사물의 인공 지능(AIoT): 연결된 장치와 지능형 알고리즘의 강력한 조합

게시 됨: 2022-09-01

TL;DR: 통찰력, 요약:

  • 모든 기업 데이터의 60~73%가 분석에 사용되지 않습니다.
  • 평균적인 회사는 데이터 분석 기회를 놓치기 때문에 매출의 12%를 잃습니다.
  • AI와 IoT 솔루션을 결합하여 기업은 데이터를 활용하고 이전에는 불가능했던 통찰력을 얻을 수 있습니다.
  • AIoT는 인공 지능과 사물 인터넷이 결합된 것입니다. 두 기술을 결합하면 ROI를 높이는 보다 효율적인 솔루션을 만들 수 있습니다.
  • AIoT가 더 넓은 사용 범위를 발견한 분야는 의료, 제조, 운송 및 기타 산업입니다.

원래 M2M 통신으로 시작된 것은 거의 독점적으로 통신 산업으로 제한되었지만 이제 사물 인터넷은 어디에나 있습니다. Statista에 따르면 인터넷에 연결된 장치의 수는 2025년까지 380억 개를 초과할 것입니다.

그러나 IoT 장치가 정확히 무엇인지에 대해 선을 긋기가 어렵기 때문에 이 수치는 논란의 여지가 있습니다. 따라서 다른 보고서에서는 더 억제된 숫자를 제안합니다. 생각해 보세요: 2025년까지 약 160억 개의 장치가 사용됩니다.

IoT 기기의 급격한 증가는 필연적으로 수집되는 데이터의 양의 증가로 이어질 것입니다. IDC는 전 세계적으로 생성되는 IoT 데이터의 양이 2025년까지 73제타바이트에 이를 것이라고 보고합니다. 바로 이 지점에서 문제가 발생합니다. 수집된 정보는 가치를 창출하기 위해 처리 및 분석되어야 합니다. 그러나 대부분의 기업은 데이터 사용에 실패하고 60~73%가 분석에 사용되지 않습니다.

좋은 소식은 기업이 인공 지능과 사물 인터넷의 결합된 힘을 활용하여 생성된 데이터를 비즈니스 통찰력으로 전환할 수 있다는 것입니다.

이 기사에서 우리는 종종 사물의 인공 지능 또는 AIoT라고 하는 이 강력한 조합에 대해 알아야 할 모든 것을 다루었습니다. 따라서 사물 인터넷 개발의 대세에 뛰어들 것을 고려하고 있다면 계속 읽으십시오.

AIoT가 정확히 무엇인가요?

AIoT(인공지능) 시스템은 사물 인터넷(IoT)과 인공 지능(AI)의 두 가지 구성 요소로 구성됩니다.

이 강력한 결합에서 IoT의 역할은 정형 및 비정형 데이터를 축적하고 연결된 사물과 사용자 간의 통신을 가능하게 하는 것입니다.

방대한 양의 데이터에서 복잡한 상호 의존성을 찾고 이를 기반으로 특정 작업을 설명, 예측 및 처방할 수 있는 알고리즘인 AI로 증폭되면 IoT 시스템은 인간과 같은 지능을 얻고 더 다양한 작업을 해결하는 데 적용할 수 있습니다. . 여기에는 자연어 "이해", 사용자의 요구 예측 및 그에 따라 연결된 장치의 동작 조정 등이 포함될 수 있습니다.

현재 AIoT 시장이 성장하고 있습니다. 최근 연구는 2026년까지 1,022억 달러에 이를 것으로 추정합니다. 그리고 그 이유는 매우 명확합니다. AI는 향상된 의사 결정을 통해 IoT에 가치를 더하는 반면 IoT는 AI가 연결성과 원활한 데이터 교환을 통해 가치를 창출할 수 있는 플랫폼을 제공합니다.

사물의 인공 지능은 어떻게 작동합니까?

AIoT 시스템은 두 가지 방식으로 구현될 수 있습니다.

  • 클라우드 기반 시스템으로
  • 연결된 장치에서 실행되는 에지 시스템으로.

AIoT 시스템의 아키텍처는 구현 전략에 따라 달라집니다.

클라우드 기반 AIoT

클라우드 기반 접근 방식을 사용하는 AIoT 솔루션의 기본 아키텍처는 다음과 같습니다.

  • 장치 계층: 다양한 하드웨어 장치(모빌리티, 태그/비콘, 센서, 건강 및 피트니스 장치, 차량, 생산 장비, 임베디드 장치)
  • 연결 계층: 필드 및 클라우드 게이트웨이
  • 클라우드 계층: 데이터 저장, 데이터 처리(AI 엔진), 데이터 시각화, 분석, API를 통한 데이터 액세스
  • 사용자 커뮤니케이션 레이어*: 웹 포털 및 모바일 애플리케이션*

엣지 AIoT

에지 분석을 통해 수집된 데이터는 연결된 장치에서든 필드 게이트웨이에서든 소스에 더 가깝게 처리됩니다.

  • 수집단말층 : 기존 전력선을 통해 게이트웨이에 연결된 각종 하드웨어 장치(모빌리티, 태그/비콘, 센서, 건강 및 피트니스 장치, 차량, 생산 장비, 임베디드 장치)
  • 엣지 레이어: 데이터 저장, 데이터 처리(AI 엔진), 인사이트 생성을 위한 설비

그러나 에지 중심 구현은 클라우드의 존재를 배제하지 않습니다. 예를 들어, 클라우드 기반 데이터 스토리지는 시스템의 성능에 대한 메타데이터를 수집하거나 에지 AI를 교육하거나 재교육하는 데 필요한 컨텍스트 정보를 수집하는 데 사용할 수 있습니다. 물리적 사물에 더 가까운 클라우드 외부의 장치)

다양한 분야에서 AIoT의 주요 애플리케이션

새로운 소프트웨어 도구의 가용성, 단순화된 AI 솔루션의 개발, 레거시 시스템에 AI의 주입, AI 알고리즘을 지원하는 하드웨어의 발전과 같은 여러 요인에 힘입어 사물의 인공 지능은 많은 산업 분야에 침투하고 있습니다. 다음은 AIoT가 제공하는 기회를 이미 활용하고 있는 부문에 대한 요약이며 가장 유망한 사용 사례가 집중 조명됩니다.

보건 의료

진단 지원

AIoT는 의료 제공자가 보다 정확한 진단 결정을 내리는 데 도움이 될 수 있습니다. 지능형 의료 IoT 솔루션은 진단 장비에서 웨어러블, 전자 건강 기록에 이르기까지 다양한 소스에서 환자 데이터를 가져오고 이 데이터를 교차 분석하여 의사가 환자를 올바르게 진단할 수 있도록 지원합니다.

AI 기반 의료 솔루션은 이미 여러 진단 분야에서 인간 의료 전문가를 능가하고 있습니다. 전 세계의 방사선 전문의는 암 검진을 위해 AI의 지원에 의존하고 있습니다.

네이처 메디신(Nature Medicine)이 발표한 연구에서 AI는 환자가 폐암에 걸렸는지 판단하는 데 6명의 방사선 전문의를 능가했습니다. 국립 보건원(National Institute of Health)의 임상 시험 데이터 기록에서 42,000명의 환자 스캔에 대해 훈련된 알고리즘은 사람보다 5% 더 많은 암 사례를 감지하고 위양성(false positive) 수를 11% 줄였습니다. 위양성(false positive)이 폐암 진단에 특별한 문제를 제시한다는 점은 언급할 가치가 있습니다. JAMA 내과의 2,100명의 환자에 대한 연구에 따르면 위양성 비율은 97.5%입니다. 따라서 AI는 중요한 진단 문제 중 하나를 해결하는 데 도움이 됩니다.

AIoT 시스템은 유방암, 피부병 및 피부암을 진단할 때 똑같이 잘 수행됩니다. 그러나 스마트하고 연결된 시스템의 가능성은 그 이상으로 확장됩니다.

최근 연구에 따르면 AI는 어린이의 희귀 유전병, 영유아의 유전병, 콜레스테롤 수치를 높이는 유전병, 신경퇴행성 질환을 감지하고 알츠하이머병 발병으로 이어지는 인지 저하를 예측할 수 있습니다.

치료 전략 개선 및 재활 과정 추적

환자 진단과 동일한 원칙에 따라 AIoT 시스템은 더 나은 치료 전략을 개발하고 환자의 요구에 맞게 조정할 수 있습니다.

치료 프로토콜의 데이터, 환자의 이력, 연결된 장비 및 웨어러블의 실시간 환자 정보를 결합한 스마트 알고리즘은 용량 조절을 제안하고 환자가 알레르기를 일으킬 가능성을 배제하며 부적절하거나 과잉 치료를 피할 수 있습니다. AIoT가 치료 기간을 촉진하는 필수 영역 중 일부는 다음과 같습니다.

  • 더 효과적인 COVID-19 치료

환자의 생체 신호를 기록하는 AIoT 기반 웨어러블을 통해 COVID-19 진단을 받은 환자를 모니터링함으로써 의사는 환자에게 적절한 제안을 제공할 수 있으므로 보다 효과적인 외래 진료를 제공할 수 있습니다.

  • 혈액 응고를 동반하는 질병 치료

연결된 응고 장치는 혈전이 형성되는 속도를 측정하는 데 도움이 되므로 측정값이 의료 제공자에게 원격으로 실시간으로 전달될 수 있으므로 환자가 측정값이 치료 범위 내에 있는지 확인하고 사무실 방문 횟수를 줄일 수 있습니다.

  • 천식 및 COPD 관리 개선

만성 호흡기 질환(COPD)은 전 세계적으로 약 5억 명의 환자에게 영향을 미칩니다. 이러한 상태의 심각성을 완화하기 위해 환자는 철저한 일상을 고수해야 하며 흡입기를 사용하는 것이 필수적인 부분입니다. 그럼에도 불구하고 많은 환자들이 권장하는 치료 계획을 지키지 않습니다. 모바일 앱에 결합된 AIoT 지원 흡입기는 각 사용 시간, 날짜 및 위치를 기록하여 이를 방지합니다. 수집된 데이터는 다음 사용에 대한 자동 알림을 설정하고, 천식 발작을 예측하고, 유발 요인을 식별하는 데 사용할 수 있습니다.

  • 최적화된 당뇨병 관리

미국에서만 3천만 명이 당뇨병의 영향을 받습니다. 그리고 그들에게 정기적인 포도당 측정은 항상 관심사였습니다. AIoT 지원 무선 이식형 혈당 측정기는 환자와 의사에게 환자의 혈당 수치 변화를 알려 이러한 우려를 완화합니다.

병원 워크플로 최적화

AIoT는 병원 운영 방식을 혁신하여 다음 주요 영역에서 일상적인 워크플로를 개선할 수 있습니다.

  • 대기 시간 감소

AIoT로 구동되는 자동 침대 추적 시스템은 침대가 비어 있을 때 병원 직원이 응급 환자를 최대한 빨리 입원시킬 수 있도록 도와줍니다. 뉴욕의 Mt. Sinai Medical Center와 같은 얼리 어답터의 경험은 기술이 응급실 환자의 대기 시간을 50% 줄이는 데 도움이 될 수 있음을 증명합니다.

  • 중환자 식별

즉각적인 치료가 필요한 환자를 식별하는 것은 양질의 치료를 제공하는 데 중요합니다. 올바른 결정을 내리기 위해 의사는 많은 양의 정보를 분석해야 하는 동시에 상당한 압박을 받고 있습니다. AIoT는 의료진이 노력의 우선 순위를 정하는 데 도움을 줄 수 있습니다. 연결된 시스템은 환자의 생명을 분석하고 상태가 악화되고 있는 환자를 의사에게 알릴 수 있습니다.

여러 유사한 시스템이 중환자실에서 테스트되었습니다. 예를 들어, 샌프란시스코 대학은 치명적인 혈액 감염인 패혈증의 초기 징후를 감지할 수 있는 AI 솔루션을 시범 운영했습니다. 연구 결과에 따르면 AI와 관련된 치료를 받은 환자는 감염 가능성이 58% 낮았습니다. 사망률이 12% 감소했습니다.

  • 의료 장비 추적

AIoT 지원 장비 추적을 통해 병원은 중요한 의료 장비를 분실할 위험을 줄이고 더 많은 정보에 입각한 장비 관리 결정을 내릴 수 있으므로 연간 병상당 12,000달러를 절약할 수 있습니다. 병원 안팎에서 RFID 또는 GPS 시스템을 통해 중요한 의료 장비를 추적할 수 있으며 의료 및 관리 직원은 웹 및 모바일 애플리케이션을 사용하여 필요한 장비를 빠르게 찾을 수 있습니다.

조작

예측 유지 관리 활성화

온도, 압력, 진동, 회전 속도 등 다양한 매개변수를 측정하는 AIoT 센서가 장착된 기계를 통해 제조업체는 자산 상태에 대한 실시간 통찰력을 얻고 실제 필요에 따라 유지 관리 일정을 잡을 수 있습니다.

기본 분석은 종종 중요한 작동 임계값에 접근하는 장비를 감지하기에 충분하지만 AI는 이력 유지 관리 및 수리 데이터를 기반으로 이상을 미리 예측할 수 있습니다. PwC 보고서에 따르면 예측 유지 관리의 결과 제조업체는 장비 가동 시간을 9% 개선하고 비용을 12% 절감하며 안전 위험을 14% 줄이고 자산 수명을 20% 연장할 수 있습니다.

자산 성과 관리 개선

AIoT 시스템을 사용하면 제조업체는 자산이 얼마나 잘 작동하고 있는지에 대한 정기적인 업데이트를 받고 성능 변경 이유를 드릴다운할 수 있습니다. 대부분의 IoT 기반 자산 성과 관리 시스템은 장비가 설정된 KPI에서 벗어날 때마다 자동 경고를 받을 수 있습니다.

그런 다음 AI 엔진은 성능 저하의 원인(있는 경우)을 파헤치고 측정된 KPI가 각 개별 설정에서 추적하기에 합당한지 여부를 식별하는 데 도움이 됩니다. 성능 관리 소프트웨어를 사용하여 제조업체는 장비 활용을 최적화하고 전반적인 장비 효율성을 개선합니다.

디지털 트윈으로 생산 계획 강화

Gartner에 따르면 디지털 트윈은 제조업체가 생산 효율성을 최소 10% 개선하는 데 도움이 될 수 있습니다. 자산, 시스템 또는 프로세스의 디지털 사본인 산업용 AIoT 지원 디지털 트윈은 제조업체가 작업 현장 운영에 대한 종단 간 가시성을 확보하고 적시에 비효율성을 발견하고 예측하는 데 도움이 될 수 있습니다.

디지털 트윈을 사용하는 제조 기업은 2년에 걸쳐 안정성이 93%에서 99.49%로 증가하고 수신 유지 보수를 40% 줄이며 정전을 예측하여 $360,000를 절약하는 등 지속적인 개선을 달성할 수 있다고 말합니다.

산업용 로봇을 통한 작업 현장 운영 자동화

산업용 로봇은 오랫동안 작업 현장의 일부였습니다. 제조 IoT 솔루션에 대한 접근성이 높아짐에 따라 로봇은 더욱 스마트해지고 독립적으로 변하고 있습니다. 센서를 장착하고 AI에 의존하는 산업용 로봇은 이제 이동 중에도 정보에 입각한 생산 결정을 내릴 수 있어 제조 단위의 효율성을 높일 수 있습니다.

자동차 및 운송

교통 관리

AIoT는 교통 혼잡을 완화하고 교통 품질을 개선하는 데 사용할 수 있습니다. 예를 들어, 타이베이시는 AIoT를 활용하여 25개 연결에서 신호 장비를 모니터링하고 제어합니다. 이 시스템에서 스마트 센서와 비디오 카메라는 교통과 사람의 흐름, 도로 점유에 대한 실시간 데이터를 수집하고 AI 알고리즘은 이 데이터를 분석하고 적절한 제어 로직을 적용했습니다.

접근 방식은 시 행정부가 교통 흐름을 최적화하고 안전하고 부드러운 운전 경험을 보장하는 데 도움이 되었습니다.

자율주행차

자율 주행 차량과 첨단 운전자 지원 시스템(ADAS)은 실시간 IoT 데이터를 해석하고 이에 따라 행동하는 AI 알고리즘의 주목할만한 예입니다.

자율 주행 또는 자율 주행 자동차는 다양한 센서의 데이터를 기반으로 주변 지도를 만듭니다. 예를 들어 레이더 센서는 주변 차량의 위치를 ​​모니터링합니다. 비디오 카메라는 신호등, 도로 표지판, 기타 차량 및 보행자를 감지합니다. 라이다 센서는 거리를 측정하고 도로 가장자리를 감지하며 차선 표시를 식별합니다.

그런 다음 AI 소프트웨어는 센서 데이터를 처리하고 최적의 경로를 표시한 다음 가속, 제동 및 조향을 제어하는 ​​차량의 액추에이터에 명령을 보냅니다. 하드 코딩된 규칙, 장애물 회피 알고리즘, 예측 모델링 및 객체 인식은 소프트웨어가 교통 규칙을 따르고 장애물을 탐색하는 데 도움이 됩니다.

주요 AIoT 구현 과제 및 해결 방법

전 세계적으로 구현된 모든 IoT 프로젝트 중 76%가 실패하고 그 중 30%는 개념 증명 단계에서 일찍 실패합니다. 붕괴될 운명인 이니셔티브에 대한 투자를 피하기 위해 AIoT 분야를 테스트하는 기업은 AIoT 구현을 방해할 수 있는 일반적인 문제를 알고 있어야 합니다. 기업이 가장 자주 직면하는 장애물은 다음과 같습니다.

명확한 목표 없이 AIoT 여정을 시작합니다. AIoT 프로젝트를 시작하면서 조직은 참신함에 사로잡혀 아이디어의 실현 가능성을 평가하지 못할 수 있습니다. 이는 결과적으로 개발 후반 단계에서 통제할 수 없는 비용 증가와 궁극적으로 불만족스러운 이해 관계자를 초래할 수 있습니다. 이를 방지하려면 AIoT 프로젝트를 발견 단계에서 시작하는 것이 좋습니다. 여기서 아이디어를 검토하고 설정된 비즈니스 목표, 고객 기대치 및 조직 능력에 대해 평가할 수 있습니다.

최적의 구현 전략을 선택하는 데 어려움을 겪고 있습니다. 앞서 말했듯이 AIoT 솔루션은 클라우드, 에지 또는 하이브리드 시스템으로 구현할 수 있습니다. 구현 전략의 초안을 작성하는 동안 미래 솔루션에 대한 대역폭, 대기 시간 및 속도 요구 사항을 신중하게 평가하고 설정된 비용에 대해 매핑합니다. 경험상 많은 장치에 걸쳐 있고 최소 대기 시간과 고대역폭이 덜 중요한 경우 클라우드에 의존하는 시간이 중요한 시스템의 에지 배포에 적용됩니다.

예측하기 어려운 비용으로 배포 주기가 느립니다. AIoT 프로젝트에는 장기적인 노력이 필요합니다. 특정 사용 사례에 따라 구현 프로세스는 몇 개월에서 몇 년까지 걸릴 수 있습니다. 기술 환경이 빠르게 변화함에 따라 솔루션이 완전히 작동할 때까지 구식이 되고 구현 비용에 대한 통제력을 상실할 위험이 있습니다. 이를 방지하기 위해 기업은 그 과정에서 변화를 도입할 수 있을 만큼 충분히 민첩해야 합니다.

매우 이질적이고 복잡한 시스템을 연결해야 합니다. 미래 솔루션의 규모와 운영하는 산업에 따라 매우 이기종 레거시 장비를 AIoT에 연결해야 할 수도 있습니다. 종종 수행하기 어려운 작업으로 사용 가능한 옵션을 계획하고 이해해야 합니다. 예를 들어 센서를 레거시 시스템에 연결하거나 게이트웨이를 통해 연결하거나 아예 교체할 수도 있습니다. 접근 방식에 관계없이 가능한 디지털화 시나리오를 초기에 작성해야 합니다.

AI 알고리즘 훈련을 위한 데이터가 충분하지 않습니다. 신뢰할 수 있는 통찰력을 생성하려면 방대한 양의 데이터에 대해 AI 알고리즘을 훈련해야 합니다. 사용 가능한 양이 충분하지 않은 경우(또는 사용 가능하지만 개인 정보 보호 문제로 인해 사용할 수 없는 경우) 데이터 부족을 보완하기 위해 다른 전략을 사용해야 합니다. 일반적인 방법에는 전이 학습(유사한 문제를 해결하는 이미 훈련된 신경망 사용), 데이터 증강(새 데이터 항목을 얻기 위해 기존 샘플 수정) 또는 합성 데이터에 의존하는 방법이 있습니다.

AIoT 시스템의 충분한 성능을 달성하기 위해 고군분투하고 있습니다. AIoT 시스템의 성능은 하드웨어 기능, 데이터 로드, 시스템 아키텍처, 구현 방식 등을 포함한 다양한 요인에 따라 달라집니다. 작동 시 성능 문제를 방지하려면 잠재적인 데이터 로드를 미리 계획하고 그에 따라 구현 전략을 조정하십시오.

소프트웨어 및 펌웨어 취약성 해결. 많은 AIoT 프로젝트는 계획 단계에서 데이터, 장치, 서버 및 통신 네트워크의 보안을 고려하지 않았기 때문에 실패합니다. 매우 민감한 데이터를 처리하는 경우 데이터가 소스에 더 가깝게 처리되어 전송 중 또는 클라우드에서 손상될 위험이 최소화되는 하이브리드 배포를 고려하십시오.

사물의 인공 지능에 대해 답이 없는 질문이 있거나 이미 AIoT 구현 여정을 시작하는 것을 고려하고 있다면 당사 전문가에게 문의하십시오.

2022년 8월 30일 https://itrexgroup.com에 원래 게시되었습니다.