2022年，全球物联网技术支出预计将达到1.2万亿美元，其中以离散制造业1190亿美元、过程制造业780亿美元、运输业710亿美元和公用事业610亿美元等行业居首。

　　FogHorn产品副总裁RamyaRavichandar说，事实上，工业4.0产品和服务的市场预计在未来几年内将大幅增长，届时将有超过60%的制造商利用RFID、可穿戴设备和自动化系统等技术的变化实现完全互联。

　　尽管业界预计当前和即将到来的物联网和IIoT项目将出现积极增长，但仍需要应对一些重大挑战，以充分赢得客户的信任，并将试点项目转化为成功的大规模物联网产品。虽然许多人认为连接限制、安全风险和数据偏差，其中包括数据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关键作用。

　　什么是数据质量？它如何影响部署的成功？

　　数据质量在三个主要方面对物联网设备的采用起着至关重要的作用。一是只有当组织使用的数据正确且适合手头的用例时，组织才能做出正确的数据驱动决策；二是低质量的数据实际上是无用的，而且可能导致严重的问题，例如不准确的机器学习模型、不准确的决策或投资回报率不足；三是高质量的数据馈送、训练和调整机器学习模型，使物联网让工厂能够做出明智的数据驱动决策。

　　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、耗时和代价高昂的错误。事实上，根据数据仓库研究所的数据，脏数据每年给美国公司带来约6000亿美元的损失。大约80%的数据科学家的工作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，各组织必须采用各种方法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呢？

　　工业传感器有许多不同的类型，可以收集大量、多种和速度的数据，包括视频、音频、加速度、振动、声音等等。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，它就能显著地提高其运营的效率、健康和安全。然而，要描绘一幅完整、准确的工厂运营图，企业必须收集、结合并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，从而改进准确有效的机器学习模型的培训和部署。事实上，行业研究人员认为，基于边缘的物联网使用案例将是推动关键垂直市场增长的强大催化剂，到2025年，59%的物联网部署将由边缘计算来处理数据。

　　例如，使用边缘计算，工厂可以通过实时分析传感器数据来确定超出先前定义的阈值的任何值，构建和训练ML模型以确定根本问题原因，并在需要时部署ML模型以自动停止生产有缺陷的零件，从而提高产品质量。

　　对于这些和类似的用例，边缘启用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度量相关的可操作的洞察力（高质量数据），其可由操作管理器使用以减少非计划停机时间、最大化产量和增加机器利用率。

　　随着边缘解决方案通过实时数据处理和分析，将原始的、流式传感器数据转化为可操作的见解，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。通过在创建时清除和丰富脏数据，边缘计算可以显著提高数据质量，并优化重复的机器数据以获得更好的操作效率。