尽管工业物联网(IIoT)正在迅速成熟，但通常与管理数据流的人工智能(AI)和机器学习(ML)工具有着紧密的联系。这带来了许多挑战，包括连接性、安全性、存储和建模要求。IIoT设备和大型部署的设计者必须有内置的应急措施来应对这些领域的变化或风险。
虽然IIoT正在逐渐走向成熟，但整个市场仍需克服诸多挑战。其中一些挑战是连接标准和电池技术等物联网设备运行的技术障碍，但情况远不止于此。IIoT的世界不仅需要IoT硬件在所有环境中可靠高效地运行，还依赖于支持的网络和服务。因此，IIoT部署不能被视为一个孤立的技术升级或生产力驱动因素，而是一个高度互联的生态系统，对各种变量非常敏感，尤其是在AI的发展中国家。
真实世界的人工智能
尽管人工智能作为一个概念已经存在了很长时间，但将原则带入现实世界被证明是一项复杂的业务，但它对于许多潜在的人工智能应用程序至关重要。监控来自微传感器网络的多个数据流，检测异常并发现模式(可以标记为预防性维护或提高效率)是IIoT的重要组成部分-没有它，产生的大量数据就是噪声。
例如，一辆完全自主的AI车辆每行驶8小时就会产生约40 TB的数据——如此庞大的数据量使得不可能进行任何人工分析。对于IIoT和AI设计师来说，这是一个挑战——确保建模和训练数据集高度准确，并在部署前进行现场测试。
网络注意事项
传输和接收IIoT产生的数据以及AI分析本身所需的数据量带来了巨大的挑战，这就导致了“边缘AI”的发展，以便在给网络带来负担之前，在设备上进行尽可能多的处理。从Wi-Fi到4G，再到光纤，再到新频谱，这个网络中存在着令人费解的存在可能性，针对的是与5G一起运行的低LoRa和NB-IoT网络。管理这些网络中不可避免的中断和延迟无疑是一个持续的挑战，网状网络架构可能会克服这些挑战。但即使是这些也可能会失败，尤其是在IIoT场景中，选择避免单点失败也不总是可能的。
标签：