通過(guò)了解Twitter，linkedIn和許多與IoT相關(guān)的網(wǎng)站，不難發(fā)現(xiàn)與物聯(lián)網(wǎng)(IoT)價(jià)值相關(guān)的生動(dòng)對(duì)話。但是最近，話題轉(zhuǎn)向企業(yè)如何才能更快，更有效地獲取和利用物聯(lián)網(wǎng)計(jì)劃的見解。物聯(lián)網(wǎng)和人工智能的結(jié)合為企業(yè)實(shí)現(xiàn)這一預(yù)期成果提供了途徑。實(shí)際上，這兩種技術(shù)是相輔相成的，應(yīng)該緊密相連。

在快速增長(zhǎng)的物聯(lián)網(wǎng)世界中，它跨龐大的設(shè)備或事物網(wǎng)絡(luò)連接和共享數(shù)據(jù)，組織借助分析而獲勝。人工智能在從大量的物聯(lián)網(wǎng)數(shù)據(jù)中“學(xué)習(xí)”時(shí)能夠做出快速的決策并發(fā)現(xiàn)深刻的見解，因此對(duì)于任何想要擴(kuò)大物聯(lián)網(wǎng)價(jià)值的組織來(lái)說(shuō)，人工智能都是分析學(xué)中的重要學(xué)科。人工智能和物聯(lián)網(wǎng)(即物聯(lián)網(wǎng)或AIoT)共同協(xié)作，為包括制造商和零售商到能源，智慧城市，醫(yī)療保健及其他行業(yè)的廣泛行業(yè)的組織創(chuàng)造新價(jià)值。

人工智能的潛力和事物的智能

人工智能驅(qū)動(dòng)的互聯(lián)智能設(shè)備和環(huán)境從更大的數(shù)據(jù)源網(wǎng)絡(luò)(包括彼此)中學(xué)習(xí)，并為集體智慧做出了貢獻(xiàn)。行業(yè)中有無(wú)數(shù)示例說(shuō)明了這種潛力-從公用事業(yè)和制造商可以檢測(cè)出性能不佳的資產(chǎn)并預(yù)測(cè)在成本高昂或危險(xiǎn)設(shè)備故障發(fā)生之前進(jìn)行維護(hù)或自動(dòng)關(guān)閉的需求，再到提供家庭診斷，警報(bào)看護(hù)者的遠(yuǎn)程監(jiān)控設(shè)備需要干預(yù)時(shí)，并提醒患者服藥。

將先進(jìn)的分析技術(shù)帶到邊緣

進(jìn)行IoT數(shù)據(jù)分析的位置取決于帶寬和延遲的問(wèn)題：對(duì)于可以容忍某些延遲或不占用大量帶寬的應(yīng)用程序，例如收集設(shè)備運(yùn)行的摘要數(shù)據(jù)，IoT設(shè)備會(huì)將數(shù)據(jù)發(fā)送到云或數(shù)據(jù)中心，結(jié)合歷史表現(xiàn)和其他趨勢(shì)對(duì)其進(jìn)行分析。從分析中獲得的見解可用于對(duì)設(shè)備的后續(xù)操作做出決策，包括修改設(shè)備本身的控制程序。對(duì)于移動(dòng)或遠(yuǎn)程資產(chǎn)產(chǎn)生大量必須快速分析的數(shù)據(jù)(例如自動(dòng)駕駛汽車或無(wú)人機(jī))或帶寬受限的情況，數(shù)據(jù)處理應(yīng)盡可能靠近數(shù)據(jù)源移至邊緣。

借助基于AI的功能，可以在整個(gè)生態(tài)系統(tǒng)(包括邊緣設(shè)備，網(wǎng)關(guān)和數(shù)據(jù)中心，無(wú)論是在霧中還是在云中)中對(duì)IoT數(shù)據(jù)進(jìn)行轉(zhuǎn)換，分析，可視化和嵌入。

行動(dòng)中的AIoT——運(yùn)輸行業(yè)案例

每天有數(shù)以百萬(wàn)計(jì)的卡車在高速公路上運(yùn)輸燃料，農(nóng)產(chǎn)品，電子產(chǎn)品和其他必需品。但是，計(jì)劃外的停機(jī)時(shí)間會(huì)對(duì)依賴及時(shí)交付的任何車隊(duì)運(yùn)營(yíng)商及其客戶造成巨大的損失。瑞典制造商AB Volvo的子公司Volvo Trucks和Mack Trucks通過(guò)基于物聯(lián)網(wǎng)技術(shù)的遠(yuǎn)程診斷和預(yù)防性維護(hù)服務(wù)以及包括人工智能在內(nèi)的先進(jìn)分析技術(shù)解決了這一挑戰(zhàn)。通過(guò)更有效，更準(zhǔn)確，更主動(dòng)地為相連的車輛提供服務(wù)，從而縮短車輛在路上的時(shí)間，并最大程度地減少服務(wù)中斷的成本。

沃爾沃卡車的遠(yuǎn)程診斷程序監(jiān)視每輛卡車的數(shù)據(jù)，以查找主要系統(tǒng)出現(xiàn)故障時(shí)觸發(fā)的故障代碼。每輛卡車上的數(shù)千個(gè)傳感器實(shí)時(shí)收集流式IoT數(shù)據(jù)，以提供有關(guān)事件發(fā)生的位置以及故障期間出現(xiàn)的情況的上下文。同樣，Mack Trucks的GuardDog Connect通過(guò)以故障代碼和其他參數(shù)數(shù)據(jù)的形式從車輛上遠(yuǎn)程收集數(shù)據(jù)，然后根據(jù)嚴(yán)重性對(duì)客戶進(jìn)行排序，從而幫助客戶評(píng)估問(wèn)題的嚴(yán)重性并管理維修。如果故障需要立即采取措施，則代理商會(huì)聯(lián)系客戶以說(shuō)明情況并建議采取措施。如果對(duì)時(shí)間的敏感度較低或不存在潛在的傷害，則計(jì)劃在最合理的情況下進(jìn)行維修。

將傳感器數(shù)據(jù)和IoT技術(shù)與包括AI在內(nèi)的高級(jí)分析進(jìn)行配對(duì)的結(jié)果令人印象深刻。對(duì)于沃爾沃卡車，診斷時(shí)間減少了70%，維修時(shí)間減少了25%。Mack Trucks為所有利益相關(guān)者指出了好處–經(jīng)銷商體驗(yàn)到了更高效的流程，更長(zhǎng)的正常運(yùn)行時(shí)間使客戶滿意。

四種促進(jìn)價(jià)值的加速器

那么，您如何通過(guò)AIoT實(shí)現(xiàn)成功?超越智能物聯(lián)網(wǎng)的物理基礎(chǔ)架構(gòu)(傳感器，攝像機(jī)，網(wǎng)絡(luò)基礎(chǔ)架構(gòu)和計(jì)算機(jī))，成功部署的四個(gè)關(guān)鍵因素是：

1. 考慮實(shí)時(shí)分析

在高速移動(dòng)大數(shù)據(jù)時(shí)(在存儲(chǔ)之前)對(duì)其進(jìn)行分析，以便您可以對(duì)相關(guān)內(nèi)容立即采取行動(dòng)。抓住機(jī)會(huì)，發(fā)現(xiàn)隱藏在業(yè)務(wù)中的快速移動(dòng)數(shù)據(jù)洪流中的危險(xiǎn)信號(hào)。事件流處理在處理IoT數(shù)據(jù)中起著至關(guān)重要的作用，并且隨著5G之類的進(jìn)步而變得尤為重要，以：

檢測(cè)感興趣的事件并觸發(fā)適當(dāng)?shù)牟僮?。事件流處理可?shí)時(shí)查明復(fù)雜的模式，例如對(duì)某人的移動(dòng)設(shè)備的操作或在銀行交易期間檢測(cè)到的異常活動(dòng)。事件流處理提供對(duì)威脅或機(jī)會(huì)的快速檢測(cè)。

監(jiān)視匯總信息。事件流處理連續(xù)監(jiān)視來(lái)自設(shè)備和設(shè)備的傳感器數(shù)據(jù)，以尋找可能指示問(wèn)題的趨勢(shì)，相關(guān)性或異常情況。智能設(shè)備可以采取補(bǔ)救措施，例如通知操作員，移動(dòng)負(fù)載或關(guān)閉電動(dòng)機(jī)。

清洗并驗(yàn)證傳感器數(shù)據(jù)。當(dāng)傳感器數(shù)據(jù)延遲，不完整或不一致時(shí)，可能有幾個(gè)因素在起作用。臟數(shù)據(jù)是由即將發(fā)生的傳感器故障或網(wǎng)絡(luò)中斷錯(cuò)誤引起的嗎?嵌入到數(shù)據(jù)流中的各種技術(shù)可以檢測(cè)模式并解決數(shù)據(jù)問(wèn)題。

實(shí)時(shí)預(yù)測(cè)和優(yōu)化操作。先進(jìn)的算法可以連續(xù)對(duì)流數(shù)據(jù)進(jìn)行評(píng)分，以立即做出決策。例如，可以根據(jù)上下文分析火車到達(dá)的信息，以延遲火車從另一個(gè)車站出發(fā)的時(shí)間，因此通勤者不會(huì)錯(cuò)過(guò)他們的聯(lián)系。

2. 在應(yīng)用程序需要的地方部署智能

前面描述的用例需要不斷變化和移動(dòng)的數(shù)據(jù)(例如，駕駛員的地理位置或數(shù)據(jù)中心內(nèi)的溫度)以及其他離散數(shù)據(jù)(例如，客戶資料和歷史購(gòu)買數(shù)據(jù))。這種現(xiàn)實(shí)要求以不同的方式將分析應(yīng)用于不同的目的，即多階段方法。例如：高性能分析對(duì)靜態(tài)數(shù)據(jù)，云計(jì)算或存儲(chǔ)中的靜態(tài)數(shù)據(jù)起到了很大的作用。流分析可以分析運(yùn)動(dòng)中的大量不同數(shù)據(jù)，其中可能僅涉及少量項(xiàng)目，數(shù)據(jù)僅具有短暫的價(jià)值，或者在速度至關(guān)重要時(shí)(例如發(fā)送有關(guān)即將發(fā)生的碰撞或組件故障的警報(bào))。邊緣計(jì)算使系統(tǒng)能夠立即從源頭對(duì)數(shù)據(jù)進(jìn)行操作，而不會(huì)暫停攝取，傳輸或存儲(chǔ)數(shù)據(jù)-在物聯(lián)網(wǎng)設(shè)備和服務(wù)的傳感器驅(qū)動(dòng)世界中，許多用途都必須這樣做。

3. 結(jié)合AI技術(shù)

為了實(shí)現(xiàn)AIoT的最高回報(bào)，除了部署單一的AI技術(shù)外，還需要更多。采用平臺(tái)方法，多種AI功能一起工作，例如機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，以實(shí)現(xiàn)自然語(yǔ)言處理和計(jì)算機(jī)視覺。例如，一家大型醫(yī)院的研究診所結(jié)合了多種形式的AI，以為其醫(yī)生提供診斷指導(dǎo)。該診所在射線照相，CT掃描和MRI上使用深度學(xué)習(xí)和計(jì)算機(jī)視覺，以識(shí)別人腦和肝臟上的結(jié)節(jié)和其他關(guān)注領(lǐng)域。該檢測(cè)過(guò)程使用諸如卷積神經(jīng)網(wǎng)絡(luò)(CNN)之類的深度學(xué)習(xí)技術(shù)來(lái)分析視覺圖像。然后，診所使用完全不同的AI技術(shù)-自然語(yǔ)言處理-根據(jù)家庭病史，藥物，既往疾病和飲食來(lái)建立患者檔案;它甚至可以考慮起搏器數(shù)據(jù)等物聯(lián)網(wǎng)數(shù)據(jù)。該工具將自然語(yǔ)言數(shù)據(jù)與計(jì)算機(jī)視覺相結(jié)合，使寶貴的醫(yī)務(wù)人員更加高效。

支持AI的IoT的大部分價(jià)值在于可以立即采取行動(dòng)。在客戶離開之前，向他們提供正確的報(bào)價(jià)。在批準(zhǔn)可疑交易之前，先對(duì)其進(jìn)行檢測(cè)。幫助自動(dòng)駕駛汽車在繁忙的十字路口機(jī)動(dòng)，而不會(huì)撞到其他行駛中的車輛?，F(xiàn)在做。延遲很重要。顯然，許多類型的傳感器和設(shè)備無(wú)法等待來(lái)自云的數(shù)據(jù)或命令。而對(duì)于其他用途，則沒有必要。為了監(jiān)視，診斷和處理單個(gè)設(shè)備(例如家庭自動(dòng)化系統(tǒng))，應(yīng)盡可能在設(shè)備附近進(jìn)行分析。將本地來(lái)源的，本地消耗的數(shù)據(jù)發(fā)送到遙遠(yuǎn)的數(shù)據(jù)中心會(huì)導(dǎo)致不必要的網(wǎng)絡(luò)流量，延遲的決策并消耗電池供電的設(shè)備。隨著物聯(lián)網(wǎng)設(shè)備及其數(shù)據(jù)量的指數(shù)級(jí)增長(zhǎng)以及對(duì)低延遲的需求，我們已經(jīng)看到了將分析從傳統(tǒng)數(shù)據(jù)中心轉(zhuǎn)移到邊緣設(shè)備(物聯(lián)網(wǎng))或接近邊緣和云的其他計(jì)算資源的趨勢(shì)。

4. 統(tǒng)一完整的分析生命周期

為了從互聯(lián)世界中獲得價(jià)值，AIoT系統(tǒng)首先需要訪問(wèn)各種數(shù)據(jù)以感知正在發(fā)生的重要事件。接下來(lái)，它必須在豐富的上下文中從數(shù)據(jù)中提取見解。最后，無(wú)論是警告操作員，提供報(bào)價(jià)還是修改設(shè)備的操作，它都必須獲得快速的結(jié)果。

成功的物聯(lián)網(wǎng)實(shí)施將在整個(gè)分析生命周期中將這些支持功能聯(lián)系起來(lái)：

動(dòng)態(tài)數(shù)據(jù)分析。這是前面描述的事件流處理部分。事件流處理以極高的延遲(以毫秒為單位)以非常高的速率(每秒數(shù)百萬(wàn)個(gè)范圍)分析大量數(shù)據(jù)，以識(shí)別感興趣的事件。

實(shí)時(shí)決策/實(shí)時(shí)交互管理。有關(guān)感興趣事件的流數(shù)據(jù)(例如汽車不斷變化的位置，方向，目的地，環(huán)境等)進(jìn)入推薦引擎，該引擎觸發(fā)正確的決策或行動(dòng)。

大數(shù)據(jù)分析。從物聯(lián)網(wǎng)設(shè)備獲取情報(bào)首先要具有快速攝取和處理大量數(shù)據(jù)的能力，這很可能是在Hadoop等分布式計(jì)算環(huán)境中進(jìn)行的。能夠運(yùn)行更多迭代并使用所有數(shù)據(jù)(而不僅僅是樣本)，可以提高模型的準(zhǔn)確性。

數(shù)據(jù)管理。物聯(lián)網(wǎng)數(shù)據(jù)可能太少，太多，而且肯定是必須集成和協(xié)調(diào)的多種格式。可靠的數(shù)據(jù)管理可以從任何地方獲取IoT數(shù)據(jù)，并使其干凈，可信賴并可供分析。

分析模型管理。從注冊(cè)到報(bào)廢，模型管理在分析模型的整個(gè)生命周期中提供基本的治理。這樣可以確保模型管理的一致性-跟蹤模型演變并確保性能不會(huì)隨時(shí)間下降的手段。

當(dāng)您想到物聯(lián)網(wǎng)或人工智能時(shí)，收獲很明顯：

首先，如果您要部署IoT，請(qǐng)同時(shí)部署AI。

其次，如果您要部署AI，請(qǐng)考慮將其與IoT相結(jié)合可以帶來(lái)的收益。

最后，任何一個(gè)人都具有價(jià)值，但是當(dāng)它們結(jié)合在一起時(shí)，它們將發(fā)揮最大的作用。

物聯(lián)網(wǎng)提供了AI學(xué)習(xí)所需的大量數(shù)據(jù)。AI將這些數(shù)據(jù)轉(zhuǎn)換為有意義的實(shí)時(shí)洞察力，IoT設(shè)備可以據(jù)此采取行動(dòng)。如果您還沒有的話，關(guān)鍵是上手!如果您正在試用中，請(qǐng)確保您可以實(shí)際部署和擴(kuò)展解決方案以滿足業(yè)務(wù)需求。如果您已經(jīng)在使用AIoT滿足您的業(yè)務(wù)需求，我很想聽聽您的成功!
責(zé)任編輯；zl