损失约为 6000 亿美元（5450 亿欧元）。事实上，数据科学家大约 80% 的工作都集中在数据准备和清理上，以确保 ML 模型提供正确的见解。

展望未来，组织必须采用方法论来确保其数据流的完整性、有效性、一致性和正确性，以提高洞察质量、部署有效的物联网项目并实现最佳投资回报率。

那么，边缘计算在数据质量中扮演什么角色？

工业传感器有许多不同的类型，可以收集大量、种类和速度的数据，包括视频、音频、加速度、振动、声学等。如果一个组织能够成功地对齐、清理、丰富和融合所有这些不同的数据流，就可以显着提高其运营的效率、健康和安全。然而，要描绘工​​厂运营的完整、准确的画面，组织必须收集、整合和处理这些不同的远程数据源提供的原始见解。

边缘计算在这些类型的环境中蓬勃发展，因为它们可以在开始时收集和处理实时数据，然后在数据中创建一个结构来帮助识别价值。

支持边缘的机器有助于在本地清理和格式化脏数据，从而改进准确有效机器学习模型的训练和部署。事实上，行业研究人员认为，基于边缘的物联网用例将成为关键垂直市场增长的强大催化剂——到 2025 年，边缘计算将在 59% 的物联网部署中处理数据（以某种形式）。

例如，使用边缘计算，工厂可以通过实时分析传感器数据来提高产品质量，以识别超出先前定义阈值的任何值，构建和训练 ML 模型以识别根本问题的原因，并在需要时部署ML模型自动停止缺陷零件的生产。

对于这些以及类似的用例，支持边缘的解决方案将实时机器数据（低质量数据）转换为与生产效率和质量指标相关的可操作见解（高质量数据），运营经理可以使用这些数据来减少计划外停机时间，最大限度地提高产量并提高机器利用率。

许多组织开始了解边缘计算可以为其物联网和 IIoT 项目带来的价值，因为边缘解决方案使用实时数据处理和分析将原始、流式传感器数据转化为可操作的洞察力。通过在创建时清理和丰富脏数据，边缘计算可以显着提高数据质量并优化重复的机器数据，从而提高运营效率。

作者是 FogHorn 产品副总裁 Ramya Ravichandar