大多数现代组织依靠云和传统平台的组合来满足基础设施需求。然而，由于数据传输和处理成本，分析来自云中物联网传感器的原始数据通常既昂贵又耗时。云延迟、带宽和安全挑战仍然是一个重大障碍，特别是对于产生高保真原始机器和物联网传感器数据的工业行业。因此，组织经常使用下采样或时间延迟的数据来平衡成本和及时性，从而很容易遗漏数据中的异常情况。

　　尽管云是一种有效的数据建模和学习门户，但由于传输和生态系统方面的考虑，它缺乏制造、石油和天然气以及运输等市场中关键任务物联网应用所需的实时功能。

　　通过实施边缘原生解决方案，组织可以在本地摄取、丰富和分析数据，在清理过的数据集上执行机器学习模型并提供增强的预测能力。边缘计算对于需要实时功能的各种物联网驱动的用例至关重要。想想工人的健康和安全监测，包括温度、面部保护和社会疏远。存在安全问题或带宽访问受限的行业，例如采矿和车队，也从边缘计算中受益匪浅。

　　请记住，边缘优先的物联网计划并不能消除所有的云参与。事实上，边缘解决方案依靠云环境的无限资源来训练和改进现有的机器学习模型。对实时流数据执行机器学习的边缘设备必须定期检查模型准确性和环境随时间的变化。随着模型准确性的漂移，洞察随后会被发送回云端，其中包括代表需要重新训练当前模型的异常活动的数据。一旦模型经过微调，它们就会被推回到边缘，从而形成一个持续的、闭环的过程，产生更高质量的预测洞察力，以提高资产绩效、流程改进和产品质量。

　　通过实时运行机器学习模型的云边缘版本，组织能够在源头对感兴趣的事件采取行动、做出反应和积极行动。这确保了物联网、边缘和云的和谐相互作用，利用每个生态系统的优势。此外，云边缘混合解决方案可防止云锁定，因为不同的用例可以将洞察力发布到一个或多个公共云和私有云中。

　　云边缘混合计划将实时物联网数据转化为与生产效率和质量指标相关的可操作见解，运营经理可以使用这些见解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。例如，使用边缘云混合策略，工厂可以提高产品质量。通过实时分析物联网传感器数据，组织可以识别超出先前定义的阈值和规则的任何值，构建和训练机器学习模型以识别根本问题的原因，并部署机器学习模型以自动停止缺陷零件的生产.