Artificial Intelligence of Things (AIoT): Kombinasi Kuat dari Perangkat Terhubung dan Algoritma Cerdas

TL;DR: Wawasan, diringkas:

• Dari 60% hingga 73% dari semua data perusahaan tidak digunakan untuk analitik.
• Rata-rata perusahaan kehilangan 12% dari pendapatannya karena kehilangan peluang analisis data.
• Menggabungkan solusi AI dan IoT, bisnis dapat memanfaatkan data mereka dan mendapatkan wawasan yang sebelumnya tidak tersedia.
• AIoT adalah perpaduan antara kecerdasan buatan dan Internet of Things. Menggabungkan kedua teknologi memungkinkan terciptanya solusi yang lebih efisien yang mendorong ROI lebih tinggi.
• Sektor-sektor di mana AIoT telah menemukan rentang penggunaan yang lebih luas adalah perawatan kesehatan, manufaktur, transportasi, dan industri lainnya.

Apa yang awalnya dimulai sebagai komunikasi mesin-ke-mesin terbatas hampir secara eksklusif pada industri telekomunikasi, Internet of Things sekarang ada di mana-mana. Menurut Statista, jumlah perangkat yang terhubung ke internet akan melebihi 38 miliar pada tahun 2025.

Angka tersebut dapat diperdebatkan, karena sulit untuk menarik garis seperti apa sebenarnya perangkat IoT itu. Jadi, laporan lain menunjukkan angka yang lebih terkendali. Pikirkan: sekitar 16 miliar perangkat digunakan pada tahun 2025.

Lonjakan tajam dalam jumlah perangkat IoT pasti akan menyebabkan peningkatan jumlah data yang dikumpulkan. IDC melaporkan bahwa volume data IoT yang dihasilkan secara global akan mencapai 73 Zettabytes pada tahun 2025. Dan di situlah masalahnya. Informasi yang dikumpulkan perlu diproses dan dianalisis untuk mendorong nilai. Namun, sebagian besar perusahaan gagal menggunakan data, dengan antara 60% dan 73% tidak digunakan untuk analitik.

Kabar baiknya adalah bahwa perusahaan dapat mengubah lebih banyak data yang dihasilkan menjadi wawasan bisnis dengan memanfaatkan kekuatan gabungan kecerdasan buatan dan Internet of Things.

Dalam artikel ini, kami telah membahas semua yang perlu Anda ketahui tentang campuran ampuh ini, yang sering disebut sebagai kecerdasan buatan, atau AIoT. Jadi, jika Anda mempertimbangkan untuk ikut-ikutan dalam pengembangan Internet of Things, lanjutkan membaca.

Apa sebenarnya AIoT itu?

Sistem Artificial Intelligence of Things (AIoT) terdiri dari dua komponen: Internet of Things (IoT) dan Artificial Intelligence (AI).

Dalam kombinasi yang kuat ini, peran IoT adalah mengumpulkan data terstruktur dan tidak terstruktur dan memungkinkan komunikasi antara hal-hal yang terhubung dan pengguna.

Ketika diperkuat dengan AI — algoritme yang dapat menemukan interdependensi kompleks dalam sejumlah besar data dan menggambarkan, memprediksi, serta meresepkan tindakan tertentu berdasarkan itu — sistem IoT memperoleh kecerdasan seperti manusia dan dapat diterapkan untuk menyelesaikan berbagai tugas yang lebih luas . Ini dapat menjangkau "pemahaman" bahasa alami, memprediksi kebutuhan pengguna dan menyesuaikan perilaku perangkat yang terhubung sesuai, dan banyak lagi.

Pasar AIoT saat ini sedang meningkat. Penelitian terbaru memperkirakan akan mencapai $102,2 miliar pada tahun 2026. Dan sangat jelas alasannya: AI menambah nilai IoT melalui peningkatan pengambilan keputusan, sementara IoT menyediakan platform bagi AI untuk mendorong nilai melalui konektivitas dan pertukaran data yang lancar.

Bagaimana cara kerja Artificial Intelligence of Things?

Sistem AIoT dapat diimplementasikan dalam dua cara:

• Sebagai sistem berbasis cloud
• Sebagai sistem tepi yang berjalan pada perangkat yang terhubung.

Arsitektur sistem AIoT akan bervariasi tergantung pada strategi implementasi.

AIoT berbasis cloud

Dengan pendekatan berbasis cloud, arsitektur dasar solusi AIoT terlihat seperti ini:

• Lapisan perangkat: berbagai perangkat keras (mobilitas, tag/suar, sensor, perangkat kesehatan dan kebugaran, kendaraan, peralatan produksi, perangkat tertanam)
• Lapisan konektivitas: gateway lapangan dan cloud
• Lapisan awan: penyimpanan data, pemrosesan data (mesin AI), visualisasi data, analitik, akses data melalui API
• Lapisan komunikasi pengguna*: portal web dan aplikasi seluler*

Tepi AIoT

Dengan edge analytics, data yang dikumpulkan diproses lebih dekat ke sumbernya — baik pada perangkat yang terhubung atau di gateway lapangan.

• Lapisan terminal koleksi: Berbagai perangkat keras (mobilitas, tag/suar, sensor, perangkat kesehatan dan kebugaran, kendaraan, peralatan produksi, perangkat tertanam) yang terhubung ke gateway melalui saluran listrik yang ada
• Lapisan tepi: fasilitas untuk penyimpanan data, pemrosesan data (mesin AI), pembuatan wawasan

Implementasi yang berfokus pada tepi tidak mengecualikan keberadaan cloud. Penyimpanan data berbasis cloud dapat, misalnya, digunakan untuk mengumpulkan metadata tentang kinerja sistem atau informasi kontekstual yang diperlukan untuk melatih atau melatih ulang edge AI (pikirkan: sebuah paradigma untuk menyusun alur kerja AI yang melibatkan cloud dan edge, yang terakhir terbuat dari perangkat di luar cloud yang lebih dekat dengan hal-hal fisik.)

Aplikasi teratas AIoT di berbagai sektor

Didorong oleh sejumlah faktor, seperti ketersediaan perangkat lunak baru, pengembangan solusi AI yang disederhanakan, pemasukan AI ke dalam sistem lama, dan kemajuan dalam perangkat keras yang mendukung algoritme AI, Artificial Intelligence of Things merayap di banyak industri. Berikut adalah ikhtisar sektor yang telah memanfaatkan peluang yang disediakan oleh AIoT — dengan kasus penggunaan yang paling menjanjikan disorot.

Kesehatan

Bantuan diagnostik

AIoT dapat membantu penyedia layanan kesehatan membuat keputusan diagnostik yang lebih tepat. Solusi IoT perawatan kesehatan yang cerdas mengambil data pasien dari berbagai sumber — mulai dari peralatan diagnostik hingga perangkat yang dapat dikenakan hingga catatan kesehatan elektronik — dan analisis silang data ini untuk membantu dokter mendiagnosis pasien dengan benar.

Solusi medis berbasis AI telah melampaui profesional kesehatan manusia di beberapa bidang diagnosis. Ahli radiologi di seluruh dunia mengandalkan bantuan AI untuk pemeriksaan kanker.

Dalam sebuah penelitian yang diterbitkan oleh Nature Medicine, AI mengungguli enam ahli radiologi dalam menentukan apakah pasien menderita kanker paru-paru. Algoritme yang dilatih pada 42.000 pemindaian pasien dari catatan data uji klinis National Institute of Health, mendeteksi 5% lebih banyak kasus kanker daripada rekan manusianya dan mengurangi jumlah positif palsu sebesar 11%. Perlu disebutkan bahwa positif palsu menghadirkan masalah khusus dalam mendiagnosis kanker paru-paru: penelitian JAMA Internal Medicine terhadap 2.100 pasien menyatakan tingkat positif palsu 97,5%. Dengan demikian, AI membantu mengatasi salah satu masalah diagnosis yang penting.

Sistem AIoT memiliki performa yang sama baiknya saat mendiagnosis kanker payudara, penyakit kulit, dan kanker kulit. Tetapi kemungkinan sistem yang terhubung dan cerdas jauh melampaui itu.

Studi terbaru menunjukkan bahwa AI dapat mendeteksi penyakit keturunan yang langka pada anak-anak, penyakit genetik pada bayi, penyakit genetik yang meningkatkan kolesterol, penyakit neurodegeneratif, dan memprediksi penurunan kognitif yang mengarah pada pengembangan penyakit Alzheimer.

Meningkatkan strategi pengobatan dan melacak proses rehabilitasi

Mengikuti prinsip yang sama seperti dalam mendiagnosis pasien, sistem AIoT dapat membantu mengembangkan strategi pengobatan yang lebih baik dan menyesuaikannya dengan kebutuhan pasien.

Menggabungkan data dari protokol perawatan, riwayat pasien, dan informasi pasien real-time dari peralatan yang terhubung dan perangkat yang dapat dikenakan, algoritme cerdas dapat menyarankan penyesuaian dosis, mengecualikan kemungkinan pasien mengembangkan alergi, dan menghindari perawatan yang tidak tepat atau berlebihan. Beberapa area penting di mana AIoT memfasilitasi rentang perawatan:

• Perawatan COVID-19 yang lebih efektif

Dengan memantau pasien yang telah didiagnosis dengan COVID-19 melalui perangkat wearable bertenaga AIoT yang merekam tanda vital tubuh pasien, dokter dapat menawarkan saran yang tepat kepada pasien, sehingga memberikan perawatan rawat jalan yang lebih efektif.

• Mengobati penyakit yang disertai pembekuan darah

Perangkat koagulasi yang terhubung membantu mengukur kecepatan pembentukan gumpalan darah, sehingga membantu pasien memastikan pengukuran berada dalam jangkauan perawatan mereka dan mengurangi jumlah kunjungan ke kantor karena pengukuran dapat dikomunikasikan ke penyedia layanan kesehatan dari jarak jauh dan waktu nyata.

• Manajemen asma dan PPOK yang lebih baik

Penyakit pernapasan kronis (PPOK) mempengaruhi sekitar 500 juta pasien di seluruh dunia. Untuk mengurangi keparahan kondisi ini, pasien harus mengikuti rutinitas menyeluruh, dan menggunakan inhaler adalah bagian penting dari itu. Namun, banyak pasien gagal untuk mematuhi rencana perawatan yang direkomendasikan. Inhaler berkemampuan AIoT yang terikat ke aplikasi seluler membantu mencegahnya, mencatat waktu, tanggal, dan lokasi setiap penggunaan. Data yang dikumpulkan dapat digunakan untuk mengatur pengingat otomatis untuk penggunaan berikutnya, memprediksi serangan asma, dan mengidentifikasi faktor pemicu.

• Manajemen diabetes yang dioptimalkan

Di AS saja, 30 juta orang terkena diabetes. Dan bagi mereka, pengukuran glukosa secara teratur selalu menjadi perhatian. Pengukur glukosa implan nirkabel berkemampuan AIoT meringankan kekhawatiran tersebut dengan memberi tahu pasien — dan dokter — tentang perubahan kadar glukosa pasien.

Mengoptimalkan alur kerja rumah sakit

AIoT dapat mengubah cara rumah sakit dijalankan, meningkatkan alur kerja harian di area utama berikut:

• Mengurangi waktu tunggu

Sistem pelacakan tempat tidur otomatis yang didukung oleh AIoT dapat membantu pekerja rumah sakit menerima pasien darurat secepat mungkin dengan memberi tahu mereka saat tempat tidur kosong. Pengalaman para pengguna awal, seperti Mt. Sinai Medical Center di New York, membuktikan bahwa teknologi dapat membantu mengurangi waktu tunggu untuk 50% pasien gawat darurat.

• Identifikasi pasien kritis

Mengidentifikasi pasien yang membutuhkan perhatian segera sangat penting dalam memberikan perawatan yang berkualitas. Untuk membuat keputusan yang tepat, dokter perlu menganalisis sejumlah besar informasi, saat berada di bawah tekanan yang signifikan. AIoT dapat membantu staf medis dalam memprioritaskan upaya mereka. Sistem yang terhubung dapat menganalisis tanda vital pasien dan memperingatkan dokter tentang pasien yang kondisinya memburuk.

Beberapa sistem serupa diuji di unit perawatan intensif. Misalnya, University of San Francisco menguji coba solusi AI yang mampu mendeteksi tanda-tanda awal sepsis, infeksi darah yang mematikan. Hasil penelitian menunjukkan bahwa pasien yang perawatannya melibatkan AI memiliki kemungkinan 58% lebih kecil untuk mengembangkan infeksi; dan tingkat kematian berkurang 12%.

• Melacak peralatan medis

Dengan pelacakan peralatan berkemampuan AIoT, rumah sakit dapat mengurangi risiko kehilangan peralatan medis penting dan membuat keputusan manajemen peralatan yang lebih tepat, sehingga menghemat $12.000 per tempat tidur setiap tahun. Peralatan medis penting dapat dilacak melalui sistem RFID atau GPS di dalam dan di luar rumah sakit, sementara staf medis dan administrasi dapat menggunakan aplikasi web dan seluler untuk menemukan peralatan yang dibutuhkan dengan cepat.

Manufaktur

Mengaktifkan pemeliharaan prediktif

Dengan mesin yang dilengkapi dengan sensor AIoT yang mengukur berbagai parameter, termasuk suhu, tekanan, getaran, kecepatan rotasi, dan banyak lagi, produsen dapat memperoleh wawasan real-time tentang kesehatan aset mereka dan menjadwalkan pemeliharaan sesuai dengan kebutuhan aktual.

Meskipun analisis dasar seringkali cukup untuk mendeteksi peralatan yang mendekati ambang batas operasi kritis, AI dapat memprediksi anomali sebelumnya berdasarkan data pemeliharaan dan perbaikan historis. Sebagai hasil dari pemeliharaan prediktif, menurut laporan PwC, produsen dapat meningkatkan waktu kerja peralatan sebesar 9%, mengurangi biaya sebesar 12%, mengurangi risiko keselamatan sebesar 14%, dan memperpanjang masa pakai aset mereka sebesar 20%.

Meningkatkan manajemen kinerja aset

Dengan sistem AIoT, produsen bisa mendapatkan pembaruan rutin tentang seberapa baik kinerja aset mereka dan menelusuri alasan perubahan kinerja. Mayoritas sistem manajemen kinerja aset berbasis IoT memungkinkan mendapatkan peringatan otomatis setiap kali ada peralatan yang menyimpang dari KPI yang ditetapkan.

Mesin AI, pada gilirannya, membantu menggali alasan penurunan kinerja, jika ada, dan mengidentifikasi apakah KPI yang diukur masuk akal untuk dilacak di setiap pengaturan individu. Dengan menggunakan perangkat lunak manajemen kinerja, produsen mengoptimalkan pemanfaatan peralatan dan meningkatkan efektivitas peralatan secara keseluruhan.

Meningkatkan perencanaan produksi dengan kembar digital

Menurut Gartner, kembaran digital dapat membantu produsen mendapatkan peningkatan minimal 10% dalam efektivitas produksi. Salinan digital dari aset, sistem, atau proses, kembar digital industri yang diaktifkan AIoT dapat membantu produsen mendapatkan visibilitas menyeluruh ke dalam operasi lantai toko dan membantu menemukan tepat waktu dan bahkan memprediksi inefisiensi.

Perusahaan manufaktur yang menggunakan kembar digital menyatakan bahwa mereka dapat mencapai peningkatan yang langgeng, termasuk peningkatan keandalan dari 93% menjadi 99,49% selama dua tahun, mengurangi pemeliharaan hingga 40%, dan menghemat $360.000 setelah memperkirakan pemadaman listrik.

Mengotomatiskan operasi lantai toko melalui robotika industri

Robot industri telah menjadi bagian dari lantai toko untuk waktu yang lama. Dengan semakin mudahnya membuat solusi IoT, robot menjadi lebih pintar dan lebih mandiri. Dilengkapi dengan sensor dan mengandalkan AI, robotika industri kini mampu membuat keputusan produksi yang tepat saat dalam perjalanan, sehingga meningkatkan efektivitas unit manufaktur.

Otomotif dan Transportasi

Manajemen lalu lintas

AIoT dapat digunakan untuk mengurangi kemacetan lalu lintas dan meningkatkan kualitas transportasi. Kota Taipei, misalnya, memanfaatkan AIoT untuk memantau dan mengontrol peralatan sinyal di 25 konjungsi. Dalam sistem ini, sensor pintar dan kamera video mengumpulkan data real-time tentang lalu lintas dan arus manusia serta penggunaan jalan, sementara algoritme AI menganalisis data ini dan menerapkan logika kontrol yang sesuai.

Pendekatan ini membantu pemerintah kota mengoptimalkan arus lalu lintas dan memastikan pengalaman berkendara yang aman dan lancar.

Kendaraan mengemudi sendiri

Kendaraan self-driving dan sistem bantuan pengemudi canggih (ADAS) adalah contoh penting dari algoritme AI yang menafsirkan dan bertindak pada data IoT real-time.

Mobil self-driving atau otonom membuat peta lingkungan mereka berdasarkan data dari berbagai sensor. Sensor radar, misalnya, memantau posisi kendaraan terdekat; kamera video mendeteksi lampu lalu lintas, rambu jalan, kendaraan lain, dan pejalan kaki; sensor lidar mengukur jarak, mendeteksi tepi jalan, dan mengidentifikasi marka jalur.

Perangkat lunak AI kemudian memproses data sensor, memplot jalur optimal, dan mengirimkan instruksi ke aktuator mobil, yang mengontrol akselerasi, pengereman, dan kemudi. Aturan hard-code, algoritma penghindaran rintangan, pemodelan prediktif, dan pengenalan objek membantu perangkat lunak mengikuti aturan lalu lintas dan menavigasi rintangan.

Tantangan implementasi AIoT utama, dan cara mengatasinya

Dari semua proyek IoT yang diimplementasikan secara global, 76% gagal, dengan 30% di antaranya gagal pada tahap Proof of Concept. Untuk menghindari mengarahkan investasi ke inisiatif yang pasti akan runtuh, perusahaan yang menguji air AIoT harus menyadari tantangan umum yang dapat menghambat implementasi AIoT mereka. Hambatan yang paling sering dihadapi bisnis meliputi:

Memulai perjalanan AIoT tanpa tujuan yang jelas. Memulai proyek AIoT, organisasi mungkin terjebak dalam hal baru dan gagal menilai kelayakan ide mereka. Hal itu, pada gilirannya, dapat mengakibatkan kenaikan biaya yang tidak terkendali pada tahap akhir pengembangan dan, pada akhirnya, para pemangku kepentingan yang tidak puas. Untuk menghindarinya, kami menyarankan untuk memulai proyek AIoT Anda dengan fase penemuan, di mana ide dapat diperiksa dan ditimbang terhadap tujuan bisnis yang ditetapkan, harapan pelanggan, dan kemampuan organisasi.

Berjuang untuk memilih strategi implementasi yang optimal. Seperti yang dikatakan sebelumnya, solusi AIoT dapat diimplementasikan sebagai sistem cloud, edge, atau hybrid. Saat menyusun strategi implementasi, pertimbangkan dengan cermat bandwidth, latensi, dan persyaratan kecepatan untuk solusi masa depan dan petakan dengan biaya yang ditetapkan. Aturan praktisnya adalah penerapan edge untuk sistem kritis waktu yang mencakup sejumlah besar perangkat dan mengandalkan cloud jika latensi minimal dan bandwidth tinggi tidak terlalu penting.

Siklus penerapan yang lambat dengan biaya yang sulit diperkirakan. Proyek AIoT membutuhkan komitmen jangka panjang. Bergantung pada kasus penggunaan tertentu, proses implementasi dapat memakan waktu beberapa bulan hingga beberapa tahun. Dengan lanskap teknologi yang berubah dengan cepat, ada risiko solusi menjadi usang pada saat beroperasi penuh, serta kehilangan kendali atas biaya implementasi. Untuk mencegahnya, bisnis harus cukup gesit untuk dapat memperkenalkan perubahan di sepanjang jalan.

Kebutuhan untuk menghubungkan sistem yang sangat heterogen dan kompleks. Bergantung pada skala solusi masa depan Anda dan industri tempat Anda beroperasi, Anda mungkin perlu menghubungkan peralatan warisan yang sangat heterogen ke AIoT. Seringkali tugas yang sulit untuk diselesaikan, perlu perencanaan dan pemahaman tentang pilihan yang tersedia. Misalnya, Anda dapat memilih untuk memasang sensor ke mesin lama, menghubungkannya melalui gateway, atau bahkan menggantinya sama sekali. Apa pun pendekatannya, pastikan untuk merancang skenario digitalisasi yang layak sejak dini.

Tidak memiliki cukup data untuk melatih algoritme AI. Untuk menghasilkan wawasan yang andal, algoritme AI perlu dilatih pada sejumlah besar data. Jika tidak tersedia dalam jumlah yang cukup (atau tersedia tetapi tidak dapat digunakan karena alasan privasi), Anda harus menggunakan strategi lain untuk mengimbangi kekurangan data. Cara umum termasuk pembelajaran transfer (pikirkan: menggunakan jaringan saraf yang sudah terlatih yang memecahkan masalah serupa), augmentasi data (memodifikasi sampel yang ada untuk mendapatkan entri data baru), atau beralih ke data sintetis.

Berjuang untuk mencapai kinerja sistem AIoT yang memadai. Kinerja sistem AIoT bergantung pada serangkaian faktor, termasuk kemampuan perangkat keras, beban data, arsitektur sistem, pendekatan implementasi, dan banyak lagi. Untuk menghindari masalah kinerja dalam operasi, rencanakan potensi beban data terlebih dahulu dan sesuaikan strategi implementasinya.

Mengatasi kerentanan perangkat lunak dan firmware. Banyak proyek AIoT gagal karena keamanan data, perangkat, server, dan jaringan komunikasi tidak diperhitungkan selama fase perencanaan. Jika Anda berurusan dengan data yang sangat sensitif, pertimbangkan penerapan hibrid, di mana data diproses lebih dekat ke sumbernya, sehingga risiko dikompromikan selama transit atau di cloud diminimalkan.

Jika Anda memiliki pertanyaan yang belum terjawab tentang Artificial Intelligence of Things atau sudah mempertimbangkan untuk memulai perjalanan implementasi AIoT, hubungi pakar kami.

Awalnya diterbitkan di https://itrexgroup.com pada 30 Agustus 2022.