德勤報告表示物聯(lián)網(wǎng)變得更加智能。公司正在將人工智能(特別是機器學習)整合到他們的物聯(lián)網(wǎng)應用程序中，并觀察功能的增長，包括提高運營效率并幫助避免意外停機。關鍵：洞察數(shù)據(jù)。

ITH是一波投資，一系列新產(chǎn)品和企業(yè)部署的崛起，人工智能正在物聯(lián)網(wǎng)(IoT)中掀起一陣熱潮。制定物聯(lián)網(wǎng)戰(zhàn)略，評估潛在的新物聯(lián)網(wǎng)項目或試圖從現(xiàn)有物聯(lián)網(wǎng)部署中獲得更多價值的公司可能需要探索人工智能的作用。

信號

以人工智能為重點的物聯(lián)網(wǎng)創(chuàng)業(yè)公司的風險投資正在快速增長：2017年前8個月，這個類別的初創(chuàng)公司籌集了7.05億美元

以人工智能為重點的物聯(lián)網(wǎng)創(chuàng)業(yè)公司并購數(shù)量增加：2017年前8個月為21個，2016年為24個，高于2015年的11個

包括亞馬遜，通用電氣，IBM，微軟，甲骨文，PTC和Salesforce在內(nèi)的IoT平臺供應商正在整合AI功能

跨行業(yè)的大型組織已經(jīng)在利用物聯(lián)網(wǎng)來借助或探索人工智能的力量，提供新產(chǎn)品并更高效地運營

Gartner預測，到2022年，超過80%的企業(yè)物聯(lián)網(wǎng)項目將包含一個AI組件，今天只有10%

AI是解鎖物聯(lián)網(wǎng)潛力的鑰匙

人工智能在物聯(lián)網(wǎng)應用和部署中扮演著越來越重要的角色，這一領域的公司行為顯然發(fā)生了變化。使用AI的物聯(lián)網(wǎng)初創(chuàng)企業(yè)的風險投資大幅增加。在過去的兩年里，公司已經(jīng)收購了數(shù)十家在人工智能和物聯(lián)網(wǎng)交叉點工作的公司。物聯(lián)網(wǎng)平臺軟件的主要供應商現(xiàn)在提供集成的AI功能，如基于機器學習的分析。

人工智能在物聯(lián)網(wǎng)中扮演著主要角色，因為它能夠快速從數(shù)據(jù)中獲取洞察力。機器學習是一項人工智能技術，它可以自動識別模式并檢測智能傳感器和設備生成的數(shù)據(jù)中的異常情況，諸如溫度，壓力，濕度，空氣質(zhì)量，振動和聲音等信息。各公司發(fā)現(xiàn)機器學習可以比傳統(tǒng)的商業(yè)智能工具在分析物聯(lián)網(wǎng)數(shù)據(jù)方面具有顯著優(yōu)勢，包括能夠比基于閾值的監(jiān)控系統(tǒng)提前20倍和更高的準確度進行運營預測。而其他人工智能技術，如語音識別和計算機視覺可以幫助從過去需要人工評估的數(shù)據(jù)中獲得見解。

AI和物聯(lián)網(wǎng)技術的強大組合幫助公司避免意外停機，提高運營效率，啟用新產(chǎn)品和服務，并加強風險管理。

避免昂貴的非計劃停機時間

在一些行業(yè)中，設備故障導致的意外停機可能造成嚴重損失。例如，根據(jù)一項研究，海上石油和天然氣經(jīng)營者每年平均損失3800萬美元。另一個消息估計，對于工業(yè)制造業(yè)來說，意外停機時間每年花費500億美元，設備故障導致42%的停機。

使用預測性維護分析功能提前預測設備故障，以便安排有序的維護程序，可以減少非計劃停機的破壞性經(jīng)濟性。例如，在制造業(yè)中，德勤發(fā)現(xiàn)預測性維護可以將維護計劃縮短20-50%，將設備正常運行時間和可用性增加10-20%，并將整體維護成本降低5-10%。

由于人工智能技術，特別是機器學習，可以幫助識別模式和異常情況，并基于大量數(shù)據(jù)進行預測，因此它們在實施預測性維護方面尤其有用。例如，領先的韓國煉油商SK Innovation通過使用機器學習預測連接的壓縮機預計故障可節(jié)省“數(shù)十億韓元”。同樣，意大利列車運營商Trenitalia希望避免意外停機，并節(jié)省8-10%的年度維護成本13億歐元。與此同時，法國電力公司EDF集團已經(jīng)通過機器學習驅(qū)動的設備故障預警節(jié)省了超過100萬美元。

提高運營效率

人工智能驅(qū)動的物聯(lián)網(wǎng)可以做的不僅僅是幫助避免意外停機。它還可以幫助提高運營效率。這部分得益于機器學習的力量，以產(chǎn)生快速、準確的預測和深刻見解，以及AI技術能夠使越來越多的任務自動化完成。

例如，對于Hershey來說，在生產(chǎn)過程中管理其產(chǎn)品的重量至關重要：重量精度每提高1%，就意味著可以為14,000加侖的Twizzlers等一批產(chǎn)品節(jié)省超過500,000美元的成本。該公司使用物聯(lián)網(wǎng)和機器學習來顯著是減少生產(chǎn)過程中的重量變化。第二個數(shù)據(jù)被捕獲和分析，重量變化可以通過機器學習模型進行預測，每天可以進行240個工藝調(diào)整，而安裝ML驅(qū)動的IoT解決方案前每天僅有12個。

基于人工智能的預測也有助于谷歌削減40%的數(shù)據(jù)中心冷卻成本。該解決方案通過對設施內(nèi)傳感器數(shù)據(jù)進行培訓，預測下一小時的溫度和壓力，以指導限制功耗的操作。

機器學習產(chǎn)生了深刻的見解，說服一家船隊運營商采取反直覺行動，為他們節(jié)省了大筆資金。從船載傳感器收集的數(shù)據(jù)被用來識別清洗船體的成本和燃油效率之間的相關性。分析表明，通過每年清洗船體兩次而不是每兩年清潔船體(從而將清潔費用翻兩番)，由于燃油效率更高，最終可節(jié)省40萬美元。

實現(xiàn)新的和改進的產(chǎn)品和服務

物聯(lián)網(wǎng)技術與人工智能相結合，可以為改進并最終實現(xiàn)全新的產(chǎn)品和服務奠定基礎。例如，對于通用電氣的無人機和基于機器人的工業(yè)檢測服務，公司希望AI能夠?qū)崿F(xiàn)檢測設備的導航自動化，并從他們捕獲的數(shù)據(jù)中識別缺陷。這可能會導致更安全，更精確，并且為客戶提供便宜高達25%的檢查。在醫(yī)療保健方面，費城托馬斯杰佛遜大學醫(yī)院試圖通過自然語言處理改善患者體驗，使患者能夠控制房間環(huán)境并通過語音命令請求各種信息。

與此同時，勞斯萊斯計劃盡快推出具有物聯(lián)網(wǎng)功能的飛機發(fā)動機維護服務新產(chǎn)品。該公司計劃使用機器學習來幫助其發(fā)現(xiàn)模式并確定將出售給航空公司的運營見解。汽車制造商Navistar正在研究實時連接車輛數(shù)據(jù)的機器學習分析，以實現(xiàn)車輛健康診斷和預測性維護服務的新收入流。根據(jù)Navistar技術合作伙伴Cloudera的說法，這些服務幫助近30萬輛汽車減少了高達40%的停機時間。

加強風險管理

將物聯(lián)網(wǎng)與AI結合在一起的許多應用程序，正在幫助企業(yè)更好地理解和預測各種風險，以及自動執(zhí)行快速響應，使他們能夠更好地管理工作人員安全，財務損失和網(wǎng)絡威脅。

例如，富士通已經(jīng)在使用機器學習技術來分析連接可穿戴設備的數(shù)據(jù)，以評估其工廠工人可能會在一段時間內(nèi)積累的潛在熱應力。印度和北美的銀行已經(jīng)開始對ATM機中聯(lián)網(wǎng)監(jiān)控攝像頭的可疑活動進行實時識別。汽車保險公司進步正利用機器學習對聯(lián)網(wǎng)汽車的數(shù)據(jù)進行分析，從而準確地為其基于美國的保費定價，從而更好地管理承保風險。拉斯維加斯已經(jīng)轉(zhuǎn)向了一種機器學習解決方案，以確保其智能城市計劃的安全，旨在實時檢測和應對威脅。

對企業(yè)的影響

對于不同行業(yè)的企業(yè)，人工智能有望提升物聯(lián)網(wǎng)部署所創(chuàng)造的價值，從而實現(xiàn)更好的產(chǎn)品和運營，從而在業(yè)務績效中發(fā)揮競爭優(yōu)勢。

考慮新的基于物聯(lián)網(wǎng)項目的高管們應該意識到，預測功能的機器學習現(xiàn)在已經(jīng)與大多數(shù)橫向和工業(yè)物聯(lián)網(wǎng)平臺集成在一起，如微軟 Azure 物聯(lián)網(wǎng)，IBM 沃森物聯(lián)網(wǎng)T，亞馬遜AWS物聯(lián)網(wǎng)，通用電氣Predix和PTC ThingWorx。

越來越多的交鑰匙，捆綁或垂直物聯(lián)網(wǎng)解決方案利用機器學習等AI技術。例如，對于連接汽車的使用案例，寶馬的CarData平臺可以訪問車主分享的數(shù)據(jù)以及IBM 沃森物聯(lián)網(wǎng)的AI功能。在消費品和零售業(yè)中，一些補貨自動化和優(yōu)化解決方案使用機器學習來預測需求并優(yōu)化庫存水平。汽車保險行業(yè)的遠程信息處理解決方案提供商正在整合機器學習，以創(chuàng)建更準確的風險模型并預測索賠行為。

使用人工智能技術可能會從物聯(lián)網(wǎng)部署中獲得更多價值，而這些部署并非是在設計時考慮到使用人工智能而設計的。例如，一家匈牙利石油和天然氣公司將機器學習應用于柴油生產(chǎn)過程中已經(jīng)收集到的傳感器數(shù)據(jù)。該分析使公司能夠更準確地預測燃料的硫含量，并幫助識別過程改進，現(xiàn)在每年為該公司節(jié)省超過600,000美元。主要的橫向和工業(yè)物聯(lián)網(wǎng)平臺 —— 企業(yè)可能已經(jīng)在使用 —— 正在提供新的基于人工智能的功能，可能有助于提升現(xiàn)有部署的價值。

物聯(lián)網(wǎng)的未來就是AI

很快就很難找到一個不能使用AI的物聯(lián)網(wǎng)實現(xiàn)。國際數(shù)據(jù)公司IDC預測，到2019年，AI將支持“所有有效的”物聯(lián)網(wǎng)工作，如果沒有人工智能，部署的數(shù)據(jù)將具有“有限的價值”。越來越多的物聯(lián)網(wǎng)供應商提供至少基本的AI支持。各行業(yè)的先鋒公司已經(jīng)在其物聯(lián)網(wǎng)部署中獲得了AI的好處。如果你的公司有實施基于物聯(lián)網(wǎng)的解決方案的計劃，那么這些計劃也應該包括人工智能。