通過了解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）價值相關(guān)的生動對話。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)計劃的見解。物聯(lián)網(wǎng)和人工智能的結(jié)合為企業(yè)實現(xiàn)這一預(yù)期成果提供了途徑。實際上，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)”時能夠做出快速的決策并發(fā)現(xiàn)深刻的見解，因此對于任何想要擴大物聯(lián)網(wǎng)價值的組織來說，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)造新價值。

人工智能的潛力和事物的智能

人工智能驅(qū)動的互聯(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。行業(yè)中有無數(shù)示例說明了這種潛力-從公用事業(yè)和制造商可以檢測出性能不佳的資產(chǎn)并預(yù)測在成本高昂或危險設(shè)備故障發(fā)生之前進行維護或自動關(guān)閉的需求，再到提供家庭診斷，警報看護者的遠程監(jiān)控設(shè)備需要干預(yù)時，并提醒患者服藥。

將先進的分析技術(shù)帶到邊緣

進行IoT數(shù)據(jù)分析的位置取決于帶寬和延遲的問題：對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)備運行的摘要數(shù)據(jù)，IoT設(shè)備會將數(shù)據(jù)發(fā)送到云或數(shù)據(jù)中心，結(jié)合歷史表現(xiàn)和其他趨勢對其進行分析。從分析中獲得的見解可用于對設(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。對于移動或遠程資產(chǎn)產(chǎn)生大量必須快速分析的數(shù)據(jù)（例如自動駕駛汽車或無人機）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，無論是在霧中還是在云中）中對IoT數(shù)據(jù)進行轉(zhuǎn)換，分析，可視化和嵌入。

行動中的AIoT——運輸行業(yè)案例

每天有數(shù)以百萬計的卡車在高速公路上運輸燃料，農(nóng)產(chǎn)品，電子產(chǎn)品和其他必需品。但是，計劃外的停機時間會對依賴及時交付的任何車隊運營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通過基于物聯(lián)網(wǎng)技術(shù)的遠程診斷和預(yù)防性維護服務(wù)以及包括人工智能在內(nèi)的先進分析技術(shù)解決了這一挑戰(zhàn)。通過更有效，更準確，更主動地為相連的車輛提供服務(wù)，從而縮短車輛在路上的時間，并最大程度地減少服務(wù)中斷的成本。

沃爾沃卡車的遠程診斷程序監(jiān)視每輛卡車的數(shù)據(jù)，以查找主要系統(tǒng)出現(xiàn)故障時觸發(fā)的故障代碼。每輛卡車上的數(shù)千個傳感器實時收集流式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通過以故障代碼和其他參數(shù)數(shù)據(jù)的形式從車輛上遠程收集數(shù)據(jù)，然后根據(jù)嚴重性對客戶進行排序，從而幫助客戶評估問題的嚴重性并管理維修。如果故障需要立即采取措施，則代理商會聯(lián)系客戶以說明情況并建議采取措施。如果對時間的敏感度較低或不存在潛在的傷害，則計劃在最合理的情況下進行維修。

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

四種促進價值的加速器

那么，您如何通過AIoT實現(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，網(wǎng)絡(luò)基礎(chǔ)架構(gòu)和計算機），成功部署的四個關(guān)鍵因素是：

1. 考慮實時分析

在高速移動大數(shù)據(jù)時（在存儲之前）對其進行分析，以便您可以對相關(guān)內(nèi)容立即采取行動。抓住機會，發(fā)現(xiàn)隱藏在業(yè)務(wù)中的快速移動數(shù)據(jù)洪流中的危險信號。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之類的進步而變得尤為重要，以：

· 檢測感興趣的事件并觸發(fā)適當(dāng)?shù)牟僮鳌Ｊ录魈幚砜蓪崟r查明復(fù)雜的模式，例如對某人的移動設(shè)備的操作或在銀行交易期間檢測到的異常活動。事件流處理提供對威脅或機會的快速檢測。

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

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

· 實時預(yù)測和優(yōu)化操作。先進的算法可以連續(xù)對流數(shù)據(jù)進行評分，以立即做出決策。例如，可以根據(jù)上下文分析火車到達的信息，以延遲火車從另一個車站出發(fā)的時間，因此通勤者不會錯過他們的聯(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，客戶資料和歷史購買數(shù)據(jù)）。這種現(xiàn)實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：高性能分析對靜態(tài)數(shù)據(jù)，云計算或存儲中的靜態(tài)數(shù)據(jù)起到了很大的作用。流分析可以分析運動中的大量不同數(shù)據(jù)，其中可能僅涉及少量項目，數(shù)據(jù)僅具有短暫的價值，或者在速度至關(guān)重要時（例如發(fā)送有關(guān)即將發(fā)生的碰撞或組件故障的警報）。邊緣計算使系統(tǒng)能夠立即從源頭對數(shù)據(jù)進行操作，而不會暫停攝取，傳輸或存儲數(shù)據(jù)-在物聯(lián)網(wǎng)設(shè)備和服務(wù)的傳感器驅(qū)動世界中，許多用途都必須這樣做。

3. 結(jié)合AI技術(shù)

為了實現(xiàn)AIoT的最高回報，除了部署單一的AI技術(shù)外，還需要更多。采用平臺方法，多種AI功能一起工作，例如機器學(xué)習(xí)和深度學(xué)習(xí)，以實現(xiàn)自然語言處理和計算機視覺。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)和計算機視覺，以識別人腦和肝臟上的結(jié)節(jié)和其他關(guān)注領(lǐng)域。該檢測過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)來分析視覺圖像。然后，診所使用完全不同的AI技術(shù)-自然語言處理-根據(jù)家庭病史，藥物，既往疾病和飲食來建立患者檔案;它甚至可以考慮起搏器數(shù)據(jù)等物聯(lián)網(wǎng)數(shù)據(jù)。該工具將自然語言數(shù)據(jù)與計算機視覺相結(jié)合，使寶貴的醫(yī)務(wù)人員更加高效。

支持AI的IoT的大部分價值在于可以立即采取行動。在客戶離開之前，向他們提供正確的報價。在批準可疑交易之前，先對其進行檢測。幫助自動駕駛汽車在繁忙的十字路口機動，而不會撞到其他行駛中的車輛。現(xiàn)在做。延遲很重要。顯然，許多類型的傳感器和設(shè)備無法等待來自云的數(shù)據(jù)或命令。而對于其他用途，則沒有必要。為了監(jiān)視，診斷和處理單個設(shè)備（例如家庭自動化系統(tǒng)），應(yīng)盡可能在設(shè)備附近進行分析。將本地來源的，本地消耗的數(shù)據(jù)發(fā)送到遙遠的數(shù)據(jù)中心會導(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)級增長以及對低延遲的需求，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算資源的趨勢。

4. 統(tǒng)一完整的分析生命周期

為了從互聯(lián)世界中獲得價值，AIoT系統(tǒng)首先需要訪問各種數(shù)據(jù)以感知正在發(fā)生的重要事件。接下來，它必須在豐富的上下文中從數(shù)據(jù)中提取見解。最后，無論是警告操作員，提供報價還是修改設(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)實施將在整個分析生命周期中將這些支持功能聯(lián)系起來：

· 動態(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)百萬個范圍）分析大量數(shù)據(jù)，以識別感興趣的事件。

· 實時決策/實時交互管理。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）進入推薦引擎，該引擎觸發(fā)正確的決策或行動。

· 大數(shù)據(jù)分析。從物聯(lián)網(wǎng)設(shè)備獲取情報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等分布式計算環(huán)境中進行的。能夠運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。從注冊到報廢，模型管理在分析模型的整個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隨時間下降的手段。

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

· 首先，如果您要部署IoT，請同時部署AI。

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

· 最后，任何一個人都具有價值，但是當(dāng)它們結(jié)合在一起時，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)換為有意義的實時洞察力，IoT設(shè)備可以據(jù)此采取行動。如果您還沒有的話，關(guān)鍵是上手！如果您正在試用中，請確保您可以實際部署和擴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：ct