四大(Big)關鍵助力,AI+IoT重新定義未來(Come)的(Of)可能性
随着科技的(Of)不(No)斷發展,一(One)些在(Exist)功能上(Superior)具有相互補充作(Do)用(Use)的(Of)技術正在(Exist)不(No)可避免地發生結合——例如,人(People)工智能(AI)和(And)物聯網(IoT)。由于(At)物聯網的(Of)快速發展,企業可以(By)使規模龐大(Big)的(Of)設備或“事物”實現網絡連接和(And)數據共享,并能夠通過數據分析獲取收益。由于(At)AI能夠從海量物聯網數據中“學習”,從而快速作(Do)出(Out)決策并揭示深刻見解,因此對于(At)任何希望擴展物聯網價值的(Of)企業而言,AI都是(Yes)一(One)種必不(No)可缺的(Of)分析能力。 1 1 萬物互聯的(Of)迅速崛起 1982年,卡内基梅隆大(Big)學将可樂機改裝成爲(For)世界首個(Indivual)可連接的(Of)智能設備,該設備能夠報告其庫存情況以(By)及新儲存的(Of)飲料是(Yes)否冰涼。幾十年後的(Of)今天,我(I)們生活在(Exist)一(One)個(Indivual)物聯網多于(At)人(People)聯網的(Of)世界裏。不(No)但如此,Business Insider Intelligence預計,到2025年,物聯網設備将超過550億,遠高于(At)2017年的(Of)90億。 快速擴張的(Of)物聯網技術将便攜式設備、家用(Use)電器、汽車、制造設備和(And)其他(He)嵌入電子設備、軟件、傳感器和(And)執行器相連接,從而組成一(One)張巨大(Big)的(Of)物聯網網絡, 并能相互進行數據交換。從消費類可穿戴設備,到工業機器和(And)重型機械,這(This)些相互連接的(Of)“物”可以(By)向環境發出(Out)信号、能夠被遠程操縱和(And)控制,并且能越來(Come)越多地自主做出(Out)決策并執行。 目前來(Come)看,物聯網幾乎無處不(No)在(Exist)。它可以(By)是(Yes)一(One)個(Indivual)家庭自動化系統,通過檢測環境的(Of)改變自動調整恒溫器或照明設備;它也可以(By)是(Yes)生産設備,能夠及時(Hour)提醒維護技術人(People)員即将發生的(Of)故障;它還可以(By)是(Yes)車載導航系統,能夠檢測用(Use)戶的(Of)位置并提供環境方向感知……此外,物聯網還有很多應用(Use)案例,例如,用(Use)戶可以(By)将具有語音識别的(Of)設備作(Do)爲(For)個(Indivual)人(People)數字助理,商業車隊通過配備傳感器來(Come)傳達動态等等。 這(This)個(Indivual)由相互連接的(Of)設備、人(People)員和(And)環境組成的(Of)生态系統産生了(Got it)大(Big)量複雜的(Of)數據。例如,今天的(Of)汽車和(And)卡車就像建立在(Exist)車輪上(Superior)的(Of)數據中心,大(Big)量配備的(Of)傳感器可以(By)監控從輪胎壓力到發動機性能、部件健康狀況、無線電音量、駕駛員動作(Do)——甚至是(Yes)擋風玻璃上(Superior)是(Yes)否有障礙物或雨點等狀态數據。一(One)輛聯網的(Of)汽車每小時(Hour)能輸出(Out)大(Big)約25GB的(Of)數據,而自動駕駛汽車每秒甚至可以(By)輸出(Out)多達1GB的(Of)數據。 然而,連接和(And)交換大(Big)量數據隻是(Yes)物聯網故事的(Of)開始。
2 從收集數據到智能連接 智能連接設備一(One)般由四層組成 智能元件放大(Big)了(Got it)物理元件的(Of)作(Do)用(Use)。智能元件反過來(Come)又被連接元件放大(Big),從而實現監監測、控制和(And)優化。但就其本身而言,僅僅将事物進行聯接并不(No)會促進學習。連接爲(For)進一(One)步的(Of)學習鋪平了(Got it)道路,但也隻是(Yes)基礎。 在(Exist)最底層的(Of)應用(Use)方面,物聯網設備生成的(Of)數據可以(By)被用(Use)于(At)觸發簡單的(Of)警報。例如,如果傳感器檢測到超出(Out)阈值的(Of)情況,比如過熱或振動,它就會觸發警報,通知技術人(People)員進行檢查。而在(Exist)一(One)個(Indivual)更複雜的(Of)物聯網系統中,則可能有幾十個(Indivual)傳感器監控到事物的(Of)方方面面。 正是(Yes)這(This)些應用(Use)場景爲(For)設備的(Of)連接增加了(Got it)價值,但是(Yes)物聯網的(Of)真正價值在(Exist)于(At)另一(One)個(Indivual)更複雜的(Of)層次,這(This)些價值會在(Exist)物聯網設備能夠進行學習并自主決策時(Hour)體現出(Out)來(Come)。 例如,使用(Use)物聯網數據檢測故障的(Of)模型可以(By)将機器控制推送給适合的(Of)由物聯網驅動的(Of)執行器,以(By)減少類似設備發生故障的(Of)可能性;自動駕駛車輛也可以(By)将他(He)們的(Of)經驗傳遞給網絡中的(Of)其他(He)車輛。 這(This)些功能是(Yes)物聯網應用(Use)程序個(Indivual)性化需求的(Of)基礎: 2 1 AI的(Of)演變 AI是(Yes)一(One)門通過學習和(And)自動化來(Come)模拟人(People)類任務的(Of)訓練系統的(Of)科學。借助嵌入式AI,機器可以(By)不(No)斷适應新的(Of)輸入并從經驗中學習,還能在(Exist)沒有人(People)工幹預的(Of)情況下完成特定的(Of)任務。目前來(Come)看,AI已被廣泛應用(Use)于(At)面部識别、語音識别和(And)在(Exist)遊戲中擊敗人(People)類國(Country)際象棋、圍棋冠軍。 AI誕生于(At)上(Superior)世紀50年代,但直到最近幾年随着物聯網數據量、高速連接和(And)高性能計算的(Of)爆炸式增長,它才真正在(Exist)主流應用(Use)中占據了(Got it)一(One)席之地。 現階段,AI主要(Want)使用(Use)的(Of)是(Yes)各種統計和(And)計算技術。機器學習是(Yes)AI的(Of)一(One)個(Indivual)子集,它可以(By)識别來(Come)自智能傳感器和(And)設備數據中的(Of)模式和(And)異常。随着時(Hour)間的(Of)推移,機器學習算法可以(By)通過“學習”提供更準确的(Of)結果。因此,機器學習優于(At)傳統的(Of)商業智能工具,并且相較基于(At)規則、阈值或計劃的(Of)系統能夠更快、更準确地進行操作(Do)預測。 深度學習,計算機視覺,自然語言處理以(By)及經過時(Hour)間考驗的(Of)預測或優化中的(Of)機器學習等技術使AI成爲(For)了(Got it)物聯網不(No)可或缺的(Of)重要(Want)補充。例如,AI可以(By)将信号從噪聲中分離出(Out)來(Come),從而産生了(Got it)先進的(Of)物聯網設備,它還可以(By)從與用(Use)戶、服務提供商和(And)生态系統中的(Of)其他(He)設備的(Of)交互中學習。 圖1:AI的(Of)演變 2 AI的(Of)潛力 通過AI連接的(Of)智能設備和(And)環境可以(By)從更大(Big)的(Of)數據源網絡(包括彼此)中學習,并有助于(At)提高整體的(Of)智能化水平。各行各業中已經存在(Exist)很多案例可以(By)證明這(This)種潛力: 公用(Use)事業和(And)制造商可以(By)檢測表現不(No)佳的(Of)資産,并能在(Exist)發生代價高昂或危險的(Of)設備故障之前進行預測性維護或自動關閉。 數字孿生是(Yes)對真實世界的(Of)虛拟模拟,它能夠使工程師和(And)操作(Do)人(People)員分析現場設備的(Of)性能,同時(Hour)最大(Big)限度地降低傳統測試方法的(Of)成本和(And)安全問題。 零售商可以(By)使用(Use)基于(At)位置和(And)環境感知的(Of)技術來(Come)檢測店内情況,并将其與其他(He)數據(如在(Exist)線用(Use)戶配置文件和(And)店内庫存)相結合,可以(By)在(Exist)客戶進入商店時(Hour)發送實時(Hour)個(Indivual)性化優惠。 無人(People)機可以(By)用(Use)以(By)及時(Hour)了(Got it)解互聯網或GPS無法到達的(Of)黑暗、閉塞的(Of)環境中的(Of)未知情況,并能用(Use)來(Come)調查如海上(Superior)作(Do)業、地雷、戰區或燃燒的(Of)建築物等危險區域。 機器人(People)可以(By)自主穿過倉庫的(Of)過道,從貨架上(Superior)挑選零件或貨物并将它們運送到正确的(Of)位置,并能避免沿途發生碰撞。協作(Do)機器人(People)(“cobots”)可以(By)與人(People)類一(One)起工作(Do),從事繁重的(Of)搬運、舞台材料的(Of)組裝或完成重複性的(Of)任務和(And)動作(Do)。 集裝箱和(And)牽引拖車可以(By)監測溫度、濕度、光照、重量分布、二氧化碳和(And)氧氣水平等條件,以(By)保持負載的(Of)完整性,加快交貨和(And)檢查的(Of)速度。 遠程監控設備可以(By)提供家庭診斷,在(Exist)需要(Want)幹預時(Hour)提醒護理人(People)員,并提醒患者服用(Use)藥物。 城市可以(By)在(Exist)實體基礎設施中部署連接的(Of)傳感器,以(By)不(No)斷監測能源效率、空氣污染、用(Use)水、交通狀況和(And)其他(He)生活質量因素。 圖2:工業AI驅動的(Of)物聯網應用(Use) 這(This)種自适應、預測和(And)“學習”的(Of)能力在(Exist)工業物聯網(IIoT)中尤其重要(Want),因爲(For)系統故障和(And)停機可能會導緻危及生命或高風險的(Of)情況發生。 3 除了(Got it)傳感器、攝像頭、網絡基礎設施和(And)計算機等智能物聯網的(Of)物理基礎設施外,還有一(One)些要(Want)素是(Yes)成功部署的(Of)關鍵: 思考并實時(Hour)分析。使用(Use)事件流處理來(Come)分析運動中的(Of)各種數據,并确定哪些是(Yes)最相關的(Of)。 能夠在(Exist)雲端、網絡邊緣或設備本身等應用(Use)程序最需要(Want)的(Of)地方部署智能。 結合AI技術。對象識别或處理自然語言等AI功能具有非常高的(Of)價值,并能在(Exist)協同作(Do)用(Use)中發揮關鍵作(Do)用(Use)。 統一(One)完整的(Of)分析生命周期,對數據進行流化、過濾、評分、存儲相關内容、分析并使用(Use)結果持續改進系統。 1 實時(Hour)分析 事件流處理在(Exist)處理物聯網數據時(Hour)起着至關重要(Want)的(Of)作(Do)用(Use),因爲(For)它能夠: 檢測感興趣的(Of)事件并觸發适當的(Of)操作(Do)。事件流可以(By)處理實時(Hour)精确定位中的(Of)複雜模式,例如它可對個(Indivual)人(People)移動設備的(Of)操作(Do)或銀行交易期間的(Of)異常活動進行快速檢測。 監控彙總信息。事件流可以(By)持續處理來(Come)自監控設備和(And)傳感器的(Of)數據,查找出(Out)可能存在(Exist)問題的(Of)趨勢、相關性或異常。智能設備可以(By)采取補救措施,例如通知操作(Do)員、移動負載或關閉電機。 清理并驗證傳感器數據。當傳感器數據延遲、不(No)完整或不(No)一(One)緻時(Hour),可能是(Yes)由于(At)許多因素共同作(Do)用(Use)導緻的(Of)。嵌入到數據流中的(Of)各種技術可以(By)檢測并解決此類數據問題,還能對即将發生的(Of)傳感器故障或網絡錯誤導緻的(Of)髒數據進行清洗。 實時(Hour)預測和(And)優化運營。高級算法可以(By)持續對流數據進行評分,以(By)便在(Exist)瞬間做出(Out)決策。例如,可以(By)在(Exist)數據環境中分析有關火車的(Of)到達信息,并延遲另一(One)趟火車的(Of)出(Out)發時(Hour)間,以(By)保證乘客不(No)會錯過換乘。 2 在(Exist)應用(Use)程序需要(Want)的(Of)地方部署智能 前面描述的(Of)案例需要(Want)不(No)斷變化和(And)移動的(Of)數據(例如自動駕駛車輛内駕駛員的(Of)地理位置或溫度)以(By)及其他(He)離散數據(例如客戶概況和(And)曆史購買數據)。這(This)一(One)現實要(Want)求分析以(By)不(No)同的(Of)方式應用(Use)于(At)不(No)同的(Of)目的(Of)。例如: 高性能分析可以(By)對靜态、雲端或存儲中的(Of)繁重數據進行高效處理。 流分析可對運動中的(Of)大(Big)量不(No)同數據進行分析,這(This)些數據中可能隻有少量是(Yes)我(I)們需要(Want)的(Of)并隻有短暫的(Of)價值,因此速度十分重要(Want),例如發送有關即将發生的(Of)碰撞或組件故障的(Of)警報。 邊緣計算使系統能夠在(Exist)源頭立即對數據進行操作(Do),而無需暫停獲取、傳輸或存儲數據。 在(Exist)應用(Use)程序需要(Want)的(Of)地方部署智能是(Yes)一(One)種多相分析方法,要(Want)記住的(Of)關鍵原則是(Yes),并非所有數據點都是(Yes)相關的(Of),也不(No)是(Yes)所有數據點都需要(Want)發送并永久存儲。分析基礎架構必須靈活且可擴展,以(By)支持當前和(And)未來(Come)的(Of)所有需求。 3 協同AI技術 要(Want)用(Use)AIoT實現最高的(Of)回報,除了(Got it)部署單一(One)的(Of)AI技術外,還需要(Want)考慮其他(He)方面。例如,可以(By)采用(Use)多種AI功能協同工作(Do)的(Of)平台,将機器學習與自然語言處理和(And)計算機視覺等進行協同工作(Do)。 舉例來(Come)看,一(One)家大(Big)型醫院的(Of)研究診所結合了(Got it)多種形式的(Of)AI,爲(For)其醫生提供診斷指導。該診所使用(Use)深度學習和(And)計算機視覺對x線片、CT掃描和(And)核磁共振成像進行識别,以(By)确定結節和(And)其他(He)與人(People)類大(Big)腦和(And)肝髒有關的(Of)區域。該檢測過程使用(Use)深度學習技術和(And)卷積神經網絡,這(This)是(Yes)一(One)類通常用(Use)于(At)分析視覺圖像的(Of)機器學習。這(This)種檢測過程使用(Use)到了(Got it)深度學習技術和(And)卷積神經網絡,卷積神經網絡是(Yes)一(One)種通常用(Use)于(At)分析視覺圖像的(Of)機器學習。 然後,該診所使用(Use)一(One)種完全不(No)同的(Of)AI技術——自然語言處理,建立一(One)個(Indivual)基于(At)家庭病史、藥物、既往疾病和(And)飲食的(Of)患者檔案,它甚至可以(By)解釋心髒起搏器等物聯網數據。該工具将自然語言數據與計算機視覺相結合,使醫務人(People)員在(Exist)寶貴的(Of)工作(Do)時(Hour)間内工作(Do)效率大(Big)大(Big)提高。 圖3:物聯網分析生命周期——流式傳輸、過濾、評分和(And)存儲
◆智能元件,如傳感器,處理器,存儲和(And)軟件。
◆連接元件,如端口,天線和(And)協議。
◆自主分析,可以(By)在(Exist)邊緣訓練和(And)運行AI模型。
再例如,零售商可以(By)使用(Use)由物聯網技術支持的(Of)相機進行物體檢測以(By)及機器學習,以(By)便在(Exist)适當的(Of)時(Hour)刻向購物者提供量身定制的(Of)廣告和(And)優惠。
●随着機器變得越來(Come)越複雜,個(Indivual)性化的(Of)需求也變的(Of)越來(Come)越迫切。例如,相同品牌和(And)型号的(Of)兩件工業設備在(Exist)不(No)同條件下的(Of)性能可能不(No)同,以(By)相同的(Of)方法對待它們可能會錯失提高運營效率、提高安全性和(And)更好地利用(Use)資源的(Of)機會,因此需要(Want)以(By)不(No)同的(Of)方式進行使用(Use)。
再例如,通過機器學習可以(By)幫助操作(Do)人(People)員确定特定生産運行的(Of)最佳機器集合,從而在(Exist)車間内做出(Out)更好的(Of)決策。