企業(yè)可以利用人工智能和物聯(lián)網(wǎng)的綜合力量，將數(shù)據(jù)轉(zhuǎn)化為業(yè)務洞察力。在本文，我們介紹這種強大組合的所有內(nèi)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(yè)，如今，物聯(lián)網(wǎng)無處不在。據(jù) Statista 稱，到 2025 年，連接到互聯(lián)網(wǎng)的設備數(shù)量預計將超過 380億臺。

物聯(lián)網(wǎng)設備數(shù)量的急劇增加將不可避免地導致收集的數(shù)據(jù)量隨之增加。IDC 報告稱，到 2025 年，全球生成的物聯(lián)網(wǎng)數(shù)據(jù)量將達到 73 Zettabytes。這就是問題所在，需要對收集到的數(shù)據(jù)進行分析以獲得價值。然而，大多數(shù)企業(yè)未能充分利用數(shù)據(jù)，其中60% 至 73% 的數(shù)據(jù)未被使用。

好消息是，企業(yè)可以利用人工智能和物聯(lián)網(wǎng)的綜合力量，將數(shù)據(jù)轉(zhuǎn)化為業(yè)務洞察力。

在本文，我們介紹這種強大組合的所有內(nèi)容。這種組合通常被稱為 AIoT。

AIoT是什么？

AIoT 系統(tǒng)由兩個組件組成：物聯(lián)網(wǎng) (IoT) 和人工智能 (AI)。

在這種強大的組合中，物聯(lián)網(wǎng)的作用是收集結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，并實現(xiàn)連網(wǎng)事物與用戶之間的通信。

當通過人工智能進行放大時，物聯(lián)網(wǎng)系統(tǒng)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(diào)整連網(wǎng)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(lián)網(wǎng)增加價值，而物聯(lián)網(wǎng)則為人工智能提供了一個平臺，通過連接性和無縫數(shù)據(jù)交換來推動價值。

AIoT是如何工作的？

AIoT 系統(tǒng)可以通過兩種方式實現(xiàn)：

作為基于云的系統(tǒng)

作為在連網(wǎng)設備上運行的邊緣系統(tǒng)

AIoT 系統(tǒng)的架構(gòu)會因?qū)嵤┎呗远悺?/p>

基于云的 AIoT

使用基于云的方法，AIoT 解決方案的基本架構(gòu)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(chǎn)設備、嵌入式設備）

連接層：現(xiàn)場網(wǎng)關和云網(wǎng)關

云端層：數(shù)據(jù)存儲、數(shù)據(jù)處理（AI引擎）、數(shù)據(jù)可視化、分析、通過API訪問數(shù)據(jù)

用戶交互層：門戶網(wǎng)站和移動應用程序

邊緣AIoT

通過邊緣分析，收集的數(shù)據(jù)在更接近源的位置進行處理——無論是在連網(wǎng)設備上還是在現(xiàn)場網(wǎng)關上。

收集終端層：連接到網(wǎng)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(chǎn)設備、嵌入式設備）

邊緣層：用于數(shù)據(jù)存儲、數(shù)據(jù)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(shù)據(jù)存儲可用于收集有關系統(tǒng)性能的元數(shù)據(jù)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(fā)、將人工智能注入傳統(tǒng)系統(tǒng)，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(jīng)利用AIoT的行業(yè)——其中最有前途的用例備受關注。

醫(yī)療保健

診斷協(xié)助

AIoT 可以幫助醫(yī)療保健提供者做出更精確的診斷決策。智能醫(yī)療物聯(lián)網(wǎng)解決方案從各種來源獲取患者數(shù)據(jù)——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(shù)據(jù)，以幫助醫(yī)生正確診斷患者。

基于人工智能的醫(yī)療解決方案已經(jīng)在多個診斷領域超過了人類醫(yī)療保健專業(yè)人員。全球的放射科醫(yī)生都在依賴人工智能的幫助進行癌癥篩查。

在 Nature Medicine 發(fā)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(yī)生。該算法對來自美國國立衛(wèi)生研究院臨床試驗數(shù)據(jù)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(shù)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(tǒng)在診斷乳腺癌、皮膚病和皮膚癌時同樣表現(xiàn)出色。然而，智能互聯(lián)系統(tǒng)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(jīng)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(tǒng)可以幫助制定更好的治療策略并根據(jù)患者的需求進行調(diào)整。

結(jié)合來自治療方案的數(shù)據(jù)、患者的病史以及來自連網(wǎng)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(diào)整，排除患者發(fā)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(tǒng)疾病管理、更有效的新冠肺炎治療、優(yōu)化糖尿病管理等。

優(yōu)化醫(yī)院工作流程

AIoT 可以改變醫(yī)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(tǒng)可以在床位空閑時通知醫(yī)院工作人員，從而接收更多患者。紐約西奈山醫(yī)療中心等早期采用者的經(jīng)驗證明，技術(shù)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(yōu)質(zhì)護理至關重要。為了做出正確的決定，醫(yī)生需要在巨大的壓力下分析大量信息，而AIoT可以幫助醫(yī)務人員確定工作的優(yōu)先順序?；ヂ?lián)系統(tǒng)可以分析患者的生命體征，并提醒醫(yī)生患者的病情正在惡化。

幾個類似的系統(tǒng)在重癥監(jiān)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(jié)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(yī)療設備

借助支持 AIoT 的設備跟蹤，醫(yī)院可以降低丟失關鍵醫(yī)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(jié)省 12,000 美元。關鍵醫(yī)療設備可以通過RFID或GPS系統(tǒng)在醫(yī)院內(nèi)外進行跟蹤，而醫(yī)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(yè)

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(shù)，包括溫度、壓力、振動、轉(zhuǎn)速等，制造商可以實時了解其資產(chǎn)的健康狀況，并根據(jù)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(jù)歷史維護和維修數(shù)據(jù)提前預測異常。根據(jù)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(chǎn)的使用壽命延長 20%。

改善資產(chǎn)性能管理

有了 AIoT 系統(tǒng)，制造商可以定期更新其資產(chǎn)的性能，并深入了解性能變化的原因。大多數(shù)基于物聯(lián)網(wǎng)的資產(chǎn)性能管理系統(tǒng)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(yōu)化設備利用率并提高整體設備效率。

使用數(shù)字孿生促進生產(chǎn)規(guī)劃

據(jù) Gartner 稱，數(shù)字孿生可以幫助制造商將生產(chǎn)效率提高至少 10%。一個資產(chǎn)、系統(tǒng)或流程的數(shù)字副本、一個工業(yè)的、支持AIoT的數(shù)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(fā)現(xiàn)甚至預測低效率。

使用數(shù)字孿生的制造企業(yè)表示，他們可以實現(xiàn)持久的改進，包括在兩年內(nèi)將可靠性從 93% 提高到 99.49%，將維護需求減少 40%。

通過工業(yè)機器人自動化車間操作

工業(yè)機器人長期以來一直是車間的一部分。隨著生產(chǎn)物聯(lián)網(wǎng)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(yè)機器人配備了傳感器并依靠人工智能，現(xiàn)在能夠在行進中做出明智的生產(chǎn)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(zhì)量。例如，臺北市利用 AIoT 監(jiān)控 25 個路口的信號設備。在這個系統(tǒng)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(shù)據(jù)，而人工智能算法分析這些數(shù)據(jù)并應用適當?shù)目刂七壿嫛?/p>

這種方法有助于城市管理部門優(yōu)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(tǒng) (ADAS) 是 AI 算法解釋和處理實時物聯(lián)網(wǎng)數(shù)據(jù)的顯著例子。

自動駕駛汽車根據(jù)來自各種傳感器的數(shù)據(jù)創(chuàng)建周圍環(huán)境地圖，例如，雷達傳感器監(jiān)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(shù)據(jù)，繪制最佳路線，并向汽車執(zhí)行器發(fā)送指令，控制加速、制動和轉(zhuǎn)向。硬編碼規(guī)則、避障算法、預測建模和對象識別有助于軟件遵循交通規(guī)則并避開障礙物。

關鍵的 AIoT 實施挑戰(zhàn)，以及如何解決這些挑戰(zhàn)

在全球?qū)嵤┑乃形锫?lián)網(wǎng)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(zhàn)。公司最常遇到的挑戰(zhàn)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(fā)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(jù)設定的業(yè)務目標、客戶期望和組織能力對想法進行審查和權(quán)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(tǒng)。在起草實施策略時，仔細權(quán)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(jīng)驗法則是，對于跨大量設備的時間關鍵型系統(tǒng)，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(jù)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(shù)環(huán)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(yè)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(gòu)和復雜的系統(tǒng)。根據(jù)您未來解決方案的規(guī)模和您所在的行業(yè)，您可能需要將高度異構(gòu)的傳統(tǒng)設備連接到 AIoT。這通常是一項難以完成的任務，它需要規(guī)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(tǒng)機器，通過網(wǎng)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(shù)字化方案。

沒有足夠的數(shù)據(jù)來訓練 AI 算法。為了產(chǎn)生可靠的見解，人工智能算法需要在大量數(shù)據(jù)上進行訓練。如果數(shù)據(jù)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(shù)據(jù)不足。常見的方法包括轉(zhuǎn)移學習（想想：使用已經(jīng)訓練過的神經(jīng)網(wǎng)絡解決類似問題）、數(shù)據(jù)增強（修改現(xiàn)有樣本以獲取新的數(shù)據(jù)條目）或求助于合成數(shù)據(jù)。

努力挖掘 AIoT 系統(tǒng)的最佳性能。AIoT 系統(tǒng)的性能取決于一系列因素，包括硬件功能、數(shù)據(jù)負載、系統(tǒng)架構(gòu)、實施方法等。為避免運行中的性能問題，請?zhí)崆坝媱潩撛诘臄?shù)據(jù)負載并相應地調(diào)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(guī)劃階段沒有考慮到數(shù)據(jù)、設備、服務器和通信網(wǎng)絡的安全性。如果您處理高度敏感的數(shù)據(jù)，請考慮混合部署，在混合部署中，數(shù)據(jù)在更靠近數(shù)據(jù)源的地方被處理，因此數(shù)據(jù)在傳輸過程中或云中被破壞的風險被降至最低。