除了传感器、摄像头、网络基础设施和计算机等智能物联网的物理基础设施外，还有一些要素是成功部署的关键 :

思考并实时分析。使用事件流处理来分析运动中的各种数据，并确定哪些是相关的。

能够在云端、网络边缘或设备本身等应用程序需要的地方部署智能。

结合 AI 技术。对象识别或处理自然语言等 AI 功能具有非常高的价值，并能在协同作用中发挥关键作用。

统一完整的分析生命周期，对数据进行流化、过滤、评分、存储相关内容、分析并使用结果持续改进系统。

1. 实时分析

事件流处理在处理物联网数据时起着至关重要的作用，因为它能够做到 :

检测感兴趣的事件并触发适当的操作。事件流可以处理实时精确定位中的复杂模式，例如它可对个人移动设备的操作或银行交易期间的异常活动进行快速检测。

监控汇总信息。事件流可以持续处理来自监控设备和传感器的数据，查找出可能存在问题的趋势、相关性或异常。智能设备可以采取补救措施，例如通知操作员、移动负载或关闭电机。

清理并验证传感器数据。当传感器数据延迟、不完整或不一致时，可能是由于许多因素共同作用导致的。嵌入到数据流中的各种技术可以检测并解决此类数据问题，还能对即将发生的传感器故障或网络错误导致的脏数据进行清洗。

实时预测和优化运营。高级算法可以持续对流数据进行评分，以便在瞬间做出决策。例如，可以在数据环境中分析有关火车的到达信息，并延迟另一趟火车的出发时间，以保证乘客不会错过换乘。

2. 在应用程序需要的地方部署智能

前面描述的案例需要不断变化和移动的数据 ( 例如自动驾驶车辆内驾驶员的地理位置或温度 ) 以及其他离散数据 ( 例如客户概况和历史购买数据 ) 。这一现实要求分析以不同的方式应用于不同的目的。例如 :

高性能分析可以对静态、云端或存储中的繁重数据进行高效处理。

流分析可对运动中的大量不同数据进行分析，这些数据中可能只有少量是我们需要的并只有短暂的价值，因此速度十分重要，例如发送有关即将发生的碰撞或组件故障的警报。

边缘计算使系统能够在源头立即对数据进行操作，而无需暂停获取、传输或存储数据。

在应用程序需要的地方部署智能是一种多相分析方法，要记住的关键原则是，并非所有数据点都是相关的，也不是所有数据点都需要发送并永久存储。分析基础架构必须灵活且可扩展，以支持当前和未来的所有需求。

3. 协同 AI 技术

要用 AIoT 实现高的回报，除了部署单一的 AI 技术外，还需要考虑其他方面。例如，可以采用多种 AI 功能协同工作的平台，将机器学习与自然语言处理和计算机视觉等进行协同工作。

举例来看，一家大型医院的研究诊所结合了多种形式的 AI，为其医生提供诊断指导。该诊所使用深度学习和计算机视觉对 x 线片、CT 扫描和核磁共振成像进行识别，以确定结节和其他与人类大脑和有关的区域。该检测过程使用深度学习技术和卷积神经网络，这是一类通常用于分析视觉图像的机器学习。这种检测过程使用到了深度学习技术和卷积神经网络，卷积神经网络是一种通常用于分析视觉图像的机器学习。

然后，该诊所使用一种完全不同的 AI 技术――自然语言处理，建立一个基于家庭病史、药物、既往疾病和饮食的患者档案，它甚至可以解释心脏起搏器等物联网数据。该工具将自然语言数据与计算机视觉相结合，使医务人员在宝贵的工作时间内工作效率大大提高。

4. 统一完整的分析生命周期

为了从互联的世界中获得价值，AIoT 系统首先需要访问各种不同的数据来感知正在发生的重要事项。接下来，它必须从丰富的数据环境中提取对数据的理解。后，无论是提醒操作员、提供报价还是修改设备操作，它都必须得到快速的结果。