（文章來源：5G風云）

物聯(lián)網(wǎng)為卡車和物流行業(yè)提供了提高效率和安全性的能見度。然而，與任何技術(shù)一樣，物聯(lián)網(wǎng)部署決策必須通過成本效益分析來確定..這包括決定哪些類型的分析應該位于邊緣或云中。

事情展開傳感器可以產(chǎn)生大量的數(shù)據(jù)，并且數(shù)據(jù)必須被存儲在要被分析的場所。您可以將數(shù)據(jù)發(fā)送到云實例本地或集中式數(shù)據(jù)中心，但它需要的數(shù)據(jù)傳輸，并且當你看運輸部門，在許多領(lǐng)域，通過蜂窩或衛(wèi)星數(shù)據(jù)傳輸將變得非常重要。

連接性是一個非常重要的黑白問題，不管你有沒有。 成本稍有不同。 組織應該考慮它的設(shè)備產(chǎn)生多少數(shù)據(jù)。無論是監(jiān)控貨物溫度以保持冷鏈的完整性，評估貨物空間以最小化死空間運輸，還是檢測車輛磨損以改進卡車維護，edge都可以幫助降低其中一些成本。

說到邊緣本身，一些專家區(qū)分了薄邊和厚邊。最困難的是，當計算在運輸資產(chǎn)上的服務器上執(zhí)行時，它可以做的不僅僅是一個薄薄的邊緣，因為它具有顯著更高的計算能力。然而，厚厚的邊緣，需要更多的物理空間。而且也不會使你的卡車上的服務器。但是，如果你是在談論對集裝箱運輸，在其中放置服務器雜貨班輪足夠的空間。

薄邊的大部分卡車物聯(lián)網(wǎng)的使用案例。在這種情況下，計算設(shè)備，或一個“網(wǎng)關(guān)”位于卡車或其他資產(chǎn)。傳感器數(shù)據(jù)不是直接發(fā)送通過蜂窩網(wǎng)絡，但所有的數(shù)據(jù)發(fā)送到設(shè)備。 “從計算設(shè)備聚合數(shù)據(jù)不同的端點，或計算出的數(shù)據(jù)，并執(zhí)行諸如人工智能，機器學習等，與云的容量相比，它比較快，幾乎是實時的。

仍然需要克服邊緣分析數(shù)據(jù)的困難。無論是網(wǎng)關(guān)運行簡單的閾值規(guī)則還是預測模型，組織都需要一種部署和管理分析的方法..為了做到這一點而不成為一項艱巨的任務，您需要能夠遠程訪問網(wǎng)關(guān)并以結(jié)構(gòu)化、自動化的方式部署這些模型。在沒有自動化的情況下將許多預測模型部署到邊緣是一項繁瑣的任務，需要專門的工作人員。

僅僅因為用例充分利用了邊緣，并不意味著云不存在。將數(shù)據(jù)發(fā)送到流線型邊緣可以減少99.8%的數(shù)據(jù)傳輸?shù)皆?，使組織能夠經(jīng)濟地使用云來開發(fā)更先進的用例。

當你使用薄邊緣時，你總是使用云或本地中央數(shù)據(jù)中心。 你需要將所有的數(shù)據(jù)保存在邊緣設(shè)備上，因為預測模型需要處理和處理，并且必須隨著時間的推移而改變，因為它們的改進或設(shè)備部分的操作參數(shù)的變化。 正在被利用。 您需要捕獲這些數(shù)據(jù)，以便更改這些參數(shù)或執(zhí)行規(guī)范化分析。

云提供了執(zhí)行這些任務所需的擴展效率和高級功能。有更好的能力從云數(shù)據(jù)中提取洞察力。如今，很多機器學習都是在云端進行的，所有的訓練都是在云端進行的。許多組織正在將大量的業(yè)務工作負載轉(zhuǎn)移到云計算，因為云計算已經(jīng)成為他們分析大量數(shù)據(jù)并從中收集洞察力的一種方式，執(zhí)行某種形式的機器學習，并對這些數(shù)據(jù)采取行動，然后將其發(fā)送到組織正在使用的相關(guān)設(shè)備或應用程序。
（責任編輯：fqj）