隨著科技的不斷發(fā)展，一些在功能上具有相互補充作用的技術正在不可避免地發(fā)生結合――例如，人工智能(AI)和物聯(lián)網(wǎng)(IoT)。

由于物聯(lián)網(wǎng)的快速發(fā)展，企業(yè)可以使規(guī)模龐大的設備或“事物”實現(xiàn)網(wǎng)絡連接和數(shù)據(jù)共享，并能夠通過數(shù)據(jù)分析獲取收益。由于AI能夠從海量物聯(lián)網(wǎng)數(shù)據(jù)中“學習”，從而快速作出決策并揭示深刻見解，因此對于任何希望擴展物聯(lián)網(wǎng)價值的企業(yè)而言，AI都是一種必不可缺的分析能力。

在本文中，我們將探討AI和物聯(lián)網(wǎng)(即AIoT)如何共同為各行各業(yè)的組織創(chuàng)造新價值。

一、IoT-連接的藝術

1.萬物互聯(lián)的迅速崛起

1982年，卡內基梅隆大學將可樂機改裝成為世界可連接的智能設備，該設備能夠報告其庫存情況以及新儲存的飲料是否冰涼。幾十年后的今天，我們生活在一個物聯(lián)網(wǎng)多于人聯(lián)網(wǎng)的世界里。不但如此，BusinessInsiderIntelligence預計，到2025年，物聯(lián)網(wǎng)設備將超過550億，遠高于2017年的90億。

快速擴張的物聯(lián)網(wǎng)技術將便攜式設備、家用電器、汽車、制造設備和其他嵌入電子設備、軟件、傳感器和執(zhí)行器相連接，從而組成一張巨大的物聯(lián)網(wǎng)網(wǎng)絡,并能相互進行數(shù)據(jù)交換。從消費類可穿戴設備，到工業(yè)機器和重型機械，這些相互連接的“物”可以向環(huán)境發(fā)出信號、能夠被遠程操縱和控制，并且能越來越多地自主做出決策并執(zhí)行。

目前來看，物聯(lián)網(wǎng)幾乎無處不在。它可以是一個家庭自動化系統(tǒng)，通過檢測環(huán)境的改變自動調整恒溫器或照明設備；它也可以是生產設備，能夠及時提醒維護技術人員即將發(fā)生的故障；它還可以是車載導航系統(tǒng)，能夠檢測用戶的位置并提供環(huán)境方向感知……此外，物聯(lián)網(wǎng)還有很多應用案例，例如，用戶可以將具有語音識別的設備作為個人數(shù)字助理，商業(yè)車隊通過配備傳感器來傳達動態(tài)等等。

這個由相互連接的設備、人員和環(huán)境組成的生態(tài)系統(tǒng)產生了大量復雜的數(shù)據(jù)。例如，今天的汽車和卡車就像建立在車輪上的數(shù)據(jù)中心，大量配備的傳感器可以監(jiān)控從輪胎壓力到發(fā)動機性能、部件健康狀況、無線電音量、駕駛員動作――甚至是擋風玻璃上是否有障礙物或雨點等狀態(tài)數(shù)據(jù)。一輛聯(lián)網(wǎng)的汽車每小時能輸出大約25GB的數(shù)據(jù)，而自動駕駛汽車每秒甚至可以輸出多達1GB的數(shù)據(jù)。

然而，連接和交換大量數(shù)據(jù)只是物聯(lián)網(wǎng)故事的開始。

2.從收集數(shù)據(jù)到智能連接

智能連接設備一般由四層組成：

◆物理元件，如機械和電氣部件。

◆智能元件，如傳感器，處理器，存儲和軟件。

◆連接元件，如端口，天線和協(xié)議。

◆自主分析，可以在邊緣訓練和運行AI模型。

智能元件放大了物理元件的作用。智能元件反過來又被連接元件放大，從而實現(xiàn)監(jiān)監(jiān)測、控制和優(yōu)化。但就其本身而言，僅僅將事物進行聯(lián)接并不會促進學習。連接為進一步的學習鋪平了道路，但也只是基礎。

在底層的應用方面，物聯(lián)網(wǎng)設備生成的數(shù)據(jù)可以被用于觸發(fā)簡單的警報。例如，如果傳感器檢測到超出閾值的情況，比如過熱或振動，它就會觸發(fā)警報，通知技術人員進行檢查。而在一個更復雜的物聯(lián)網(wǎng)系統(tǒng)中，則可能有幾十個傳感器監(jiān)控到事物的方方面面。

正是這些應用場景為設備的連接增加了價值，但是物聯(lián)網(wǎng)的真正價值在于另一個更復雜的層次，這些價值會在物聯(lián)網(wǎng)設備能夠進行學習并自主決策時體現(xiàn)出來。

例如，使用物聯(lián)網(wǎng)數(shù)據(jù)檢測故障的模型可以將機器控制推送給適合的由物聯(lián)網(wǎng)驅動的執(zhí)行器，以減少類似設備發(fā)生故障的可能性；自動駕駛車輛也可以將他們的經(jīng)驗傳遞給網(wǎng)絡中的其他車輛。

這些功能是物聯(lián)網(wǎng)應用程序個性化需求的基礎：

作為人類，我們希望得到智能設備的單獨對待，從而需要它們了解我們的習慣、行為模式和偏好。例如，可穿戴技術應該考慮監(jiān)測運動員的動作，并在檢測到其將受傷時發(fā)出信號。因為沒有兩個人的移動會完全相同，所以應用程序只有具備更好的個性化才有意義。

再例如，零售商可以使用由物聯(lián)網(wǎng)技術支持的相機進行物體檢測以及機器學習，以便在適當?shù)臅r刻向購物者提供量身定制的廣告和優(yōu)惠。

隨著機器變得越來越復雜，個性化的需求也變的越來越迫切。例如，相同品牌和型號的兩件工業(yè)設備在不同條件下的性能可能不同，以相同的方法對待它們可能會錯失提高運營效率、提高安全性和更好地利用資源的機會，因此需要以不同的方式進行使用。

再例如，通過機器學習可以幫助操作人員確定特定生產運行的佳機器集合，從而在車間內做出更好的決策。

二、AI-無所不在的構建智能

1.AI的演變

AI是一門通過學習和自動化來模擬人類任務的訓練系統(tǒng)的科學。借助嵌入式AI，機器可以不斷適應新的輸入并從經(jīng)驗中學習，還能在沒有人工干預的情況下完成特定的任務。目前來看，AI已被廣泛應用于面部識別、語音識別和在游戲中擊敗人類國際象棋、圍棋冠軍。

AI誕生于上世紀50年代，但直到近幾年隨著物聯(lián)網(wǎng)數(shù)據(jù)量、高速連接和高性能計算的爆炸式增長，它才真正在主流應用中占據(jù)了一席之地。

現(xiàn)階段，AI主要使用的是各種統(tǒng)計和計算技術。機器學習是AI的一個子集，它可以識別來自智能傳感器和設備數(shù)據(jù)中的模式和異常。隨著時間的推移，機器學習算法可以通過“學習”提供更準確的結果。因此，機器學習優(yōu)于傳統(tǒng)的商業(yè)智能工具，并且相較基于規(guī)則、閾值或計劃的系統(tǒng)能夠更快、更準確地進行操作預測。

深度學習，計算機視覺，自然語言處理以及經(jīng)過時間考驗的預測或優(yōu)化中的機器學習等技術使AI成為了物聯(lián)網(wǎng)不可或缺的重要補充。例如，AI可以將信號從噪聲中分離出來，從而產生了先進的物聯(lián)網(wǎng)設備，它還可以從與用戶、服務提供商和生態(tài)系統(tǒng)中的其他設備的交互中學習。

 圖1：AI的演變

2.AI的潛力

通過AI連接的智能設備和環(huán)境可以從更大的數(shù)據(jù)源網(wǎng)絡(包括彼此)中學習，并有助于提高整體的智能化水平。各行各業(yè)中已經(jīng)存在很多案例可以證明這種潛力：

公用事業(yè)和制造商可以檢測表現(xiàn)不佳的資產，并能在發(fā)生代價高昂或危險的設備故障之前進行預測性維護或自動關閉。

數(shù)字孿生是對真實世界的虛擬模擬，它能夠使工程師和操作人員分析現(xiàn)場設備的性能，同時大限度地降低傳統(tǒng)測試方法的成本和安全問題。

零售商可以使用基于位置和環(huán)境感知的技術來檢測店內情況，并將其與其他數(shù)據(jù)(如在線用戶配置文件和店內庫存)相結合，可以在客戶進入商店時發(fā)送實時個性化優(yōu)惠。

無人機可以用以及時了解互聯(lián)網(wǎng)或GPS無法到達的黑暗、閉塞的環(huán)境中的未知情況，并能用來調查如海上作業(yè)、地雷、戰(zhàn)區(qū)或燃燒的建筑物等危險區(qū)域。

機器人可以自主穿過倉庫的過道，從貨架上挑選零件或貨物并將它們運送到正確的位置，并能避免沿途發(fā)生碰撞。協(xié)作機器人(“cobots”)可以與人類一起工作，從事繁重的搬運、舞臺材料的組裝或完成重復性的任務和動作。

集裝箱和牽引拖車可以監(jiān)測溫度、濕度、光照、重量分布、二氧化碳和氧氣水平等條件，以保持負載的完整性，加快交貨和檢查的速度。

遠程監(jiān)控設備可以提供家庭診斷，在需要干預時提醒護理人員，并提醒患者服用藥物。

城市可以在實體基礎設施中部署連接的傳感器，以不斷監(jiān)測能源效率、空氣污染、用水、交通狀況和其他生活質量因素。

 圖2：工業(yè)AI驅動的物聯(lián)網(wǎng)應用

這種自適應、預測和“學習”的能力在工業(yè)物聯(lián)網(wǎng)(IIoT)中尤其重要，因為系統(tǒng)故障和停機可能會導致危及生命或高風險的情況發(fā)生。

 三、AI和物聯(lián)網(wǎng)成功的四個關鍵

除了傳感器、攝像頭、網(wǎng)絡基礎設施和計算機等智能物聯(lián)網(wǎng)的物理基礎設施外，還有一些要素是成功部署的關鍵:

思考并實時分析。使用事件流處理來分析運動中的各種數(shù)據(jù)，并確定哪些是相關的。

能夠在云端、網(wǎng)絡邊緣或設備本身等應用程序需要的地方部署智能。

結合AI技術。對象識別或處理自然語言等AI功能具有非常高的價值，并能在協(xié)同作用中發(fā)揮關鍵作用。

統(tǒng)一完整的分析生命周期，對數(shù)據(jù)進行流化、過濾、評分、存儲相關內容、分析并使用結果持續(xù)改進系統(tǒng)。

1.實時分析

事件流處理在處理物聯(lián)網(wǎng)數(shù)據(jù)時起著至關重要的作用，因為它能夠:

檢測感興趣的事件并觸發(fā)適當?shù)牟僮鳌Ｊ录骺梢蕴幚韺崟r精確定位中的復雜模式，例如它可對個人移動設備的操作或銀行交易期間的異常活動進行快速檢測。

監(jiān)控匯總信息。事件流可以持續(xù)處理來自監(jiān)控設備和傳感器的數(shù)據(jù)，查找出可能存在問題的趨勢、相關性或異常。智能設備可以采取補救措施，例如通知操作員、移動負載或關閉電機。

清理并驗證傳感器數(shù)據(jù)。當傳感器數(shù)據(jù)延遲、不完整或不一致時，可能是由于許多因素共同作用導致的。嵌入到數(shù)據(jù)流中的各種技術可以檢測并解決此類數(shù)據(jù)問題，還能對即將發(fā)生的傳感器故障或網(wǎng)絡錯誤導致的臟數(shù)據(jù)進行清洗。

實時預測和優(yōu)化運營。高級算法可以持續(xù)對流數(shù)據(jù)進行評分，以便在瞬間做出決策。例如，可以在數(shù)據(jù)環(huán)境中分析有關火車的到達信息，并延遲另一趟火車的出發(fā)時間，以保證乘客不會錯過換乘。

2.在應用程序需要的地方部署智能

前面描述的案例需要不斷變化和移動的數(shù)據(jù)(例如自動駕駛車輛內駕駛員的地理位置或溫度)以及其他離散數(shù)據(jù)(例如客戶概況和歷史購買數(shù)據(jù))。這一現(xiàn)實要求分析以不同的方式應用于不同的目的。例如:

高性能分析可以對靜態(tài)、云端或存儲中的繁重數(shù)據(jù)進行高效處理。

流分析可對運動中的大量不同數(shù)據(jù)進行分析，這些數(shù)據(jù)中可能只有少量是我們需要的并只有短暫的價值，因此速度十分重要，例如發(fā)送有關即將發(fā)生的碰撞或組件故障的警報。

邊緣計算使系統(tǒng)能夠在源頭立即對數(shù)據(jù)進行操作，而無需暫停獲取、傳輸或存儲數(shù)據(jù)。

在應用程序需要的地方部署智能是一種多相分析方法，要記住的關鍵原則是，并非所有數(shù)據(jù)點都是相關的，也不是所有數(shù)據(jù)點都需要發(fā)送并永久存儲。分析基礎架構必須靈活且可擴展，以支持當前和未來的所有需求。

3.協(xié)同AI技術

要用AIoT實現(xiàn)高的回報，除了部署單一的AI技術外，還需要考慮其他方面。例如，可以采用多種AI功能協(xié)同工作的平臺，將機器學習與自然語言處理和計算機視覺等進行協(xié)同工作。

舉例來看，一家大型醫(yī)院的研究診所結合了多種形式的AI，為其醫(yī)生提供診斷指導。該診所使用深度學習和計算機視覺對x線片、CT掃描和核磁共振成像進行識別，以確定結節(jié)和其他與人類大腦和有關的區(qū)域。該檢測過程使用深度學習技術和卷積神經(jīng)網(wǎng)絡，這是一類通常用于分析視覺圖像的機器學習。這種檢測過程使用到了深度學習技術和卷積神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡是一種通常用于分析視覺圖像的機器學習。

然后，該診所使用一種完全不同的AI技術――自然語言處理，建立一個基于家庭病史、藥物、既往疾病和飲食的患者檔案，它甚至可以解釋心臟起搏器等物聯(lián)網(wǎng)數(shù)據(jù)。該工具將自然語言數(shù)據(jù)與計算機視覺相結合，使醫(yī)務人員在寶貴的工作時間內工作效率大大提高。

圖3：物聯(lián)網(wǎng)分析生命周期――流式傳輸、過濾、評分和存儲

4.統(tǒng)一完整的分析生命周期

為了從互聯(lián)的世界中獲得價值，AIoT系統(tǒng)首先需要訪問各種不同的數(shù)據(jù)來感知正在發(fā)生的重要事項。接下來，它必須從豐富的數(shù)據(jù)環(huán)境中提取對數(shù)據(jù)的理解。后，無論是提醒操作員、提供報價還是修改設備操作，它都必須得到快速的結果。

成功的物聯(lián)網(wǎng)實施將在整個分析生命周期中鏈接這些支持功能：

◆動態(tài)數(shù)據(jù)分析，這是前面描述的事件流處理部分。事件流處理以非常高的速率(在每秒數(shù)百萬的范圍內)分析大量數(shù)據(jù)，并以極低的延遲(以毫秒為單位)分析數(shù)據(jù)，事件流處理以極高的速率(以每秒數(shù)百萬計)、極低的延遲(以毫秒為單位)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。可將感興趣事件的流數(shù)據(jù)推入可正確決策或行動的推薦引擎，例如汽車不斷變化的位置、方向、目的地、環(huán)境等。

◆大數(shù)據(jù)分析。從物聯(lián)網(wǎng)設備獲取智能首先需要具備能夠從分布式計算環(huán)境中快速獲取和處理大量數(shù)據(jù)的能力，并能夠運行更多的迭代以使用所有的數(shù)據(jù)，從而提高模型的準確性。

◆數(shù)據(jù)管理。物聯(lián)網(wǎng)數(shù)據(jù)可能太少、太多，而且肯定會以多種格式出現(xiàn)，因此必須進行集成和協(xié)調。可靠的數(shù)據(jù)管理可以從任何地方獲取物聯(lián)網(wǎng)數(shù)據(jù)，并使其干凈、可信，為下一步分析做好準備。

◆分析模型管理。模型管理提供從注冊到退休的整個分析模型生命周期的基本治理。這確保了模型管理方式的一致性，并確保性能不會隨著時間的推移而降低。

 結語：AI和物聯(lián)網(wǎng)將重新定義可能性

具有數(shù)千個連接點的高性能物聯(lián)網(wǎng)設備和環(huán)境正在網(wǎng)絡中擴散，不斷下降的硬件成本使得將傳感器和連接性嵌入任何東西都成為可能。計算機、光速通信和分析技術的進步，使得在網(wǎng)絡邊緣等任何需要的地方都能創(chuàng)造出由AI驅動的智能。

這些技術共同開創(chuàng)了一個物聯(lián)網(wǎng)的新時代，將像“萬維網(wǎng)”或“互聯(lián)網(wǎng)連接”一樣真正的改變我們的生活。

【來源：安防展覽網(wǎng)】