文章轉(zhuǎn)載來(lái)源物聯(lián)網(wǎng)世界 >> 物聯(lián)網(wǎng)新聞 >> 物聯(lián)網(wǎng)熱點(diǎn)新聞>> 物聯(lián)網(wǎng)之家
企業(yè)可以利用人工智能和物聯(lián)網(wǎng)的綜合力量，將數(shù)據(jù)轉(zhuǎn)化為業(yè)務(wù)洞察力。在本文，我們介紹這種強(qiáng)大組合的所有內(nèi)容。這種組合通常被稱(chēng)為 AIoT。
最初的機(jī)器對(duì)機(jī)器通信幾乎僅限于電信行業(yè)，如今，物聯(lián)網(wǎng)無(wú)處不在。據(jù) Statista 稱(chēng)，到 2025 年，連接到互聯(lián)網(wǎng)的設(shè)備數(shù)量預(yù)計(jì)將超過(guò) 380億臺(tái)。
物聯(lián)網(wǎng)設(shè)備數(shù)量的急劇增加將不可避免地導(dǎo)致收集的數(shù)據(jù)量隨之增加。IDC 報(bào)告稱(chēng)，到 2025 年，全球生成的物聯(lián)網(wǎng)數(shù)據(jù)量將達(dá)到 73 Zettabytes。這就是問(wèn)題所在，需要對(duì)收集到的數(shù)據(jù)進(jìn)行分析以獲得價(jià)值。然而，大多數(shù)企業(yè)未能充分利用數(shù)據(jù)，其中60% 至 73% 的數(shù)據(jù)未被使用。
好消息是，企業(yè)可以利用人工智能和物聯(lián)網(wǎng)的綜合力量，將數(shù)據(jù)轉(zhuǎn)化為業(yè)務(wù)洞察力。
在本文，我們介紹這種強(qiáng)大組合的所有內(nèi)容。這種組合通常被稱(chēng)為 AIoT。
AIoT是什么？
AIoT 系統(tǒng)由兩個(gè)組件組成：物聯(lián)網(wǎng) (IoT) 和人工智能 (AI)。
在這種強(qiáng)大的組合中，物聯(lián)網(wǎng)的作用是收集結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，并實(shí)現(xiàn)連網(wǎng)事物與用戶(hù)之間的通信。
當(dāng)通過(guò)人工智能進(jìn)行放大時(shí)，物聯(lián)網(wǎng)系統(tǒng)將獲得類(lèi)似人類(lèi)的智慧，并可應(yīng)用于解決更廣泛的任務(wù)。這些任務(wù)可以包括“理解”自然語(yǔ)言、預(yù)測(cè)用戶(hù)需求和相應(yīng)調(diào)整連網(wǎng)設(shè)備的行為等。
AIoT市場(chǎng)目前正在崛起。最近的研究估計(jì)，到 2026 年它將達(dá)到 1022 億美元。原因很簡(jiǎn)單：人工智能通過(guò)改進(jìn)決策為物聯(lián)網(wǎng)增加價(jià)值，而物聯(lián)網(wǎng)則為人工智能提供了一個(gè)平臺(tái)，通過(guò)連接性和無(wú)縫數(shù)據(jù)交換來(lái)推動(dòng)價(jià)值。
AIoT是如何工作的？
AIoT 系統(tǒng)可以通過(guò)兩種方式實(shí)現(xiàn)：
作為基于云的系統(tǒng)
作為在連網(wǎng)設(shè)備上運(yùn)行的邊緣系統(tǒng)
AIoT 系統(tǒng)的架構(gòu)會(huì)因?qū)嵤┎呗远悺?/span>
基于云的 AIoT
使用基于云的方法，AIoT 解決方案的基本架構(gòu)如下所示：
設(shè)備層：各種硬件設(shè)備（移動(dòng)設(shè)備、標(biāo)簽/信標(biāo)、傳感器、健康和健身設(shè)備、車(chē)輛、生產(chǎn)設(shè)備、嵌入式設(shè)備）
連接層：現(xiàn)場(chǎng)網(wǎng)關(guān)和云網(wǎng)關(guān)
云端層：數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)處理（AI引擎）、數(shù)據(jù)可視化、分析、通過(guò)API訪問(wèn)數(shù)據(jù)
用戶(hù)交互層：門(mén)戶(hù)網(wǎng)站和移動(dòng)應(yīng)用程序
邊緣AIoT
通過(guò)邊緣分析，收集的數(shù)據(jù)在更接近源的位置進(jìn)行處理——無(wú)論是在連網(wǎng)設(shè)備上還是在現(xiàn)場(chǎng)網(wǎng)關(guān)上。
收集終端層：連接到網(wǎng)關(guān)的各種硬件設(shè)備（移動(dòng)、標(biāo)簽/信標(biāo)、傳感器、健康和健身設(shè)備、車(chē)輛、生產(chǎn)設(shè)備、嵌入式設(shè)備）
邊緣層：用于數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)處理（AI 引擎）和見(jiàn)解生成的設(shè)施
不過(guò)，以邊緣為中心的實(shí)施并不排除云計(jì)算，例如，基于云的數(shù)據(jù)存儲(chǔ)可用于收集有關(guān)系統(tǒng)性能的元數(shù)據(jù)或訓(xùn)練邊緣人工智能所需的上下文信息。
AIoT在不同領(lǐng)域的熱門(mén)應(yīng)用
在許多因素的推動(dòng)下，如新軟件工具的可用性、簡(jiǎn)化的人工智能解決方案的開(kāi)發(fā)、將人工智能注入傳統(tǒng)系統(tǒng)，以及支持人工智能算法的硬件的進(jìn)步，AIoT正在許多領(lǐng)域中悄然興起。以下是一些已經(jīng)利用AIoT的行業(yè)——其中最有前途的用例備受關(guān)注。
醫(yī)療保健
診斷協(xié)助
AIoT 可以幫助醫(yī)療保健提供者做出更精確的診斷決策。智能醫(yī)療物聯(lián)網(wǎng)解決方案從各種來(lái)源獲取患者數(shù)據(jù)——從診斷設(shè)備到可穿戴設(shè)備再到電子健康記錄——并綜合分析這些數(shù)據(jù)，以幫助醫(yī)生正確診斷患者。
基于人工智能的醫(yī)療解決方案已經(jīng)在多個(gè)診斷領(lǐng)域超過(guò)了人類(lèi)醫(yī)療保健專(zhuān)業(yè)人員。全球的放射科醫(yī)生都在依賴(lài)人工智能的幫助進(jìn)行癌癥篩查。
在 Nature Medicine 發(fā)表的一項(xiàng)研究中，人工智能在確定患者是否患有肺癌方面勝過(guò)了6名放射科醫(yī)生。該算法對(duì)來(lái)自美國(guó)國(guó)立衛(wèi)生研究院臨床試驗(yàn)數(shù)據(jù)記錄的 42,000 名患者資料進(jìn)行了訓(xùn)練，檢測(cè)到的癌癥病例比人類(lèi)同行多了5%，并將誤報(bào)的數(shù)量減少了11%。值得一提的是，假陽(yáng)性提出了診斷肺癌的一個(gè)特殊問(wèn)題：AMA Internal Medicine對(duì)2100名患者的研究表明，假陽(yáng)性率為97.5%。因此，人工智能有助于解決關(guān)鍵診斷問(wèn)題。
AIoT 系統(tǒng)在診斷乳腺癌、皮膚病和皮膚癌時(shí)同樣表現(xiàn)出色。然而，智能互聯(lián)系統(tǒng)的可能性遠(yuǎn)不止于此。
最近的研究表明，人工智能可以檢測(cè)兒童的罕見(jiàn)遺傳病、嬰兒的遺傳性疾病、膽固醇升高的遺傳性疾病、神經(jīng)退行性疾病，并預(yù)測(cè)導(dǎo)致阿爾茨海默病的認(rèn)知衰退。
改進(jìn)治療策略和跟蹤康復(fù)過(guò)程
遵循與診斷患者相同的原則，AIoT 系統(tǒng)可以幫助制定更好的治療策略并根據(jù)患者的需求進(jìn)行調(diào)整。
結(jié)合來(lái)自治療方案的數(shù)據(jù)、患者的病史以及來(lái)自連網(wǎng)設(shè)備和可穿戴設(shè)備的實(shí)時(shí)患者信息，智能算法可以建議劑量調(diào)整，排除患者發(fā)生過(guò)敏的可能性，并避免不適當(dāng)或過(guò)度治療。AIoT促進(jìn)治療的一些重要領(lǐng)域包括：治療伴有血液凝固的疾病、更好的哮喘和慢性呼吸系統(tǒng)疾病管理、更有效的新冠肺炎治療、優(yōu)化糖尿病管理等。
優(yōu)化醫(yī)院工作流程
AIoT 可以改變醫(yī)院的運(yùn)營(yíng)方式，改善以下關(guān)鍵領(lǐng)域的日常工作流程：
減少等待時(shí)間
由 AIoT 提供支持的自動(dòng)床位跟蹤系統(tǒng)可以在床位空閑時(shí)通知醫(yī)院工作人員，從而接收更多患者。紐約西奈山醫(yī)療中心等早期采用者的經(jīng)驗(yàn)證明，技術(shù)可以幫助減少50%急診患者的等待時(shí)間。
識(shí)別危重病人
識(shí)別需要立即關(guān)注的患者對(duì)于提供優(yōu)質(zhì)護(hù)理至關(guān)重要。為了做出正確的決定，醫(yī)生需要在巨大的壓力下分析大量信息，而AIoT可以幫助醫(yī)務(wù)人員確定工作的優(yōu)先順序?；ヂ?lián)系統(tǒng)可以分析患者的生命體征，并提醒醫(yī)生患者的病情正在惡化。
幾個(gè)類(lèi)似的系統(tǒng)在重癥監(jiān)護(hù)室進(jìn)行了測(cè)試。例如，舊金山大學(xué)試行了一種人工智能解決方案，該解決方案能夠檢測(cè)敗血癥的早期跡象，這是一種致命的血液感染。研究結(jié)果顯示，接受人工智能治療的患者感染的可能性降低了58%，死亡率降低了12%。
跟蹤醫(yī)療設(shè)備
借助支持 AIoT 的設(shè)備跟蹤，醫(yī)院可以降低丟失關(guān)鍵醫(yī)療設(shè)備的風(fēng)險(xiǎn)，并做出更明智的設(shè)備管理決策，從而每年每張床位節(jié)省 12,000 美元。關(guān)鍵醫(yī)療設(shè)備可以通過(guò)RFID或GPS系統(tǒng)在醫(yī)院內(nèi)外進(jìn)行跟蹤，而醫(yī)療和管理人員可以使用WEB和移動(dòng)應(yīng)用程序快速定位所需設(shè)備。
制造業(yè)
啟用預(yù)測(cè)性維護(hù)
通過(guò)配置AIoT傳感器，機(jī)器可以測(cè)量各種參數(shù)，包括溫度、壓力、振動(dòng)、轉(zhuǎn)速等，制造商可以實(shí)時(shí)了解其資產(chǎn)的健康狀況，并根據(jù)實(shí)際需要安排維護(hù)。
雖然基本分析通常足以檢測(cè)到接近臨界操作閾值的設(shè)備，但人工智能可以根據(jù)歷史維護(hù)和維修數(shù)據(jù)提前預(yù)測(cè)異常。根據(jù)普華永道的一份報(bào)告，通過(guò)預(yù)測(cè)性維護(hù)，制造商可以將設(shè)備正常運(yùn)行時(shí)間提高 9%，將成本降低 12%，將安全風(fēng)險(xiǎn)降低 14%，并將其資產(chǎn)的使用壽命延長(zhǎng) 20%。
改善資產(chǎn)性能管理
有了 AIoT 系統(tǒng)，制造商可以定期更新其資產(chǎn)的性能，并深入了解性能變化的原因。大多數(shù)基于物聯(lián)網(wǎng)的資產(chǎn)性能管理系統(tǒng)都允許在設(shè)備偏離設(shè)定的 KPI 時(shí)獲得自動(dòng)警報(bào)通知。
反過(guò)來(lái)，人工智能引擎有助于挖掘性能下降的原因（如果有的話），并確定在每個(gè)單獨(dú)設(shè)置中跟蹤測(cè)量的 KPI 是否合理。使用性能管理軟件，制造商可以?xún)?yōu)化設(shè)備利用率并提高整體設(shè)備效率。
使用數(shù)字孿生促進(jìn)生產(chǎn)規(guī)劃
據(jù) Gartner 稱(chēng)，數(shù)字孿生可以幫助制造商將生產(chǎn)效率提高至少 10%。一個(gè)資產(chǎn)、系統(tǒng)或流程的數(shù)字副本、一個(gè)工業(yè)的、支持AIoT的數(shù)字孿生，可以幫助制造商獲得車(chē)間運(yùn)營(yíng)的端到端可見(jiàn)性，并幫助及時(shí)發(fā)現(xiàn)甚至預(yù)測(cè)低效率。
使用數(shù)字孿生的制造企業(yè)表示，他們可以實(shí)現(xiàn)持久的改進(jìn)，包括在兩年內(nèi)將可靠性從 93% 提高到 99.49%，將維護(hù)需求減少 40%。
通過(guò)工業(yè)機(jī)器人自動(dòng)化車(chē)間操作
工業(yè)機(jī)器人長(zhǎng)期以來(lái)一直是車(chē)間的一部分。隨著生產(chǎn)物聯(lián)網(wǎng)解決方案變得越來(lái)越容易獲得，機(jī)器人正變得更加智能和獨(dú)立。工業(yè)機(jī)器人配備了傳感器并依靠人工智能，現(xiàn)在能夠在行進(jìn)中做出明智的生產(chǎn)決策，從而提高了制造單元的效率。
汽車(chē)和交通
交通管理
AIoT可用于緩解交通擁堵，提高交通質(zhì)量。例如，臺(tái)北市利用 AIoT 監(jiān)控 25 個(gè)路口的信號(hào)設(shè)備。在這個(gè)系統(tǒng)中，智能傳感器和攝像頭收集交通、人流和道路占用的實(shí)時(shí)數(shù)據(jù)，而人工智能算法分析這些數(shù)據(jù)并應(yīng)用適當(dāng)?shù)目刂七壿嫛?/span>
這種方法有助于城市管理部門(mén)優(yōu)化交通流量，并確保安全順暢的駕駛體驗(yàn)。
自動(dòng)駕駛汽車(chē)
自動(dòng)駕駛汽車(chē)和高級(jí)駕駛輔助系統(tǒng) (ADAS) 是 AI 算法解釋和處理實(shí)時(shí)物聯(lián)網(wǎng)數(shù)據(jù)的顯著例子。
自動(dòng)駕駛汽車(chē)根據(jù)來(lái)自各種傳感器的數(shù)據(jù)創(chuàng)建周?chē)h(huán)境地圖，例如，雷達(dá)傳感器監(jiān)測(cè)附近車(chē)輛的位置；攝像頭檢測(cè)交通信號(hào)燈、路標(biāo)、其他車(chē)輛和行人；激光雷達(dá)傳感器測(cè)量距離、檢測(cè)道路邊界并識(shí)別車(chē)道標(biāo)記。
然后，人工智能軟件處理傳感器數(shù)據(jù)，繪制最佳路線，并向汽車(chē)執(zhí)行器發(fā)送指令，控制加速、制動(dòng)和轉(zhuǎn)向。硬編碼規(guī)則、避障算法、預(yù)測(cè)建模和對(duì)象識(shí)別有助于軟件遵循交通規(guī)則并避開(kāi)障礙物。
關(guān)鍵的 AIoT 實(shí)施挑戰(zhàn)，以及如何解決這些挑戰(zhàn)
在全球?qū)嵤┑乃形锫?lián)網(wǎng)項(xiàng)目中，76% 失敗了，其中 30% 早在概念驗(yàn)證階段就失敗了。為了避免將投資導(dǎo)向注定要失敗的項(xiàng)目，公司應(yīng)該注意可能阻礙其 AIoT 實(shí)施的常見(jiàn)挑戰(zhàn)。公司最常遇到的挑戰(zhàn)包括：
在沒(méi)有明確目標(biāo)的情況下踏上 AIoT 之旅。啟動(dòng)AIoT項(xiàng)目時(shí)，組織可能會(huì)被新奇的事物所吸引，而無(wú)法評(píng)估他們想法的可行性。反過(guò)來(lái)，這可能導(dǎo)致在開(kāi)發(fā)的后期階段成本不受控制地攀升，并最終導(dǎo)致利益相關(guān)者不滿(mǎn)意。為避免這種情況，我們建議您從探索階段就開(kāi)始您的 AIoT 項(xiàng)目，在這個(gè)階段，可以根據(jù)設(shè)定的業(yè)務(wù)目標(biāo)、客戶(hù)期望和組織能力對(duì)想法進(jìn)行審查和權(quán)衡。
選擇最佳實(shí)施策略。如前所述，AIoT 解決方案可以實(shí)施為云、邊緣或混合系統(tǒng)。在起草實(shí)施策略時(shí)，仔細(xì)權(quán)衡未來(lái)解決方案的帶寬、延遲和速度要求，并將它們與設(shè)定的成本進(jìn)行對(duì)比。經(jīng)驗(yàn)法則是，對(duì)于跨大量設(shè)備的時(shí)間關(guān)鍵型系統(tǒng)，可以進(jìn)行邊緣部署，并在最小延遲和高帶寬不太重要的情況下依賴(lài)于云。
部署周期緩慢，成本難以估計(jì)。AIoT 項(xiàng)目需要長(zhǎng)期承諾。根據(jù)特定的用例，實(shí)施過(guò)程可能需要幾個(gè)月到幾年的時(shí)間。隨著技術(shù)環(huán)境的快速變化，解決方案有可能在其完全投入運(yùn)行時(shí)變得過(guò)時(shí)，并且失去對(duì)實(shí)施成本的控制。為了防止這種情況，企業(yè)需要足夠靈活，以便能夠在此過(guò)程中應(yīng)對(duì)各種變化。
需要連接高度異構(gòu)和復(fù)雜的系統(tǒng)。根據(jù)您未來(lái)解決方案的規(guī)模和您所在的行業(yè)，您可能需要將高度異構(gòu)的傳統(tǒng)設(shè)備連接到 AIoT。這通常是一項(xiàng)難以完成的任務(wù)，它需要規(guī)劃和了解可用的選項(xiàng)。例如，您可以選擇將傳感器嵌入到傳統(tǒng)機(jī)器，通過(guò)網(wǎng)關(guān)連接它們，甚至完全替換它們。無(wú)論采用何種方法，請(qǐng)務(wù)必盡早起草可行的數(shù)字化方案。
沒(méi)有足夠的數(shù)據(jù)來(lái)訓(xùn)練 AI 算法。為了產(chǎn)生可靠的見(jiàn)解，人工智能算法需要在大量數(shù)據(jù)上進(jìn)行訓(xùn)練。如果數(shù)據(jù)量不足（或可用但由于隱私原因無(wú)法使用），您將不得不使用其他策略來(lái)彌補(bǔ)數(shù)據(jù)不足。常見(jiàn)的方法包括轉(zhuǎn)移學(xué)習(xí)（想想：使用已經(jīng)訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)解決類(lèi)似問(wèn)題）、數(shù)據(jù)增強(qiáng)（修改現(xiàn)有樣本以獲取新的數(shù)據(jù)條目）或求助于合成數(shù)據(jù)。
努力挖掘 AIoT 系統(tǒng)的最佳性能。AIoT 系統(tǒng)的性能取決于一系列因素，包括硬件功能、數(shù)據(jù)負(fù)載、系統(tǒng)架構(gòu)、實(shí)施方法等。為避免運(yùn)行中的性能問(wèn)題，請(qǐng)?zhí)崆坝?jì)劃潛在的數(shù)據(jù)負(fù)載并相應(yīng)地調(diào)整實(shí)施策略。
解決軟件和固件漏洞。許多 AIoT 項(xiàng)目之所以失敗，是因?yàn)樵谝?guī)劃階段沒(méi)有考慮到數(shù)據(jù)、設(shè)備、服務(wù)器和通信網(wǎng)絡(luò)的安全性。如果您處理高度敏感的數(shù)據(jù)，請(qǐng)考慮混合部署，在混合部署中，數(shù)據(jù)在更靠近數(shù)據(jù)源的地方被處理，因此數(shù)據(jù)在傳輸過(guò)程中或云中被破壞的風(fēng)險(xiǎn)被降至最低。
