管理数据流中人工智能和机器学习工具的牢固链接
尽管工业物联网(IIoT)迅速成熟，但通常存在与管理数据流的人工智能(AI)和机器学习(ML)工具的牢固链接。这带来了许多挑战，包括连接性，安全性，存储和建模要求。IIoT设备和更大部署的设计人员必须内置应急措施，以应对这些领域的变化或存在风险。
尽管IIoT逐渐成熟，但整个市场仍需克服许多挑战。这些挑战中的一些挑战是诸如连接标准和电池技术之类的物联网设备运行的技术壁垒，但情况远不止于此。IIoT的世界不仅要求IoT硬件在所有环境中可靠且高效地运行，而且还依赖于支持网络和服务。结果是，IIoT部署不能被视为孤立的技术升级或生产力驱动器，而是高度互连的生态系统，对各种各样的变量敏感，尤其是在AI的发展中国家。
真实世界的AI
尽管AI长期以来一直以概念形式存在，但将原理带入现实世界已证明是一项复杂的业务，但对于许多潜在的IIoT应用而言，这是必不可少的。监视来自微型传感器网络的多个数据流，检测异常和发现模式(可以将其标记出来以进行预防性维护或提高效率)是IIoT的重要组成部分–没有它，生成的大量数据就是噪声。
例如，一辆完全自动驾驶的AI车辆每行驶8个小时将产生大约40 TB的数据-如此庞大的数据量使它无法进行任何手动分析。对于IIoT和AI设计师而言，这是一个挑战-确保在部署之前，建模和训练数据集高度准确并经过现场测试。
网络注意事项
传输和接收IIoT生成的数据以及AI分析所需的数据量本身就带来了巨大的挑战，这导致了“ Edge AI”的发展，以便在给网络造成负担之前尽可能多地在设备上进行处理。从Wi-Fi到4G，再到光纤再到新频谱，该网络存在着令人困惑的现有可能性，旨在与5G一起运行的低低LoRa和NB-IoT网络。在这些网络中管理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。但是即使是这些也可能会失败，尤其是在IIoT场景中，可能并非总是可以选择避免单点故障。
