通過了解Twitter，linkedIn和許多與IoT相關的網站，不難發現與物聯網(IoT)價值相關的生動對話。但是最近，話題轉向企業如何才能更快，更有效地獲取和利用物聯網計劃的見解。物聯網和人工智能的結合為企業實現這一預期成果提供了途徑。實際上，這兩種技術是相輔相成的，應該緊密相連。

　　

　　四種使用物聯網和人工智能加速獲取價值的有效方法

　　

　　在快速增長的物聯網世界中，它跨龐大的設備或事物網絡連接和共享數據，組織借助分析而獲勝。人工智能在從大量的物聯網數據中“學習”時能夠做出快速的決策并發現深刻的見解，因此對于任何想要擴大物聯網價值的組織來說，人工智能都是分析學中的重要學科。人工智能和物聯網(即物聯網或AIoT)共同協作，為包括制造商和零售商到能源，智慧城市，醫療保健及其他行業的廣泛行業的組織創造新價值。

　　

　　人工智能的潛力和事物的智能

　　

　　人工智能驅動的互聯智能設備和環境從更大的數據源網絡(包括彼此)中學習，并為集體智慧做出了貢獻。行業中有無數示例說明了這種潛力-從公用事業和制造商可以檢測出性能不佳的資產并預測在成本高昂或危險設備故障發生之前進行維護或自動關閉的需求，再到提供家庭診斷，警報看護者的遠程監控設備需要干預時，并提醒患者服藥。

　　

　　將先進的分析技術帶到邊緣

　　

　　進行IoT數據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用程序，例如收集設備運行的摘要數據，IoT設備會將數據發送到云或數據中心，結合歷史表現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備的后續操作做出決策，包括修改設備本身的控制程序。對于移動或遠程資產產生大量必須快速分析的數據(例如自動駕駛汽車或無人機)或帶寬受限的情況，數據處理應盡可能靠近數據源移至邊緣。

　　

　　借助基于AI的功能，可以在整個生態系統(包括邊緣設備，網關和數據中心，無論是在霧中還是在云中)中對IoT數據進行轉換，分析，可視化和嵌入。

　　

　　行動中的AIoT——運輸行業案例

　　

　　每天有數以百萬計的卡車在高速公路上運輸燃料，農產品，電子產品和其他必需品。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通過基于物聯網技術的遠程診斷和預防性維護服務以及包括人工智能在內的先進分析技術解決了這一挑戰。通過更有效，更準確，更主動地為相連的車輛提供服務，從而縮短車輛在路上的時間，并最大程度地減少服務中斷的成本。

　　

　　沃爾沃卡車的遠程診斷程序監視每輛卡車的數據，以查找主要系統出現故障時觸發的故障代碼。每輛卡車上的數千個傳感器實時收集流式IoT數據，以提供有關事件發生的位置以及故障期間出現的情況的上下文。同樣，Mack Trucks的GuardDog Connect通過以故障代碼和其他參數數據的形式從車輛上遠程收集數據，然后根據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。

　　

　　將傳感器數據和IoT技術與包括AI在內的高級分析進行配對的結果令人印象深刻。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為所有利益相關者指出了好處–經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實現成功？超越智能物聯網的物理基礎架構(傳感器，攝像機，網絡基礎架構和計算機)，成功部署的四個關鍵因素是：

　　

　　1. 考慮實時分析

　　

　　在高速移動大數據時(在存儲之前)對其進行分析，以便您可以對相關內容立即采取行動。抓住機會，發現隱藏在業務中的快速移動數據洪流中的危險信號。事件流處理在處理IoT數據中起著至關重要的作用，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適當的操作。事件流處理可實時查明復雜的模式，例如對某人的移動設備的操作或在銀行交易期間檢測到的異?；顒?。事件流處理提供對威脅或機會的快速檢測。

　　

　　監視匯總信息。事件流處理連續監視來自設備和設備的傳感器數據，以尋找可能指示問題的趨勢，相關性或異常情況。智能設備可以采取補救措施，例如通知操作員，移動負載或關閉電動機。

　　

　　清洗并驗證傳感器數據。當傳感器數據延遲，不完整或不一致時，可能有幾個因素在起作用。臟數據是由即將發生的傳感器故障或網絡中斷錯誤引起的嗎？嵌入到數據流中的各種技術可以檢測模式并解決數據問題。

　　

　　實時預測和優化操作。先進的算法可以連續對流數據進行評分，以立即做出決策。例如，可以根據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的時間，因此通勤者不會錯過他們的聯系。

　　

　　2. 在應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據(例如，駕駛員的地理位置或數據中心內的溫度)以及其他離散數據(例如，客戶資料和歷史購買數據)。這種現實要求以不同的方式將分析應用于不同的目的，即多階段方法。例如：高性能分析對靜態數據，云計算或存儲中的靜態數據起到了很大的作用。流分析可以分析運動中的大量不同數據，其中可能僅涉及少量項目，數據僅具有短暫的價值，或者在速度至關重要時(例如發送有關即將發生的碰撞或組件故障的警報)。邊緣計算使系統能夠立即從源頭對數據進行操作，而不會暫停攝取，傳輸或存儲數據-在物聯網設備和服務的傳感器驅動世界中，許多用途都必須這樣做。

　　

　　3. 結合AI技術

　　

　　為了實現AIoT的最高回報，除了部署單一的AI技術外，還需要更多。采用平臺方法，多種AI功能一起工作，例如機器學習和深度學習，以實現自然語言處理和計算機視覺。例如，一家大型醫院的研究診所結合了多種形式的AI，以為其醫生提供診斷指導。該診所在射線照相，CT掃描和MRI上使用深度學習和計算機視覺，以識別人腦和肝臟上的結節和其他關注領域。該檢測過程使用諸如卷積神經網絡(CNN)之類的深度學習技術來分析視覺圖像。然后，診所使用完全不同的AI技術-自然語言處理-根據家庭病史，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據等物聯網數據。該工具將自然語言數據與計算機視覺相結合，使寶貴的醫務人員更加高效。

　　

　　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。現在做。延遲很重要。顯然，許多類型的傳感器和設備無法等待來自云的數據或命令。而對于其他用途，則沒有必要。為了監視，診斷和處理單個設備(例如家庭自動化系統)，應盡可能在設備附近進行分析。將本地來源的，本地消耗的數據發送到遙遠的數據中心會導致不必要的網絡流量，延遲的決策并消耗電池供電的設備。隨著物聯網設備及其數據量的指數級增長以及對低延遲的需求，我們已經看到了將分析從傳統數據中心轉移到邊緣設備(物聯網)或接近邊緣和云的其他計算資源的趨勢。

　　

　　4. 統一完整的分析生命周期

　　

　　為了從互聯世界中獲得價值，AIoT系統首先需要訪問各種數據以感知正在發生的重要事件。接下來，它必須在豐富的上下文中從數據中提取見解。最后，無論是警告操作員，提供報價還是修改設備的操作，它都必須獲得快速的結果。