Sztuczna inteligencja rzeczy (AIoT): potężne połączenie połączonych urządzeń i inteligentnych algorytmów

Opublikowany: 2022-09-01

TL; DR: Informacje podsumowane:

  • Od 60% do 73% wszystkich danych korporacyjnych nie jest używanych do analiz.
  • Przeciętna firma traci 12% swoich przychodów z powodu utraty możliwości analizy danych.
  • Łącząc rozwiązania AI i IoT, firmy mogą korzystać ze swoich danych i pozyskiwać spostrzeżenia, które były wcześniej niedostępne.
  • AIoT to połączenie sztucznej inteligencji i Internetu Rzeczy. Połączenie obu technologii pozwala na tworzenie bardziej wydajnych rozwiązań, które zapewniają wyższy zwrot z inwestycji.
  • Sektory, w których sztuczna inteligencja znalazła szersze zastosowanie, to opieka zdrowotna, produkcja, transport i inne branże.

To, co pierwotnie zaczęło się jako komunikacja maszyna-maszyna, ograniczało się prawie wyłącznie do branży telekomunikacyjnej, Internet Rzeczy jest teraz wszędzie. Według Statista do 2025 roku liczba urządzeń podłączonych do internetu przekroczy 38 miliardów.

Liczba ta jest jednak dyskusyjna, ponieważ trudno jest określić, czym dokładnie jest urządzenie IoT. Tak więc inne raporty sugerują bardziej powściągliwe liczby. Pomyśl: około 16 miliardów urządzeń będzie używanych do 2025 roku.

Gwałtowny wzrost liczby urządzeń IoT nieuchronnie doprowadzi do wzrostu ilości gromadzonych danych. IDC donosi, że do 2025 r. globalnie generowane wolumeny danych IoT osiągną 73 Zettabajty. I tu pojawia się problem. Zebrane informacje muszą być przetwarzane i analizowane w celu zwiększenia wartości. Jednak większości przedsiębiorstw nie udaje się wykorzystać danych, a od 60% do 73% z nich jest niewykorzystanych do celów analitycznych.

Dobrą wiadomością jest to, że przedsiębiorstwa mogą przekształcić więcej wygenerowanych danych w wnioski biznesowe, wykorzystując połączoną moc sztucznej inteligencji i Internetu Rzeczy.

W artykule omówiliśmy wszystko, co musisz wiedzieć o tej potężnej mieszance, często nazywanej sztuczną inteligencją rzeczy lub AIoT. Tak więc, jeśli zastanawiasz się nad przejściem na modę na rozwój Internetu rzeczy, czytaj dalej.

Czym dokładnie jest AIoT?

System sztucznej inteligencji rzeczy (AIoT) składa się z dwóch komponentów: Internetu rzeczy (IoT) i sztucznej inteligencji (AI).

W tej solidnej kombinacji rolą IoT jest gromadzenie ustrukturyzowanych i nieustrukturyzowanych danych oraz umożliwienie komunikacji między połączonymi elementami a użytkownikiem.

Wzmocniony sztuczną inteligencją — algorytmami, które potrafią znaleźć złożone współzależności w ogromnych ilościach danych i opisać, przewidzieć, a także na ich podstawie nakazać określone działania — system IoT zyskuje inteligencję podobną do ludzkiej i może być stosowany do rozwiązywania szerszej gamy zadań . Mogą one obejmować „zrozumienie” języka naturalnego, przewidywanie potrzeb użytkowników i odpowiednie dostosowywanie zachowania podłączonego urządzenia i nie tylko.

Rynek AIoT obecnie rośnie. Ostatnie badania szacują, że do 2026 r. osiągnie 102,2 mld USD. I jest zupełnie jasne, dlaczego: sztuczna inteligencja dodaje wartość do IoT poprzez usprawnienie procesu decyzyjnego, podczas gdy IoT zapewnia platformę dla sztucznej inteligencji, która zapewnia wartość poprzez łączność i bezproblemową wymianę danych.

Jak działa sztuczna inteligencja rzeczy?

Systemy AIoT można wdrażać na dwa sposoby:

  • Jako systemy oparte na chmurze
  • Jako systemy brzegowe działające na podłączonych urządzeniach.

Architektura systemu AIoT będzie się różnić w zależności od strategii wdrożenia.

AIoT w chmurze

W przypadku podejścia opartego na chmurze podstawowa architektura rozwiązania AIoT wygląda tak:

  • Warstwa urządzenia: różne urządzenia sprzętowe (mobilność, tagi/beacony, czujniki, urządzenia zdrowotne i fitness, pojazdy, sprzęt produkcyjny, urządzenia wbudowane)
  • Warstwa łączności: bramy terenowe i w chmurze
  • Warstwa chmury: przechowywanie danych, przetwarzanie danych (silnik AI), wizualizacja danych, analityka, dostęp do danych przez API
  • Warstwa komunikacji z użytkownikiem*: portale internetowe i aplikacje mobilne*

Edge AIoT

Dzięki analizie brzegowej zebrane dane są przetwarzane bliżej źródła — czy to na podłączonych urządzeniach, czy na bramach terenowych.

  • Warstwa terminala zbiorczego: Różne urządzenia sprzętowe (mobilność, tagi/beacons, czujniki, urządzenia zdrowotne i fitness, pojazdy, sprzęt produkcyjny, urządzenia wbudowane) podłączone do bramki za pośrednictwem istniejących linii energetycznych
  • Warstwa brzegowa: urządzenia do przechowywania danych, przetwarzanie danych (silnik AI), generowanie insightów

Implementacje skoncentrowane na krawędzi nie wykluczają jednak obecności chmury. Przechowywanie danych w chmurze może być na przykład wykorzystywane do zbierania metadanych o wydajności systemu lub informacji kontekstowych potrzebnych do szkolenia lub ponownego szkolenia sztucznej inteligencji brzegowej (pomyśl: paradygmat tworzenia przepływów pracy sztucznej inteligencji, który obejmuje chmurę i brzeg, urządzenia poza chmurą, które są bliższe rzeczom fizycznym).

Najlepsze zastosowania AIoT w różnych sektorach

Kierując się wieloma czynnikami, takimi jak dostępność nowych narzędzi programowych, opracowywanie uproszczonych rozwiązań sztucznej inteligencji, wprowadzanie sztucznej inteligencji do starszych systemów oraz postępy w sprzęcie podtrzymującym algorytmy sztucznej inteligencji, sztuczna inteligencja rzeczy wkrada się w wielu branżach. Oto lista sektorów, które już wykorzystują możliwości oferowane przez AIoT — z wyróżnionymi najbardziej obiecującymi przypadkami użycia.

Opieka zdrowotna

Pomoc diagnostyczna

AIoT może pomóc świadczeniodawcom w podejmowaniu bardziej precyzyjnych decyzji diagnostycznych. Inteligentne rozwiązania IoT w służbie zdrowia pobierają dane pacjentów z różnych źródeł — od sprzętu diagnostycznego przez urządzenia do noszenia po elektroniczną dokumentację medyczną — i analizują je krzyżowo, aby pomóc lekarzom w prawidłowej diagnozie pacjenta.

Rozwiązania medyczne oparte na sztucznej inteligencji już przewyższają pracowników służby zdrowia w kilku dziedzinach diagnostyki. Radiolodzy na całym świecie polegają na pomocy sztucznej inteligencji w badaniach przesiewowych raka.

W badaniu opublikowanym przez Nature Medicine sztuczna inteligencja przewyższała sześciu radiologów w określaniu, czy pacjenci mają raka płuc. Algorytm, który został wyszkolony na 42 000 skanów pacjentów z rejestrów danych z badań klinicznych Narodowego Instytutu Zdrowia, wykrył o 5% więcej przypadków raka niż jego odpowiedniki u ludzi i zmniejszył liczbę wyników fałszywie dodatnich o 11%. Warto wspomnieć, że fałszywie dodatnie wyniki stanowią szczególny problem w diagnostyce raka płuc: badanie JAMA Internal Medicine obejmujące 2100 pacjentów wskazuje, że odsetek fałszywie dodatnich wyników wynosi 97,5%. W ten sposób sztuczna inteligencja pomaga rozwiązać jeden z kluczowych problemów diagnostycznych.

Systemy AIoT sprawdzają się równie dobrze w diagnozowaniu raka piersi, chorób skóry i raka skóry. Ale możliwości inteligentnych, połączonych systemów wykraczają daleko poza to.

Ostatnie badania wykazały, że sztuczna inteligencja może wykrywać rzadkie choroby dziedziczne u dzieci, choroby genetyczne u niemowląt, choroby genetyczne podnoszące poziom cholesterolu, choroby neurodegeneracyjne i przewidywać pogorszenie funkcji poznawczych, które prowadzi do rozwoju choroby Alzheimera.

Doskonalenie strategii leczenia i śledzenie procesu rehabilitacji

Kierując się tą samą zasadą, co przy diagnozowaniu pacjentów, systemy AIoT mogą pomóc w opracowaniu lepszych strategii leczenia i dostosowaniu ich do potrzeb pacjenta.

Łącząc dane z protokołów leczenia, historię pacjenta i informacje o pacjencie w czasie rzeczywistym z podłączonego sprzętu i urządzeń do noszenia, inteligentne algorytmy mogą sugerować zmiany dawkowania, wykluczać możliwość rozwoju alergii u pacjenta i unikać niewłaściwego lub nadmiernego leczenia. Niektóre z podstawowych obszarów, w których AIoT ułatwia rozpiętość leczenia:

  • Skuteczniejsze leczenie COVID-19

Monitorując pacjentów, u których zdiagnozowano COVID-19 za pomocą urządzeń do noszenia z napędem AIoT, które rejestrują parametry życiowe pacjentów, lekarze mogą oferować pacjentom odpowiednie sugestie, zapewniając w ten sposób skuteczniejszą opiekę ambulatoryjną.

  • Leczenie chorób, którym towarzyszy krzepnięcie krwi

Połączone urządzenia do koagulacji pomagają mierzyć tempo tworzenia się skrzepów krwi, pomagając w ten sposób pacjentom upewnić się, że pomiary mieszczą się w ich zakresie leczenia i zmniejszając liczbę wizyt w gabinecie, ponieważ pomiary mogą być przekazywane pracownikom służby zdrowia zdalnie i w czasie rzeczywistym.

  • Lepsze zarządzanie astmą i POChP

Przewlekłe choroby układu oddechowego (POChP) dotykają około 500 milionów pacjentów na całym świecie. Aby złagodzić nasilenie tych stanów, pacjenci muszą trzymać się dokładnej rutyny, a stosowanie inhalatorów jest jej istotną częścią. Mimo to wielu pacjentów nie przestrzega zalecanych planów leczenia. Inhalatory z obsługą AIoT, które są powiązane z aplikacją mobilną, pomagają temu zapobiec, rejestrując godzinę, datę i lokalizację każdego użycia. Zebrane dane można wykorzystać do skonfigurowania automatycznych przypomnień o następnym użyciu, przewidywania ataków astmy i identyfikowania czynników wyzwalających.

  • Zoptymalizowane zarządzanie cukrzycą

W samych Stanach Zjednoczonych na cukrzycę choruje 30 milionów ludzi. A dla nich regularne pomiary glukozy zawsze były problemem. Bezprzewodowe wszczepiane glukometry z obsługą AIoT łagodzą te obawy, powiadamiając pacjentów — i lekarzy — o zmianach poziomu glukozy u pacjentów.

Optymalizacja przepływów pracy w szpitalu

AIoT może zmienić sposób funkcjonowania szpitali, poprawiając codzienne przepływy pracy w następujących kluczowych obszarach:

  • Skrócenie czasu oczekiwania

Zautomatyzowane systemy śledzenia łóżek obsługiwane przez AIoT mogą pomóc pracownikom szpitali w jak najszybszym przyjmowaniu pacjentów w nagłych wypadkach, powiadamiając ich, gdy łóżko jest wolne. Doświadczenie wczesnych użytkowników, takich jak Centrum Medyczne Mount Sinai w Nowym Jorku, udowadnia, że ​​technologia może pomóc w skróceniu czasu oczekiwania dla 50% pacjentów oddziałów ratunkowych.

  • Identyfikacja krytycznych pacjentów

Identyfikacja pacjentów wymagających natychmiastowej pomocy ma kluczowe znaczenie dla zapewnienia wysokiej jakości opieki. Aby podjąć właściwą decyzję, lekarze muszą analizować duże ilości informacji, będąc pod dużą presją. AIoT może pomóc personelowi medycznemu w ustalaniu priorytetów ich działań. Połączone systemy mogą analizować parametry życiowe pacjentów i ostrzegać lekarzy o pacjentach, których stan się pogarsza.

Kilka podobnych systemów przetestowano na oddziałach intensywnej terapii. Na przykład University of San Francisco pilotował rozwiązanie AI, które jest w stanie wykryć wczesne oznaki sepsy, śmiertelnej infekcji krwi. Wyniki badań wykazały, że pacjenci, których leczenie obejmowało sztuczną inteligencję, byli o 58% mniej narażeni na rozwój infekcji; a śmiertelność została zmniejszona o 12%.

  • Śledzenie sprzętu medycznego

Dzięki śledzeniu sprzętu z obsługą AIoT szpitale mogą zmniejszyć ryzyko utraty krytycznego sprzętu medycznego i podejmować bardziej świadome decyzje związane z zarządzaniem sprzętem, uzyskując w ten sposób 12 000 USD oszczędności na łóżko rocznie. Krytyczny sprzęt medyczny można śledzić za pomocą systemów RFID lub GPS w szpitalu i poza nim, podczas gdy personel medyczny i administracyjny może korzystać z aplikacji internetowych i mobilnych, aby szybko zlokalizować potrzebny sprzęt.

Produkcja

Włączanie konserwacji predykcyjnej

Dzięki maszynom wyposażonym w czujniki AIoT mierzące różne parametry, w tym temperaturę, ciśnienie, wibracje, prędkość obrotową i inne, producenci mogą uzyskać wgląd w czasie rzeczywistym w stan swoich zasobów i planować konserwację zgodnie z rzeczywistymi potrzebami.

Chociaż podstawowe analizy często wystarczają do wykrycia sprzętu, który zbliża się do krytycznego progu operacyjnego, sztuczna inteligencja może z wyprzedzeniem przewidywać anomalie na podstawie danych historycznych dotyczących konserwacji i napraw. W wyniku konserwacji predykcyjnej, zgodnie z raportem PwC, producenci mogą wydłużyć czas pracy sprzętu o 9%, obniżyć koszty o 12%, zmniejszyć ryzyko bezpieczeństwa o 14% i wydłużyć żywotność swoich aktywów o 20%.

Poprawa zarządzania wydajnością aktywów

Dzięki wdrożonemu systemowi AIoT producenci mogą regularnie otrzymywać informacje o wydajności ich zasobów i analizować przyczyny zmian wydajności. Większość systemów zarządzania wydajnością zasobów opartych na IoT umożliwia otrzymywanie automatycznych alertów, gdy urządzenie odbiega od ustalonych wskaźników KPI.

Z kolei silnik AI pomaga zbadać przyczyny pogorszenia wydajności, jeśli takie występują, i określić, czy zmierzone wskaźniki KPI są uzasadnione do śledzenia w każdym indywidualnym ustawieniu. Korzystając z oprogramowania do zarządzania wydajnością, producenci optymalizują wykorzystanie sprzętu i poprawiają ogólną wydajność sprzętu.

Lepsze planowanie produkcji dzięki cyfrowym bliźniakom

Według Gartnera cyfrowe bliźniaki mogą pomóc producentom uzyskać co najmniej 10% poprawę efektywności produkcji. Cyfrowa kopia zasobu, systemu lub procesu, przemysłowy cyfrowy bliźniak z obsługą AIoT, może pomóc producentom uzyskać kompleksowy wgląd w operacje produkcyjne i pomóc w szybkim wykrywaniu, a nawet przewidywaniu nieefektywności.

Przedsiębiorstwa produkcyjne korzystające z cyfrowych bliźniaków twierdzą, że mogą osiągnąć trwałe ulepszenia, w tym zwiększyć niezawodność z 93% do 99,49% w ciągu dwóch lat, zmniejszyć koszty konserwacji o 40% i zaoszczędzić 360 000 USD, przewidując awarię zasilania.

Automatyzacja operacji na hali produkcyjnej za pomocą robotyki przemysłowej

Roboty przemysłowe od dawna są częścią hali produkcyjnej. Dzięki coraz bardziej dostępnym rozwiązaniom produkcyjnym IoT roboty stają się mądrzejsze i bardziej niezależne. Wyposażona w czujniki i oparta na sztucznej inteligencji robotyka przemysłowa jest teraz w stanie podejmować świadome decyzje produkcyjne w ruchu, zwiększając w ten sposób efektywność jednostek produkcyjnych.

Motoryzacja i transport

Zarządzanie ruchem

AIoT może być wykorzystany do zmniejszenia natężenia ruchu i poprawy jakości transportu. Na przykład Taipei City skorzystało z AIoT, aby monitorować i kontrolować sprzęt sygnalizacyjny przy 25 połączeniach. W tym systemie inteligentne czujniki i kamery wideo gromadziły w czasie rzeczywistym dane o ruchu drogowym, przepływie ludzi i zajętości drogi, podczas gdy algorytmy sztucznej inteligencji analizowały te dane i stosowały odpowiednią logikę sterowania.

Podejście to pomogło administracji miejskiej zoptymalizować przepływ ruchu i zapewnić bezpieczną i płynną jazdę.

Pojazdy autonomiczne

Pojazdy autonomiczne i zaawansowane systemy wspomagania kierowcy (ADAS) są godnymi uwagi przykładami algorytmów AI interpretujących i działających na danych IoT w czasie rzeczywistym.

Samochody autonomiczne lub autonomiczne tworzą mapę swojego otoczenia na podstawie danych z różnych czujników. Na przykład czujniki radarowe monitorują położenie pobliskich pojazdów; kamery wideo wykrywają sygnalizację świetlną, znaki drogowe, inne pojazdy i pieszych; Czujniki lidarowe mierzą odległości, wykrywają krawędzie dróg i identyfikują oznaczenia pasów.

Oprogramowanie AI przetwarza następnie dane z czujników, kreśli optymalną ścieżkę i wysyła instrukcje do siłowników samochodu, które kontrolują przyspieszenie, hamowanie i kierowanie. Zakodowane zasady, algorytmy omijania przeszkód, modelowanie predykcyjne i rozpoznawanie obiektów pomagają oprogramowaniu przestrzegać zasad ruchu drogowego i poruszać się po przeszkodach.

Kluczowe wyzwania związane z wdrażaniem AIoT i sposoby ich rozwiązywania

Spośród wszystkich projektów IoT realizowanych na całym świecie 76% kończy się niepowodzeniem, a 30% z nich kończy się niepowodzeniem już w fazie Proof of Concept. Aby uniknąć kierowania inwestycji w inicjatywy skazane na upadek, firmy testujące wody AIoT powinny być świadome wspólnych wyzwań, które mogą utrudnić ich wdrażanie AIoT. Najczęściej napotykane przez firmy przeszkody obejmują:

Wyrusz w podróż AIoT bez jasnego celu. Rozpoczynając projekty AIoT, organizacje mogą dać się złapać w nowości i nie ocenić wykonalności swoich pomysłów. To z kolei może skutkować niekontrolowanym wzrostem kosztów na późniejszych etapach rozwoju i ostatecznie niezadowoleniem interesariuszy. Aby tego uniknąć, zalecamy rozpoczęcie projektu AIoT od fazy odkrywania, w której pomysły mogą być sprawdzane i ważone z ustalonymi celami biznesowymi, oczekiwaniami klientów i możliwościami organizacyjnymi.

Zmaganie się z wyborem optymalnej strategii wdrożenia. Jak wspomniano wcześniej, rozwiązania AIoT mogą być wdrażane jako systemy chmurowe, brzegowe lub hybrydowe. Podczas opracowywania strategii wdrożenia dokładnie rozważ wymagania dotyczące przepustowości, opóźnień i szybkości dla przyszłego rozwiązania i zmapuj je z ustalonymi kosztami. Ogólna zasada dotyczy wdrożeń brzegowych dla krytycznych czasowo systemów obejmujących dużą liczbę urządzeń i polegających na chmurze w przypadku, gdy minimalne opóźnienia i wysoka przepustowość są mniej krytyczne.

Powolne cykle wdrażania z trudnymi do oszacowania kosztami. Projekty AIoT wymagają długoterminowego zaangażowania. W zależności od konkretnego przypadku użycia proces wdrożenia może trwać od kilku miesięcy do kilku lat. Ponieważ krajobraz technologiczny szybko się zmienia, istnieje ryzyko, że rozwiązanie stanie się nieaktualne do czasu, gdy będzie w pełni operacyjne, a także utraci kontrolę nad kosztami wdrożenia. Aby temu zapobiec, firmy muszą być wystarczająco zwinne, aby móc wprowadzać zmiany po drodze.

Konieczność łączenia wysoce niejednorodnych i złożonych systemów. W zależności od skali przyszłego rozwiązania i branży, w której działasz, może być konieczne podłączenie wysoce heterogenicznego starszego sprzętu do AIoT. Często trudne zadanie do wykonania, wymaga zaplanowania i zrozumienia dostępnych opcji. Możesz na przykład podłączyć czujniki do starszych maszyn, połączyć je przez bramy, a nawet całkowicie je wymienić. Bez względu na podejście, zadbaj o to, aby na wczesnym etapie opracować możliwe do zrealizowania scenariusze digitalizacji.

Brak wystarczającej ilości danych do trenowania algorytmów AI. Aby generować wiarygodne informacje, algorytmy AI muszą być szkolone na ogromnych ilościach danych. Jeśli nie jest dostępny w wystarczających ilościach (lub jest dostępny, ale nie można go wykorzystać ze względu na ochronę prywatności), będziesz musiał zastosować inne strategie, aby zrekompensować brak danych. Typowe sposoby obejmują uczenie transferu (pomyśl: użycie już wytrenowanej sieci neuronowej, która rozwiązuje podobny problem), powiększanie danych (modyfikacja istniejących próbek w celu uzyskania nowych wpisów danych) lub uciekanie się do danych syntetycznych.

Walka o osiągnięcie wystarczającej wydajności systemu AIoT. Wydajność systemów AIoT zależy od szeregu czynników, w tym możliwości sprzętowych, obciążenia danych, architektury systemu, podejścia do wdrożenia i innych. Aby uniknąć problemów z wydajnością podczas działania, zaplanuj z wyprzedzeniem potencjalne obciążenia danych i odpowiednio dostosuj strategię wdrażania.

Adresowanie luk w oprogramowaniu i oprogramowaniu sprzętowym. Wiele projektów AIoT kończy się niepowodzeniem, ponieważ podczas fazy planowania nie uwzględniono bezpieczeństwa danych, urządzeń, serwerów i sieci komunikacyjnych. Jeśli masz do czynienia z bardzo wrażliwymi danymi, rozważ wdrożenia hybrydowe, w których dane są przetwarzane bliżej źródła, aby zminimalizować ryzyko ich narażenia podczas przesyłania lub w chmurze.

Jeśli nie masz odpowiedzi na pytania dotyczące Sztucznej Inteligencji Rzeczy lub zastanawiasz się nad wdrożeniem AIoT, skontaktuj się z naszymi ekspertami.

Pierwotnie opublikowany na https://itrexgroup.com 30 sierpnia 2022 r.