文章轉載來源物聯網世界 >> 物聯網新聞 >> 物聯網熱點新聞>> 物聯網之家
企業可以利用人工智能和物聯網的綜合力量，將數據轉化為業務洞察力。在本文，我們介紹這種強大組合的所有內容。這種組合通常被稱為 AIoT。
最初的機器對機器通信幾乎僅限于電信行業，如今，物聯網無處不在。據 Statista 稱，到 2025 年，連接到互聯網的設備數量預計將超過 380億臺。
物聯網設備數量的急劇增加將不可避免地導致收集的數據量隨之增加。IDC 報告稱，到 2025 年，全球生成的物聯網數據量將達到 73 Zettabytes。這就是問題所在，需要對收集到的數據進行分析以獲得價值。然而，大多數企業未能充分利用數據，其中60% 至 73% 的數據未被使用。
好消息是，企業可以利用人工智能和物聯網的綜合力量，將數據轉化為業務洞察力。
在本文，我們介紹這種強大組合的所有內容。這種組合通常被稱為 AIoT。
AIoT是什么？
AIoT 系統由兩個組件組成：物聯網 (IoT) 和人工智能 (AI)。
在這種強大的組合中，物聯網的作用是收集結構化和非結構化數據，并實現連網事物與用戶之間的通信。
當通過人工智能進行放大時，物聯網系統將獲得類似人類的智慧，并可應用于解決更廣泛的任務。這些任務可以包括“理解”自然語言、預測用戶需求和相應調整連網設備的行為等。
AIoT市場目前正在崛起。最近的研究估計，到 2026 年它將達到 1022 億美元。原因很簡單：人工智能通過改進決策為物聯網增加價值，而物聯網則為人工智能提供了一個平臺，通過連接性和無縫數據交換來推動價值。
AIoT是如何工作的？
AIoT 系統可以通過兩種方式實現：
作為基于云的系統
作為在連網設備上運行的邊緣系統
AIoT 系統的架構會因實施策略而異。
基于云的 AIoT
使用基于云的方法，AIoT 解決方案的基本架構如下所示：
設備層：各種硬件設備（移動設備、標簽/信標、傳感器、健康和健身設備、車輛、生產設備、嵌入式設備）
連接層：現場網關和云網關
云端層：數據存儲、數據處理（AI引擎）、數據可視化、分析、通過API訪問數據
用戶交互層：門戶網站和移動應用程序
邊緣AIoT
通過邊緣分析，收集的數據在更接近源的位置進行處理——無論是在連網設備上還是在現場網關上。
收集終端層：連接到網關的各種硬件設備（移動、標簽/信標、傳感器、健康和健身設備、車輛、生產設備、嵌入式設備）
邊緣層：用于數據存儲、數據處理（AI 引擎）和見解生成的設施
不過，以邊緣為中心的實施并不排除云計算，例如，基于云的數據存儲可用于收集有關系統性能的元數據或訓練邊緣人工智能所需的上下文信息。
AIoT在不同領域的熱門應用
在許多因素的推動下，如新軟件工具的可用性、簡化的人工智能解決方案的開發、將人工智能注入傳統系統，以及支持人工智能算法的硬件的進步，AIoT正在許多領域中悄然興起。以下是一些已經利用AIoT的行業——其中最有前途的用例備受關注。
醫療保健
診斷協助
AIoT 可以幫助醫療保健提供者做出更精確的診斷決策。智能醫療物聯網解決方案從各種來源獲取患者數據——從診斷設備到可穿戴設備再到電子健康記錄——并綜合分析這些數據，以幫助醫生正確診斷患者。
基于人工智能的醫療解決方案已經在多個診斷領域超過了人類醫療保健專業人員。全球的放射科醫生都在依賴人工智能的幫助進行癌癥篩查。
在 Nature Medicine 發表的一項研究中，人工智能在確定患者是否患有肺癌方面勝過了6名放射科醫生。該算法對來自美國國立衛生研究院臨床試驗數據記錄的 42,000 名患者資料進行了訓練，檢測到的癌癥病例比人類同行多了5%，并將誤報的數量減少了11%。值得一提的是，假陽性提出了診斷肺癌的一個特殊問題：AMA Internal Medicine對2100名患者的研究表明，假陽性率為97.5%。因此，人工智能有助于解決關鍵診斷問題。
AIoT 系統在診斷乳腺癌、皮膚病和皮膚癌時同樣表現出色。然而，智能互聯系統的可能性遠不止于此。
最近的研究表明，人工智能可以檢測兒童的罕見遺傳病、嬰兒的遺傳性疾病、膽固醇升高的遺傳性疾病、神經退行性疾病，并預測導致阿爾茨海默病的認知衰退。
改進治療策略和跟蹤康復過程
遵循與診斷患者相同的原則，AIoT 系統可以幫助制定更好的治療策略并根據患者的需求進行調整。
結合來自治療方案的數據、患者的病史以及來自連網設備和可穿戴設備的實時患者信息，智能算法可以建議劑量調整，排除患者發生過敏的可能性，并避免不適當或過度治療。AIoT促進治療的一些重要領域包括：治療伴有血液凝固的疾病、更好的哮喘和慢性呼吸系統疾病管理、更有效的新冠肺炎治療、優化糖尿病管理等。
優化醫院工作流程
AIoT 可以改變醫院的運營方式，改善以下關鍵領域的日常工作流程：
減少等待時間
由 AIoT 提供支持的自動床位跟蹤系統可以在床位空閑時通知醫院工作人員，從而接收更多患者。紐約西奈山醫療中心等早期采用者的經驗證明，技術可以幫助減少50%急診患者的等待時間。
識別危重病人
識別需要立即關注的患者對于提供優質護理至關重要。為了做出正確的決定，醫生需要在巨大的壓力下分析大量信息，而AIoT可以幫助醫務人員確定工作的優先順序。互聯系統可以分析患者的生命體征，并提醒醫生患者的病情正在惡化。
幾個類似的系統在重癥監護室進行了測試。例如，舊金山大學試行了一種人工智能解決方案，該解決方案能夠檢測敗血癥的早期跡象，這是一種致命的血液感染。研究結果顯示，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%。
跟蹤醫療設備
借助支持 AIoT 的設備跟蹤，醫院可以降低丟失關鍵醫療設備的風險，并做出更明智的設備管理決策，從而每年每張床位節省 12,000 美元。關鍵醫療設備可以通過RFID或GPS系統在醫院內外進行跟蹤，而醫療和管理人員可以使用WEB和移動應用程序快速定位所需設備。
制造業
啟用預測性維護
通過配置AIoT傳感器，機器可以測量各種參數，包括溫度、壓力、振動、轉速等，制造商可以實時了解其資產的健康狀況，并根據實際需要安排維護。
雖然基本分析通常足以檢測到接近臨界操作閾值的設備，但人工智能可以根據歷史維護和維修數據提前預測異常。根據普華永道的一份報告，通過預測性維護，制造商可以將設備正常運行時間提高 9%，將成本降低 12%，將安全風險降低 14%，并將其資產的使用壽命延長 20%。
改善資產性能管理
有了 AIoT 系統，制造商可以定期更新其資產的性能，并深入了解性能變化的原因。大多數基于物聯網的資產性能管理系統都允許在設備偏離設定的 KPI 時獲得自動警報通知。
反過來，人工智能引擎有助于挖掘性能下降的原因（如果有的話），并確定在每個單獨設置中跟蹤測量的 KPI 是否合理。使用性能管理軟件，制造商可以優化設備利用率并提高整體設備效率。
使用數字孿生促進生產規劃
據 Gartner 稱，數字孿生可以幫助制造商將生產效率提高至少 10%。一個資產、系統或流程的數字副本、一個工業的、支持AIoT的數字孿生，可以幫助制造商獲得車間運營的端到端可見性，并幫助及時發現甚至預測低效率。
使用數字孿生的制造企業表示，他們可以實現持久的改進，包括在兩年內將可靠性從 93% 提高到 99.49%，將維護需求減少 40%。
通過工業機器人自動化車間操作
工業機器人長期以來一直是車間的一部分。隨著生產物聯網解決方案變得越來越容易獲得，機器人正變得更加智能和獨立。工業機器人配備了傳感器并依靠人工智能，現在能夠在行進中做出明智的生產決策，從而提高了制造單元的效率。
汽車和交通
交通管理
AIoT可用于緩解交通擁堵，提高交通質量。例如，臺北市利用 AIoT 監控 25 個路口的信號設備。在這個系統中，智能傳感器和攝像頭收集交通、人流和道路占用的實時數據，而人工智能算法分析這些數據并應用適當的控制邏輯。
這種方法有助于城市管理部門優化交通流量，并確保安全順暢的駕駛體驗。
自動駕駛汽車
自動駕駛汽車和高級駕駛輔助系統 (ADAS) 是 AI 算法解釋和處理實時物聯網數據的顯著例子。
自動駕駛汽車根據來自各種傳感器的數據創建周圍環境地圖，例如，雷達傳感器監測附近車輛的位置；攝像頭檢測交通信號燈、路標、其他車輛和行人；激光雷達傳感器測量距離、檢測道路邊界并識別車道標記。
然后，人工智能軟件處理傳感器數據，繪制最佳路線，并向汽車執行器發送指令，控制加速、制動和轉向。硬編碼規則、避障算法、預測建模和對象識別有助于軟件遵循交通規則并避開障礙物。
關鍵的 AIoT 實施挑戰，以及如何解決這些挑戰
在全球實施的所有物聯網項目中，76% 失敗了，其中 30% 早在概念驗證階段就失敗了。為了避免將投資導向注定要失敗的項目，公司應該注意可能阻礙其 AIoT 實施的常見挑戰。公司最常遇到的挑戰包括：
在沒有明確目標的情況下踏上 AIoT 之旅。啟動AIoT項目時，組織可能會被新奇的事物所吸引，而無法評估他們想法的可行性。反過來，這可能導致在開發的后期階段成本不受控制地攀升，并最終導致利益相關者不滿意。為避免這種情況，我們建議您從探索階段就開始您的 AIoT 項目，在這個階段，可以根據設定的業務目標、客戶期望和組織能力對想法進行審查和權衡。
選擇最佳實施策略。如前所述，AIoT 解決方案可以實施為云、邊緣或混合系統。在起草實施策略時，仔細權衡未來解決方案的帶寬、延遲和速度要求，并將它們與設定的成本進行對比。經驗法則是，對于跨大量設備的時間關鍵型系統，可以進行邊緣部署，并在最小延遲和高帶寬不太重要的情況下依賴于云。
部署周期緩慢，成本難以估計。AIoT 項目需要長期承諾。根據特定的用例，實施過程可能需要幾個月到幾年的時間。隨著技術環境的快速變化，解決方案有可能在其完全投入運行時變得過時，并且失去對實施成本的控制。為了防止這種情況，企業需要足夠靈活，以便能夠在此過程中應對各種變化。
需要連接高度異構和復雜的系統。根據您未來解決方案的規模和您所在的行業，您可能需要將高度異構的傳統設備連接到 AIoT。這通常是一項難以完成的任務，它需要規劃和了解可用的選項。例如，您可以選擇將傳感器嵌入到傳統機器，通過網關連接它們，甚至完全替換它們。無論采用何種方法，請務必盡早起草可行的數字化方案。
沒有足夠的數據來訓練 AI 算法。為了產生可靠的見解，人工智能算法需要在大量數據上進行訓練。如果數據量不足（或可用但由于隱私原因無法使用），您將不得不使用其他策略來彌補數據不足。常見的方法包括轉移學習（想想：使用已經訓練過的神經網絡解決類似問題）、數據增強（修改現有樣本以獲取新的數據條目）或求助于合成數據。
努力挖掘 AIoT 系統的最佳性能。AIoT 系統的性能取決于一系列因素，包括硬件功能、數據負載、系統架構、實施方法等。為避免運行中的性能問題，請提前計劃潛在的數據負載并相應地調整實施策略。
解決軟件和固件漏洞。許多 AIoT 項目之所以失敗，是因為在規劃階段沒有考慮到數據、設備、服務器和通信網絡的安全性。如果您處理高度敏感的數據，請考慮混合部署，在混合部署中，數據在更靠近數據源的地方被處理，因此數據在傳輸過程中或云中被破壞的風險被降至最低。
