モノの人工知能 (AIoT): コネクテッド デバイスとインテリジェント アルゴリズムの強力な組み合わせ

公開: 2022-09-01

TL;DR: 洞察、要約:

  • 全企業データの 60% から 73% が分析に使用されていません。
  • 平均的な企業は、データ分析の機会を逃しているために、収益の 12% を失っています。
  • AI と IoT ソリューションを組み合わせることで、企業はデータを活用し、以前は入手できなかった洞察を収集できます。
  • AIoT は、人工知能とモノのインターネットを組み合わせたものです。 両方のテクノロジーを組み合わせることで、ROI を高めるより効率的なソリューションを作成できます。
  • AIoT がより広い範囲で使用されている分野は、ヘルスケア、製造、運輸、およびその他の業界です。

もともとマシン ツー マシン通信として始まったものは、ほぼ通信業界に限られていましたが、モノのインターネットは今やあらゆる場所に普及しています。 Statista によると、インターネットに接続されているデバイスの数は 2025 年までに 380 億を超えると予測されています。

ただし、IoT デバイスが正確に何であるかについて線を引くのは難しいため、この数字には議論の余地があります。 そのため、他のレポートでは、より抑制された数が示唆されています。 考えてみてください: 2025 年までに約 160 億台のデバイスが使用されます。

IoT デバイスの急激な増加は、必然的に収集されるデータ量の増加につながります。 IDC は、世界中で生成される IoT データの量が 2025 年までに 73 ゼタバイトに達すると報告しています。 収集された情報は、価値を生み出すために処理および分析する必要があります。 しかし、ほとんどの企業はデータを活用することに失敗しており、その 60% から 73% が分析に使用されていません。

幸いなことに、企業は、人工知能とモノのインターネットを組み合わせた力を活用することで、生成されたデータの多くをビジネスの洞察に変えることができます。

この記事では、モノの人工知能 (AIoT) と呼ばれることが多いこの強力な組み合わせについて、知っておくべきことをすべて取り上げました。 したがって、モノのインターネット開発の時流に乗ることを検討している場合は、読み続けてください。

AIoTとは正確には何ですか？

モノの人工知能 (AIoT) システムは、モノのインターネット (IoT) と人工知能 (AI) の 2 つのコンポーネントで構成されています。

この堅牢な組み合わせにおいて、IoT の役割は、構造化データと非構造化データを蓄積し、接続されたモノとユーザーの間の通信を可能にすることです。

AI (膨大な量のデータから複雑な相互依存関係を見つけ、それに基づいて特定のアクションを記述、予測、および指示できるアルゴリズム) で増幅すると、IoT システムは人間のような知性を獲得し、さまざまなタスクを解決するために適用できます。 . これらは、自然言語の「理解」、ユーザーのニーズの予測、それに応じた接続デバイスの動作の調整などに及ぶ可能性があります。

現在、AIoT 市場が拡大しています。 最近の調査では、2026 年までに 1,022 億ドルに達すると見積もられています。その理由は完全に明らかです。AI は意思決定の改善を通じて IoT に価値を付加しますが、IoT は AI が接続性とシームレスなデータ交換を通じて価値を生み出すためのプラットフォームを提供します。

モノの人工知能はどのように機能しますか?

AIoT システムは、次の 2 つの方法で実装できます。

  • クラウドベースのシステムとして
  • 接続されたデバイスで実行されるエッジ システムとして。

AIoT システムのアーキテクチャは、実装戦略によって異なります。

クラウドベースの AIoT

クラウドベースのアプローチでは、AIoT ソリューションの基本的なアーキテクチャは次のようになります。

  • デバイス層:さまざまなハードウェア デバイス (モビリティ、タグ/ビーコン、センサー、健康およびフィットネス デバイス、車両、生産設備、組み込みデバイス)
  • 接続層:フィールドおよびクラウド ゲートウェイ
  • クラウド層:データ ストレージ、データ処理 (AI エンジン)、データの視覚化、分析、API を介したデータ アクセス
  • ユーザー通信層*: Web ポータルおよびモバイル アプリケーション*

エッジ AIoT

エッジ分析により、収集されたデータは、接続されたデバイスまたはフィールド ゲートウェイのどちらでも、ソースの近くで処理されます。

  • 収集端末層: 既存の電力線を介してゲートウェイに接続されたさまざまなハードウェア デバイス (モビリティ、タグ/ビーコン、センサー、健康およびフィットネス デバイス、車両、生産設備、組み込みデバイス)
  • エッジ レイヤー: データ ストレージ、データ処理 (AI エンジン)、洞察生成のための機能

ただし、エッジに焦点を当てた実装は、クラウドの存在を排除するものではありません。 クラウドベースのデータ ストレージは、たとえば、システムのパフォーマンスに関するメタデータや、エッジ AI のトレーニングまたは再トレーニングに必要なコンテキスト情報を収集するために使用できます (考えてみてください: クラウドとエッジを含む AI ワークフローを作成するためのパラダイム。物理的なものに近いクラウド外のデバイス)。

さまざまな分野における AIoT のトップ アプリケーション

新しいソフトウェア ツールの利用可能性、簡素化された AI ソリューションの開発、レガシー システムへの AI の導入、AI アルゴリズムをサポートするハードウェアの進歩など、多くの要因によって、モノの人工知能が多くの業界で忍び寄っています。 ここでは、AIoT によって提供される機会をすでに活用しているセクターの概要を示します。最も有望なユース ケースにスポットライトを当てています。

健康管理

診断支援

AIoT は、医療提供者がより正確な診断決定を行うのに役立ちます。 インテリジェントなヘルスケア IoT ソリューションは、診断機器からウェアラブル、電子カルテまで、さまざまなソースから患者データを取得し、このデータを相互分析して、医師が患者を正しく診断できるように支援します。

AI ベースの医療ソリューションは、すでにいくつかの診断分野で人間の医療専門家を上回っています。 世界中の放射線科医は、がんのスクリーニングのために AI の支援に頼っています。

Nature Medicine が発表した研究では、患者が肺がんにかかっているかどうかを判断する際に、AI は 6 人の放射線科医よりも優れていました。 国立衛生研究所の臨床試験データ レコードからの 42,000 人の患者のスキャンでトレーニングされたアルゴリズムは、人間の対応するものよりも 5% 多くのがん症例を検出し、偽陽性の数を 11% 削減しました。 偽陽性は、肺がんの診断に特定の問題をもたらすことに言及する価値があります。2,100 人の患者を対象とした JAMA 内科の研究では、97.5% の偽陽性率が示されています。 このように、AI は重要な診断問題の 1 つに対処するのに役立ちます。

AIoT システムは、乳がん、皮膚病、皮膚がんの診断においても同様に優れた性能を発揮します。 しかし、スマートなコネクテッド システムの可能性は、それをはるかに超えています。

最近の研究では、AI が子供のまれな遺伝性疾患、幼児の遺伝性疾患、コレステロールを上昇させる遺伝性疾患、神経変性疾患を検出し、アルツハイマー病の発症につながる認知機能の低下を予測できることが示されています。

治療戦略の改善とリハビリテーション プロセスの追跡

患者の診断と同じ原則に従って、AIoT システムはより良い治療戦略を開発し、患者のニーズに合わせて調整するのに役立ちます。

治療プロトコルからのデータ、患者の病歴、接続された機器やウェアラブルからのリアルタイムの患者情報を組み合わせることで、スマート アルゴリズムは投与量の調整を提案し、患者がアレルギーを発症する可能性を排除し、不適切または過剰な治療を回避することができます。 AIoT が治療範囲を促進している重要な分野のいくつか:

  • より効果的な COVID-19 治療

患者のバイタル サインを記録する AIoT 搭載のウェアラブルを介して COVID-19 と診断された患者を監視することで、医師は患者に適切な提案を行い、より効果的な外来治療を提供できます。

  • 血液凝固を伴う疾患の治療

接続された凝固装置は、血栓が形成されるペースを測定するのに役立ちます。これにより、患者は測定値が治療範囲内にあることを確認し、測定値を医療提供者にリモートかつリアルタイムで伝達できるため、オフィスへの訪問回数を減らすことができます。

  • 喘息と COPD の管理の改善

慢性呼吸器疾患 (COPD) は、世界中で約 5 億人の患者に影響を与えています。 これらの状態の重症度を軽減するために、患者は徹底的なルーチンに固執する必要があり、吸入器の使用はその不可欠な部分です. それでも、多くの患者は推奨される治療計画を順守できません。 モバイル アプリにバインドされた AIoT 対応の吸入器は、各使用の時間、日付、および場所を記録して、それを回避するのに役立ちます。 収集されたデータは、次の使用のための自動リマインダーの設定、喘息発作の予測、トリガー要因の特定に使用できます。

  • 最適化された糖尿病管理

米国だけでも、3,000 万人が糖尿病に罹患しています。 そして彼らにとって、定期的なグルコース測定は常に懸念事項でした. AIoT 対応のワイヤレス埋め込み型血糖測定器は、患者の血糖値の変化を患者 (および医師) に通知することで、これらの懸念を軽減します。

病院のワークフローの最適化

AIoT は病院の運営方法を変革し、次の重要な分野で日常のワークフローを改善できます。

  • 待ち時間の短縮

AIoT を利用した自動ベッド追跡システムは、ベッドが空いたときに病院職員に通知することで、救急患者をできるだけ早く入院させるのに役立ちます。 ニューヨークの Mt. Sinai Medical Center などのアーリー アダプターの経験は、テクノロジーが救急部門の患者の 50% の待ち時間を短縮するのに役立つことを証明しています。

  • 重症患者の特定

すぐに対応が必要な患者を特定することは、質の高いケアを提供する上で重要です。 正しい決定を下すために、医師は大きなプレッシャーにさらされながら、大量の情報を分析する必要があります。 AIoT は、医療スタッフが優先順位を付けるのに役立ちます。 接続されたシステムは、患者のバイタルを分析し、病状が悪化している患者を医師に警告します。

いくつかの同様のシステムが集中治療室でテストされました。 たとえば、サンフランシスコ大学は、致命的な血液感染症である敗血症の初期の兆候を検出できる AI ソリューションを試験運用しました。 研究結果は、AI を含む治療を受けた患者は、感染症を発症する可能性が 58% 低いことを示しました。 死亡率は 12% 減少しました。

  • 医療機器の追跡

AIoT 対応の機器追跡により、病院は重要な医療機器を紛失するリスクを軽減し、より多くの情報に基づいて機器管理の決定を下すことができるため、ベッドあたり年間 12,000 ドルの節約につながります。 重要な医療機器は、RFID または GPS システムを介して病院内外で追跡できます。また、医療および管理スタッフは、Web およびモバイル アプリケーションを使用して、必要な機器をすばやく見つけることができます。

製造業

予知保全の有効化

温度、圧力、振動、回転速度などのさまざまなパラメーターを測定する AIoT センサーを搭載した機械により、製造業者は資産の状態をリアルタイムで把握し、実際のニーズに応じてメンテナンスをスケジュールできます。

多くの場合、基本的な分析は、重要な動作しきい値に近づいている機器を検出するのに十分ですが、AI は過去の保守および修理データに基づいて事前に異常を予測できます。 PwC のレポートによると、予知保全の結果として、メーカーは機器の稼働時間を 9% 改善し、コストを 12% 削減し、安全上のリスクを 14% 削減し、資産の寿命を 20% 延ばすことができます。

資産パフォーマンス管理の改善

AIoT システムを導入することで、製造業者は資産のパフォーマンスに関する定期的な更新を取得し、パフォーマンスの変化の理由を掘り下げることができます。 IoT ベースの資産パフォーマンス管理システムの大部分では、機器が設定された KPI から逸脱している場合はいつでも自動アラートを受け取ることができます。

次に、AI エンジンは、パフォーマンス低下の理由がある場合はそれを掘り下げ、測定された KPI が個々の設定で追跡するのに妥当かどうかを特定するのに役立ちます。 パフォーマンス管理ソフトウェアを使用して、メーカーは機器の使用率を最適化し、機器全体の効率を向上させます。

デジタルツインによる生産計画の強化

Gartner によると、デジタル ツインは製造業者が生産効率を最低 10% 向上させるのに役立ちます。 資産、システム、またはプロセスのデジタル コピーである産業用の AIoT 対応デジタル ツインは、製造業者が製造現場の業務をエンド ツー エンドで可視化し、非効率性をタイムリーに特定して予測するのに役立ちます。

デジタル ツインを使用している製造企業は、信頼性が 2 年間で 93% から 99.49% に向上し、受信メンテナンスが 40% 減少し、停電を予測して 360,000 ドルを節約できるなど、永続的な改善を達成できると述べています。

産業用ロボットによる製造現場業務の自動化

産業用ロボットは、長い間製造現場の一部でした。 製造 IoT ソリューションがより利用しやすくなるにつれて、ロボットはよりスマートになり、より独立したものになっています。 センサーを装備し、AI に依存する産業用ロボットは、外出先でも十分な情報に基づいた生産決定を行うことができるようになり、製造ユニットの効率が向上します。

自動車と輸送

交通管理

AIoTを活用することで、交通渋滞の緩和や輸送品質の向上が期待できます。 たとえば、台北市は AIoT を利用して、25 回の接続で信号機器を監視および制御しました。 このシステムでは、スマート センサーとビデオ カメラが交通量、人の流れ、道路占有率に関するリアルタイム データを収集し、AI アルゴリズムがこのデータを分析して適切な制御ロジックを適用しました。

このアプローチは、市当局が交通の流れを最適化し、安全でスムーズな運転体験を確保するのに役立ちました。

自動運転車

自動運転車と先進運転支援システム (ADAS) は、リアルタイムの IoT データを解釈して処理する AI アルゴリズムの注目すべき例です。

自動運転車や自動運転車は、さまざまなセンサーからのデータに基づいて周囲の地図を作成します。 たとえば、レーダー センサーは近くの車両の位置を監視します。 ビデオ カメラは、信号機、道路標識、他の車両、歩行者を検出します。 LIDAR センサーは、距離を測定し、道路の端を検出し、車線区分を識別します。

次に、AI ソフトウェアがセンサー データを処理し、最適な経路をプロットして、アクセル、ブレーキ、ステアリングを制御する自動車のアクチュエーターに指示を送信します。 ハードコーディングされたルール、障害物回避アルゴリズム、予測モデリング、オブジェクト認識により、ソフトウェアは交通ルールに従い、障害物をナビゲートできます。

主な AIoT 実装の課題とその解決方法

グローバルに実装されたすべての IoT プロジェクトのうち、76% が失敗し、そのうち 30% は概念実証段階で失敗しています。 崩壊する運命にあるイニシアチブに投資を向けることを避けるために、AIoT 水域をテストしている企業は、AIoT の実装を妨げる可能性のある共通の課題を認識しておく必要があります。 ビジネスが最も頻繁に直面する障害は次のとおりです。

明確な目標を念頭に置いていない AIoT の旅に乗り出す。 AIoT プロジェクトを開始すると、組織は目新しさにとらわれて、アイデアの実現可能性を評価できなくなる可能性があります。 その結果、開発の後期段階で制御不能なコスト クリープが発生し、最終的には利害関係者が不満を抱く可能性があります。 それを避けるために、AIoT プロジェクトを発見フェーズから開始することをお勧めします。このフェーズでは、設定されたビジネス目標、顧客の期待、および組織の能力に対してアイデアを精査し、比較検討することができます。

最適な実装戦略を選択するのに苦労しています。 前述のように、AIoT ソリューションは、クラウド、エッジ、またはハイブリッド システムとして実装できます。 実装戦略の草案を作成する際に、将来のソリューションの帯域幅、遅延、および速度の要件を慎重に検討し、設定されたコストに対してそれらをマッピングします。 経験則では、多数のデバイスにまたがるタイム クリティカルなシステムのエッジ展開が行われ、最小限の遅延と高帯域幅がそれほど重要でない場合はクラウドに依存します。

導入サイクルが遅く、コストを見積もることが難しい。 AIoT プロジェクトには長期的な取り組みが必要です。 特定のユース ケースに応じて、実装プロセスには数か月から数年かかる場合があります。 テクノロジーの状況が急速に変化しているため、ソリューションが完全に運用されるまでに時代遅れになり、実装コストを制御できなくなるリスクがあります。 それを防ぐために、ビジネスは途中で変更を導入できるほど機敏である必要があります。

非常に異質で複雑なシステムを接続する必要性。 将来のソリューションの規模と運用する業界によっては、高度に異種のレガシー機器を AIoT に接続する必要がある場合があります。 多くの場合、実行するのが難しいタスクであり、使用可能なオプションを計画して理解する必要があります。 たとえば、センサーをレガシー マシンに接続したり、ゲートウェイ経由で接続したり、完全に置き換えたりすることもできます。 アプローチに関係なく、実行可能なデジタル化のシナリオを早期に作成するようにしてください。

AI アルゴリズムをトレーニングするための十分なデータがありません。 信頼できる洞察を生成するには、AI アルゴリズムを膨大な量のデータでトレーニングする必要があります。 十分な量が利用できない場合 (または、利用可能であるがプライバシー上の理由で使用できない場合)、データの不足を補うために他の戦略を使用する必要があります。 一般的な方法には、転移学習 (同様の問題を解決するトレーニング済みのニューラル ネットワークを使用することを考えてください)、データ拡張 (既存のサンプルを変更して新しいデータ エントリを取得する)、または合成データに頼ることが含まれます。

AIoTシステムの十分な性能を達成するのに苦労しています。 AIoT システムのパフォーマンスは、ハードウェア機能、データ負荷、システム アーキテクチャ、実装へのアプローチなど、さまざまな要因に依存します。 運用中のパフォーマンスの問題を回避するには、潜在的なデータ負荷を事前に計画し、それに応じて実装戦略を調整してください。

ソフトウェアとファームウェアの脆弱性への対処。 計画段階でデータ、デバイス、サーバー、および通信ネットワークのセキュリティが考慮されていなかったため、多くの AIoT プロジェクトが失敗しています。 機密性の高いデータを扱う場合は、データがソースの近くで処理されるハイブリッド展開を検討してください。これにより、転送中またはクラウドでデータが侵害されるリスクが最小限に抑えられます。

モノの人工知能について未解決の質問がある場合、または AIoT の実装に着手することを既に検討している場合は、当社の専門家にお問い合わせください。

2022 年 8 月 30 日に https://itrexgroup.com で最初に公開されました。