四种使用物联网和人工智能加速获取价值的有效方法

通过了解Twitter，linkedIn和许多与IoT相关的网站，不难发现与物联网(IoT)价值相关的生动对话。但是最近，话题转向企业如何才能更快，更有效地获取和利用物联网计划的见解。物联网和人工智能的结合为企业实现这一预期成果提供了途径。实际上，这两种技术是相辅相成的，应该紧密相连。

在快速增长的物联网世界中，它跨庞大的设备或事物网络连接和共享数据，组织借助分析而获胜。人工智能在从大量的物联网数据中“学习”时能够做出快速的决策并发现深刻的见解，因此对于任何想要扩大物联网价值的组织来说，人工智能都是分析学中的重要学科。人工智能和物联网(即物联网或AIoT)共同协作，为包括制造商和零售商到能源，智慧城市，医疗保健及其他行业的广泛行业的组织创造新价值。

人工智能的潜力和事物的智能

人工智能驱动的互联智能设备和环境从更大的数据源网络(包括彼此)中学习，并为集体智慧做出了贡献。行业中有无数示例说明了这种潜力-从公用事业和制造商可以检测出性能不佳的资产并预测在成本高昂或危险设备故障发生之前进行维护或自动关闭的需求，再到提供家庭诊断，警报看护者的远程监控设备需要干预时，并提醒患者服药。

将先进的分析技术带到边缘

进行IoT数据分析的位置取决于带宽和延迟的问题：对于可以容忍某些延迟或不占用大量带宽的应用程序，例如收集设备运行的摘要数据，IoT设备会将数据发送到云或数据中心，结合历史表现和其他趋势对其进行分析。从分析中获得的见解可用于对设备的后续操作做出决策，包括修改设备本身的控制程序。对于移动或远程资产产生大量必须快速分析的数据(例如自动驾驶汽车或无人机)或带宽受限的情况，数据处理应尽可能靠近数据源移至边缘。

借助基于AI的功能，可以在整个生态系统(包括边缘设备，网关和数据中心，无论是在雾中还是在云中)中对IoT数据进行转换，分析，可视化和嵌入。

行动中的AIoT——运输行业案例

每天有数以百万计的卡车在高速公路上运输燃料，农产品，电子产品和其他必需品。但是，计划外的停机时间会对依赖及时交付的任何车队运营商及其客户造成巨大的损失。瑞典制造商AB Volvo的子公司Volvo Trucks和Mack Trucks通过基于物联网技术的远程诊断和预防性维护服务以及包括人工智能在内的先进分析技术解决了这一挑战。通过更有效，更准确，更主动地为相连的车辆提供服务，从而缩短车辆在路上的时间，并很大程度地减少服务中断的成本。

沃尔沃卡车的远程诊断程序监视每辆卡车的数据，以查找主要系统出现故障时触发的故障代码。每辆卡车上的数千个传感器实时收集流式IoT数据，以提供有关事件发生的位置以及故障期间出现的情况的上下文。同样，Mack Trucks的GuardDog Connect通过以故障代码和其他参数数据的形式从车辆上远程收集数据，然后根据严重性对客户进行排序，从而帮助客户评估问题的严重性并管理维修。如果故障需要立即采取措施，则代理商会联系客户以说明情况并建议采取措施。如果对时间的敏感度较低或不存在潜在的伤害，则计划在最合理的情况下进行维修。

将传感器数据和IoT技术与包括AI在内的高级分析进行配对的结果令人印象深刻。对于沃尔沃卡车，诊断时间减少了70%，维修时间减少了25%。Mack Trucks为所有利益相关者指出了好处–经销商体验到了更高效的流程，更长的正常运行时间使客户满意。

四种促进价值的加速器

那么，您如何通过AIoT实现成功?超越智能物联网的物理基础架构(传感器，摄像机，网络基础架构和计算机)，成功部署的四个关键因素是：

1. 考虑实时分析

在高速移动大数据时(在存储之前)对其进行分析，以便您可以对相关内容立即采取行动。抓住机会，发现隐藏在业务中的快速移动数据洪流中的危险信号。事件流处理在处理IoT数据中起着至关重要的作用，并且随着5G之类的进步而变得尤为重要，以：

• 检测感兴趣的事件并触发适当的操作。事件流处理可实时查明复杂的模式，例如对某人的移动设备的操作或在银行交易期间检测到的异常活动。事件流处理提供对威胁或机会的快速检测。
• 监视汇总信息。事件流处理连续监视来自设备和设备的传感器数据，以寻找可能指示问题的趋势，相关性或异常情况。智能设备可以采取补救措施，例如通知操作员，移动负载或关闭电动机。
• 清洗并验证传感器数据。当传感器数据延迟，不完整或不一致时，可能有几个因素在起作用。脏数据是由即将发生的传感器故障或网络中断错误引起的吗?嵌入到数据流中的各种技术可以检测模式并解决数据问题。
• 实时预测和优化操作。先进的算法可以连续对流数据进行评分，以立即做出决策。例如，可以根据上下文分析火车到达的信息，以延迟火车从另一个车站出发的时间，因此通勤者不会错过他们的联系。

2. 在应用程序需要的地方部署智能

前面描述的用例需要不断变化和移动的数据(例如，驾驶员的地理位置或数据中心内的温度)以及其他离散数据(例如，客户资料和历史购买数据)。这种现实要求以不同的方式将分析应用于不同的目的，即多阶段方法。例如：高性能分析对静态数据，云计算或存储中的静态数据起到了很大的作用。流分析可以分析运动中的大量不同数据，其中可能仅涉及少量项目，数据仅具有短暂的价值，或者在速度至关重要时(例如发送有关即将发生的碰撞或组件故障的警报)。边缘计算使系统能够立即从源头对数据进行操作，而不会暂停摄取，传输或存储数据-在物联网设备和服务的传感器驱动世界中，许多用途都必须这样做。

3. 结合AI技术

为了实现AIoT的较高回报，除了部署单一的AI技术外，还需要更多。采用平台方法，多种AI功能一起工作，例如机器学习和深度学习，以实现自然语言处理和计算机视觉。例如，一家大型医院的研究诊所结合了多种形式的AI，以为其医生提供诊断指导。该诊所在射线照相，CT扫描和MRI上使用深度学习和计算机视觉，以识别人脑和肝脏上的结节和其他关注领域。该检测过程使用诸如卷积神经网络(CNN)之类的深度学习技术来分析视觉图像。然后，诊所使用完全不同的AI技术-自然语言处理-根据家庭病史，药物，既往疾病和饮食来建立患者档案;它甚至可以考虑起搏器数据等物联网数据。该工具将自然语言数据与计算机视觉相结合，使宝贵的医务人员更加高效。

支持AI的IoT的大部分价值在于可以立即采取行动。在客户离开之前，向他们提供正确的报价。在批准可疑交易之前，先对其进行检测。帮助自动驾驶汽车在繁忙的十字路口机动，而不会撞到其他行驶中的车辆。现在做。延迟很重要。显然，许多类型的传感器和设备无法等待来自云的数据或命令。而对于其他用途，则没有必要。为了监视，诊断和处理单个设备(例如家庭自动化系统)，应尽可能在设备附近进行分析。将本地来源的，本地消耗的数据发送到遥远的数据中心会导致不必要的网络流量，延迟的决策并消耗电池供电的设备。随着物联网设备及其数据量的指数级增长以及对低延迟的需求，我们已经看到了将分析从传统数据中心转移到边缘设备(物联网)或接近边缘和云的其他计算资源的趋势。

4. 统一完整的分析生命周期

为了从互联世界中获得价值，AIoT系统首先需要访问各种数据以感知正在发生的重要事件。接下来，它必须在丰富的上下文中从数据中提取见解。最后，无论是警告操作员，提供报价还是修改设备的操作，它都必须获得快速的结果。

成功的物联网实施将在整个分析生命周期中将这些支持功能联系起来：

• 动态数据分析。这是前面描述的事件流处理部分。事件流处理以极高的延迟(以毫秒为单位)以非常高的速率(每秒数百万个范围)分析大量数据，以识别感兴趣的事件。
• 实时决策/实时交互管理。有关感兴趣事件的流数据(例如汽车不断变化的位置，方向，目的地，环境等)进入推荐引擎，该引擎触发正确的决策或行动。
• 大数据分析。从物联网设备获取情报首先要具有快速摄取和处理大量数据的能力，这很可能是在Hadoop等分布式计算环境中进行的。能够运行更多迭代并使用所有数据(而不仅仅是样本)，可以提高模型的准确性。
• 数据管理。物联网数据可能太少，太多，而且肯定是必须集成和协调的多种格式。可靠的数据管理可以从任何地方获取IoT数据，并使其干净，可信赖并可供分析。
• 分析模型管理。从注册到报废，模型管理在分析模型的整个生命周期中提供基本的治理。这样可以确保模型管理的一致性-跟踪模型演变并确保性能不会随时间下降的手段。