Nesnelerin Yapay Zekası (AIoT): Bağlı Cihazların ve Akıllı Algoritmaların Güçlü Bir Kombinasyonu

TL; DR: İçgörüler, özetlendi:

• Tüm kurumsal verilerin %60 ila %73'ü analitik için kullanılmamaktadır.
• Ortalama bir şirket, veri analizi fırsatlarını kaçırması nedeniyle gelirinin %12'sini kaybeder.
• Yapay zeka ve IoT çözümlerini birleştiren işletmeler, verilerinden faydalanabilir ve daha önce mevcut olmayan içgörüleri toplayabilir.
• AIoT, yapay zeka ve Nesnelerin İnterneti'nin bir karışımıdır. Her iki teknolojiyi birleştirmek, daha yüksek yatırım getirisi sağlayan daha verimli çözümler yaratmaya olanak tanır.
• AIoT'nin daha geniş bir kullanım alanı bulduğu sektörler sağlık, imalat, ulaşım ve diğer endüstrilerdir.

Başlangıçta makineden makineye iletişim olarak başlayan şey, neredeyse yalnızca telekom endüstrisi ile sınırlıydı, Nesnelerin İnterneti artık her yerde. Statista'ya göre 2025 yılına kadar internete bağlı cihaz sayısı 38 milyarı aşacak.

Rakam tartışılabilir, çünkü bir IoT cihazının tam olarak ne olduğu konusunda bir sınır çizmek zor. Bu nedenle, diğer raporlar daha kısıtlı rakamlar önermektedir. Düşünün: 2025 yılına kadar yaklaşık 16 milyar cihaz kullanımda.

IoT cihazlarının sayısındaki ani artış, kaçınılmaz olarak toplanan veri miktarında bir artışa yol açacaktır. IDC, küresel olarak üretilen IoT verilerinin hacminin 2025 yılına kadar 73 Zettabayta ulaşacağını bildiriyor. İşte bu noktada sorunlu hale geliyor. Değer elde etmek için toplanan bilgilerin işlenmesi ve analiz edilmesi gerekir. Bununla birlikte, çoğu kuruluş, verilerin %60 ila %73'ü analitik için kullanılmadığı için verileri kullanıma koymakta başarısız oluyor.

İyi haber şu ki, işletmeler, yapay zeka ve Nesnelerin İnterneti'nin birleşik gücünden yararlanarak üretilen verilerin daha fazlasını iş içgörülerine dönüştürebilir.

Makalede, genellikle nesnelerin yapay zekası veya AIoT olarak adlandırılan bu güçlü karışım hakkında bilmeniz gereken her şeyi ele aldık. Bu nedenle, bir Nesnelerin İnterneti geliştirme vagonuna atlamayı düşünüyorsanız, okumaya devam edin.

AIoT tam olarak nedir?

Nesnelerin Yapay Zekası (AIoT) sistemi iki bileşenden oluşur: Nesnelerin İnterneti (IoT) ve Yapay Zeka (AI).

Bu sağlam kombinasyonda, IoT'nin rolü, yapılandırılmış ve yapılandırılmamış verileri toplamak ve bağlı şeyler ile kullanıcı arasında iletişimi sağlamaktır.

AI ile güçlendirildiğinde, büyük miktarda veride karmaşık karşılıklı bağımlılıkları bulabilen ve buna dayalı olarak belirli eylemleri tanımlayabilen, tahmin edebilen ve öngörebilen algoritmalar - bir IoT sistemi, insan benzeri zeka kazanır ve daha çeşitli görevleri çözmek için uygulanabilir. . Bunlar, doğal dili “anlamak”, kullanıcıların ihtiyaçlarını tahmin etmek ve bağlı bir cihazın davranışını buna göre ayarlamak ve daha fazlasını kapsayabilir.

AIoT pazarı şu anda yükselişte. Son araştırmalar, 2026 yılına kadar 102.2 milyar dolara ulaşacağını tahmin ediyor. Ve bunun nedeni çok açık: AI, gelişmiş karar verme yoluyla IoT'ye değer katarken, IoT, AI için bağlantı ve sorunsuz veri alışverişi yoluyla değer elde etmek için bir platform sağlar.

Nesnelerin Yapay Zekası nasıl çalışır?

AIoT sistemleri iki şekilde uygulanabilir:

• Bulut tabanlı sistemler olarak
• Bağlı cihazlarda çalışan uç sistemler olarak.

Bir AIoT sisteminin mimarisi, uygulama stratejisine bağlı olarak değişecektir.

Bulut tabanlı AIoT

Bulut tabanlı yaklaşımla, bir AIoT çözümünün temel mimarisi şöyle görünür:

• Cihaz katmanı: çeşitli donanım cihazları (hareketlilik, etiketler/işaretçiler, sensörler, sağlık ve fitness cihazları, araçlar, üretim ekipmanları, gömülü cihazlar)
• Bağlantı katmanı: alan ve bulut ağ geçitleri
• Bulut katmanı: veri depolama, veri işleme (AI motoru), veri görselleştirme, analitik, API aracılığıyla veri erişimi
• Kullanıcı iletişim katmanı*: web portalları ve mobil uygulamalar*

Edge AIoT

Uç analitiği ile, toplanan veriler kaynağa daha yakın işlenir - ister bağlı cihazlarda ister saha ağ geçitlerinde.

• Toplama terminal katmanı: Mevcut güç hatları üzerinden ağ geçidine bağlı çeşitli donanım cihazları (hareketlilik, etiketler/işaretçiler, sensörler, sağlık ve fitness cihazları, araçlar, üretim ekipmanları, gömülü cihazlar)
• Kenar katmanı: veri depolama, veri işleme (AI motoru), içgörü oluşturma tesisleri

Bununla birlikte, uç odaklı uygulamalar, bulutun varlığını dışlamaz. Bulut tabanlı veri depolama, örneğin, uç AI'yı eğitmek veya yeniden eğitmek için gereken sistemin performansı veya bağlamsal bilgiler hakkında meta verileri toplamak için kullanılabilir (düşün: bulut ve uç içeren AI iş akışlarını oluşturmak için bir paradigma, ikincisi şunlardan oluşur). fiziksel şeylere daha yakın olan bulut dışındaki cihazlar.)

AIoT'nin farklı sektörlerdeki en iyi uygulamaları

Yeni yazılım araçlarının mevcudiyeti, basitleştirilmiş yapay zeka çözümlerinin geliştirilmesi, yapay zekanın eski sistemlere dahil edilmesi ve donanım destekli yapay zeka algoritmalarındaki gelişmeler gibi bir dizi faktör tarafından yönlendirilen Nesnelerin Yapay Zekası, birçok sektörde sürünmektedir. AIoT tarafından sağlanan fırsatlardan halihazırda yararlanan sektörlerin bir özetini burada bulabilirsiniz - en umut verici kullanım örnekleri vurgulanmıştır.

Sağlık hizmeti

Teşhis yardımı

AIoT, sağlık hizmeti sağlayıcılarının daha kesin teşhis kararları vermesine yardımcı olabilir. Akıllı sağlık hizmeti IoT çözümleri, teşhis ekipmanından giyilebilir cihazlara ve elektronik sağlık kayıtlarına kadar çeşitli kaynaklardan hasta verilerini alır ve doktorların bir hastayı doğru şekilde teşhis etmesine yardımcı olmak için bu verileri çapraz analiz eder.

Yapay zeka tabanlı tıbbi çözümler, çeşitli teşhis alanlarında halihazırda insan sağlığı uzmanlarını geride bırakıyor. Dünyanın dört bir yanındaki radyologlar, kanser taramaları için AI'nın yardımına güveniyor.

Nature Medicine tarafından yayınlanan bir çalışmada, AI, hastaların akciğer kanseri olup olmadığını belirlemede altı radyologdan daha iyi performans gösterdi. Ulusal Sağlık Enstitüsü'nün klinik deney veri kayıtlarından alınan 42.000 hasta taraması üzerinde eğitilen algoritma, insan benzerlerine göre %5 daha fazla kanser vakası tespit etti ve yanlış pozitiflerin sayısını %11 oranında azalttı. Yanlış pozitiflerin akciğer kanseri teşhisinde belirli bir sorun teşkil ettiğini belirtmekte fayda var: JAMA Internal Medicine'nin 2100 hasta üzerinde yaptığı araştırma, %97,5'lik bir yanlış pozitif oranı belirtiyor. Böylece, AI, önemli teşhis problemlerinden birinin ele alınmasına yardımcı olur.

AIoT sistemleri meme kanseri, cilt hastalıkları ve cilt kanserini teşhis ederken eşit derecede iyi performans gösterir. Ancak akıllı, bağlantılı sistemlerin olanakları bunun çok ötesine uzanıyor.

Son araştırmalar, AI'nın çocuklarda nadir görülen kalıtsal hastalıkları, bebeklerde genetik hastalıkları, kolesterolü yükselten genetik hastalıkları, nörodejeneratif hastalıkları tespit edebileceğini ve Alzheimer hastalığına yol açan bilişsel gerilemeyi tahmin edebileceğini göstermiştir.

Tedavi stratejilerinin iyileştirilmesi ve rehabilitasyon sürecinin takibi

AIoT sistemleri, hastaların teşhisinde olduğu gibi aynı prensibi izleyerek daha iyi tedavi stratejileri geliştirmeye ve bunları hastanın ihtiyaçlarına göre ayarlamaya yardımcı olabilir.

Tedavi protokollerinden, hastanın geçmişinden ve bağlı ekipman ve giyilebilir cihazlardan gelen gerçek zamanlı hasta bilgilerini bir araya getiren akıllı algoritmalar, dozaj ayarlamaları önerebilir, bir hastanın alerji geliştirme olasılığını ortadan kaldırabilir ve uygunsuz veya aşırı tedaviden kaçınabilir. AIoT'nin tedavi süresini kolaylaştırdığı temel alanlardan bazıları:

• Daha etkili COVID-19 tedavisi

Doktorlar, hastaların yaşamsal belirtilerini kaydeden AIoT destekli giyilebilir cihazlar aracılığıyla COVID-19 teşhisi konan hastaları izleyerek hastalara gerekli önerilerde bulunabilir ve böylece daha etkili ayakta tedavi hizmeti sağlayabilir.

• Kan pıhtılaşmasının eşlik ettiği hastalıkların tedavisi

Bağlantılı pıhtılaşma cihazları, kan pıhtılarının oluşma hızını ölçmeye yardımcı olur, böylece hastaların ölçümlerin tedavi aralığında olduğundan emin olmalarına yardımcı olur ve ölçümler sağlık hizmeti sağlayıcılarına uzaktan ve gerçek zamanlı olarak iletilebildiğinden ofise yapılan ziyaretlerin sayısını azaltır.

• Daha iyi astım ve KOAH yönetimi

Kronik solunum yolu hastalıkları (KOAH) dünya çapında yaklaşık 500 milyon hastayı etkilemektedir. Bu durumların ciddiyetini azaltmak için hastalar kapsamlı bir rutine bağlı kalmalıdır ve inhaler kullanmak bunun önemli bir parçasıdır. Yine de birçok hasta önerilen tedavi planlarına uymamaktadır. Bir mobil uygulamaya bağlı AIoT özellikli inhalatörler, her kullanımın saatini, tarihini ve yerini kaydederek bunu önlemeye yardımcı olur. Toplanan veriler, bir sonraki kullanım için otomatik hatırlatıcılar ayarlamak, astım ataklarını tahmin etmek ve tetikleyici faktörleri belirlemek için kullanılabilir.

• Optimize edilmiş diyabet yönetimi

Yalnızca ABD'de 30 milyon insan diyabetten etkileniyor. Ve onlar için düzenli glikoz ölçümleri her zaman bir endişe kaynağı olmuştur. AIoT özellikli kablosuz implante edilebilir glikoz ölçerler, hastaları ve doktorları hastaların glikoz seviyelerindeki değişiklikler konusunda bilgilendirerek bu endişeleri hafifletir.

Hastane iş akışlarını optimize etme

AIoT, hastanelerin çalışma şeklini değiştirerek aşağıdaki temel alanlarda günlük iş akışlarını iyileştirebilir:

• Bekleme sürelerini azaltmak

AIoT tarafından desteklenen otomatik yatak takip sistemleri, hastane çalışanlarının bir yatağın boş olduğunu bildirerek acil hastaları mümkün olan en kısa sürede kabul etmelerine yardımcı olabilir. New York'taki Mt. Sinai Tıp Merkezi gibi erken benimseyenlerin deneyimi, teknolojinin acil servis hastalarının %50'sinin bekleme sürelerini azaltmaya yardımcı olabileceğini kanıtlıyor.

• Kritik hastaları belirleme

Acil bakıma ihtiyacı olan hastaların belirlenmesi, kaliteli bakımın sağlanmasında kritik öneme sahiptir. Doğru kararı vermek için, doktorların önemli bir baskı altındayken büyük miktarda bilgiyi analiz etmesi gerekir. AIoT, tıbbi personele çabalarına öncelik verme konusunda yardım eli uzatabilir. Bağlantılı sistemler, hastaların hayati durumlarını analiz edebilir ve durumu kötüleşen hastaların doktorlarını uyarabilir.

Birkaç benzer sistem yoğun bakım ünitelerinde test edildi. Örneğin, San Francisco Üniversitesi, ölümcül bir kan enfeksiyonu olan sepsisin erken belirtilerini tespit edebilen bir AI çözümüne pilotluk yaptı. Araştırma sonuçları, tedavileri AI içeren hastaların enfeksiyon geliştirme olasılığının %58 daha az olduğunu gösterdi; ve ölüm oranı %12 azaltıldı.

• Tıbbi ekipman takibi

AIoT özellikli ekipman takibi ile hastaneler, kritik tıbbi ekipmanı kaybetme riskini azaltabilir ve daha bilinçli ekipman yönetimi kararları alabilir, böylece yatak başına yıllık 12.000 $ tasarruf sağlayabilir. Kritik tıbbi ekipmanlar, hastane içinde ve dışında RFID veya GPS sistemleri ile takip edilebilirken, tıbbi ve idari personel, ihtiyaç duyulan ekipmanı hızlı bir şekilde bulmak için web ve mobil uygulamaları kullanabilir.

Üretme

Tahmine dayalı bakımı etkinleştirme

Sıcaklık, basınç, titreşim, dönüş hızı ve daha fazlası dahil olmak üzere çeşitli parametreleri ölçen AIoT sensörleriyle donatılmış makinelerle üreticiler, varlıklarının sağlığı hakkında gerçek zamanlı bilgiler alabilir ve gerçek ihtiyaca göre bakım planlayabilir.

Temel analiz, kritik bir çalışma eşiğine yaklaşan ekipmanı tespit etmek için genellikle yeterli olsa da, yapay zeka, geçmiş bakım ve onarım verilerine dayanarak anormallikleri önceden tahmin edebilir. Bir PwC raporuna göre, kestirimci bakımın bir sonucu olarak, üreticiler ekipmanın çalışma süresini %9 oranında iyileştirebilir, maliyetleri %12 oranında azaltabilir, güvenlik risklerini %14 oranında azaltabilir ve varlıklarının ömrünü %20 oranında uzatabilir.

Varlık performans yönetiminin iyileştirilmesi

Bir AIoT sistemi ile üreticiler, varlıklarının ne kadar iyi performans gösterdiğine dair düzenli güncellemeler alabilir ve performans değişikliklerinin nedenlerini ayrıntılı olarak inceleyebilir. IoT tabanlı varlık performansı yönetim sistemlerinin çoğu, bir ekipman parçası belirlenen KPI'lardan saptığında otomatik uyarılar alınmasına izin verir.

AI motoru ise, varsa, performans düşüşünün nedenlerini araştırmaya ve ölçülen KPI'ların her bir ayarda takip edilmesinin makul olup olmadığını belirlemeye yardımcı olur. Üreticiler, performans yönetimi yazılımını kullanarak ekipman kullanımını optimize eder ve genel ekipman etkinliğini artırır.

Dijital ikizlerle üretim planlamasını artırma

Gartner'a göre dijital ikizler, üreticilerin üretim verimliliğinde minimum %10'luk bir iyileşme elde etmesine yardımcı olabilir. Bir varlığın, sistemin veya sürecin dijital bir kopyası, endüstriyel, AIoT özellikli bir dijital ikiz, üreticilerin atölye operasyonlarında uçtan uca görünürlük kazanmasına ve verimsizlikleri zamanında tespit etmesine ve hatta tahmin etmesine yardımcı olabilir.

Dijital ikizleri kullanan üretim işletmeleri, iki yıl içinde güvenilirlikte %93'ten %99,49'a artış, alım bakımını %40 oranında azaltma ve bir elektrik kesintisi öngördüğünde 360.000 $ tasarruf dahil olmak üzere kalıcı iyileştirmeler elde edebileceklerini belirtiyorlar.

Endüstriyel robotik aracılığıyla atölye operasyonlarını otomatikleştirme

Endüstriyel robotlar uzun süredir atölyenin bir parçası. Üretim IoT çözümlerinin daha erişilebilir hale gelmesiyle robotlar daha akıllı ve daha bağımsız hale geliyor. Sensörlerle donatılan ve yapay zekaya dayanan endüstriyel robotik artık hareket halindeyken iyi bilgilendirilmiş üretim kararları alabiliyor ve böylece üretim birimlerinin etkinliğini artırıyor.

Otomotiv ve Taşımacılık

Trafik Yönetimi

AIoT, trafik sıkışıklığını azaltmak ve ulaşım kalitesini artırmak için kullanılabilir. Örneğin Taipei City, 25 bağlantıda sinyal ekipmanlarını izlemek ve kontrol etmek için AIoT'den yararlandı. Bu sistemde akıllı sensörler ve video kameralar trafik, insan akışı ve yol doluluğu hakkında gerçek zamanlı veriler toplarken, yapay zeka algoritmaları bu verileri analiz edip uygun kontrol mantığı uyguladı.

Yaklaşım, şehir yönetiminin trafik akışını optimize etmesine ve güvenli ve sorunsuz bir sürüş deneyimi sağlamasına yardımcı oldu.

Kendi kendine giden araçlar

Kendi kendini süren araçlar ve gelişmiş sürücü yardım sistemleri (ADAS), gerçek zamanlı IoT verilerini yorumlayan ve bu veriler üzerinde hareket eden AI algoritmalarının dikkate değer örnekleridir.

Kendi kendini süren veya otonom arabalar, çeşitli sensörlerden gelen verilere dayanarak çevrelerinin bir haritasını oluşturur. Örneğin radar sensörleri yakındaki araçların konumunu izler; video kameralar trafik ışıklarını, yol işaretlerini, diğer araçları ve yayaları algılar; lidar sensörleri mesafeleri ölçer, yol kenarlarını tespit eder ve şerit işaretlerini tanımlar.

AI yazılımı daha sonra sensör verilerini işler, en uygun yolu çizer ve aracın hızlanma, frenleme ve direksiyonu kontrol eden aktüatörlerine talimatlar gönderir. Sabit kodlanmış kurallar, engellerden kaçınma algoritmaları, tahmine dayalı modelleme ve nesne tanıma, yazılımın trafik kurallarını izlemesine ve engellerde gezinmesine yardımcı olur.

AIoT uygulama zorlukları ve bunların nasıl çözüleceği

Küresel olarak uygulanan tüm IoT projelerinin %76'sı başarısız olurken, %30'u Kavram Kanıtı aşamasında olduğu gibi erken başarısız oluyor. Yatırımları çökmeye mahkum girişimlere yönlendirmekten kaçınmak için AIoT sularını test eden şirketler, AIoT uygulamalarını engelleyebilecek ortak zorlukların farkında olmalıdır. İşletmelerin en sık karşılaştığı engeller şunlardır:

Akılda net bir hedef olmadan bir AIoT yolculuğuna çıkmak. AIoT projelerini başlatan kuruluşlar, yeniliğe kapılabilir ve fikirlerinin fizibilitesini değerlendiremeyebilir. Bu da, geliştirmenin sonraki aşamalarında kontrolsüz maliyet dalgalanmalarına ve nihayetinde memnuniyetsiz paydaşlara neden olabilir. Bunu önlemek için, AIoT projenize fikirlerin incelenip belirlenen iş hedeflerine, müşteri beklentilerine ve organizasyonel yeteneklere göre değerlendirilebileceği bir keşif aşamasıyla başlamanızı öneririz.

Optimal bir uygulama stratejisi seçme mücadelesi. Daha önce de belirtildiği gibi, AIoT çözümleri bulut, uç veya hibrit sistemler olarak uygulanabilir. Uygulama stratejisinin taslağını oluştururken, gelecekteki çözüm için bant genişliği, gecikme ve hız gereksinimlerini dikkatlice tartın ve bunları belirlenen maliyetlerle eşleştirin. Temel kural, çok sayıda cihazı kapsayan ve minimum gecikme süresi ve yüksek bant genişliğinin daha az kritik olması durumunda buluta dayanan, zaman açısından kritik sistemler için uç dağıtımlar için gidiyor.

Tahmin edilmesi zor maliyetlerle yavaş dağıtım döngüleri. AIoT projeleri uzun vadeli bir taahhüt gerektirir. Belirli bir kullanım durumuna bağlı olarak, uygulama süreci birkaç aydan birkaç yıla kadar sürebilir. Teknoloji ortamının hızla değişmesiyle birlikte, bir çözümün tam olarak faaliyete geçtiğinde güncelliğini yitirmesi ve aynı zamanda uygulama maliyetleri üzerindeki kontrolü kaybetmesi riski vardır. Bunu önlemek için, işletmelerin yol boyunca değişiklikleri uygulamaya koyabilecek kadar çevik olmaları gerekir.

Son derece heterojen ve karmaşık sistemleri bağlama ihtiyacı. Gelecekteki çözümünüzün ölçeğine ve faaliyet gösterdiğiniz sektöre bağlı olarak, oldukça heterojen eski ekipmanı AIoT'ye bağlamanız gerekebilir. Genellikle başarılması zor bir görevdir, mevcut seçeneklerin planlanması ve anlaşılması gerekir. Örneğin, eski makinelere sensörler eklemeyi, onları ağ geçitleri aracılığıyla bağlamayı veya hatta hepsini değiştirmeyi seçebilirsiniz. Yaklaşım ne olursa olsun, uygulanabilir dijitalleştirme senaryolarını erkenden hazırladığınızdan emin olun.

AI algoritmalarını eğitmek için yeterli veriye sahip olmamak. Güvenilir içgörüler oluşturmak için yapay zeka algoritmalarının çok büyük miktarda veri üzerinde eğitilmesi gerekir. Yeterli miktarda mevcut değilse (veya mevcut olmasına rağmen gizlilik nedeniyle kullanılamıyorsa), veri eksikliğini telafi etmek için başka stratejiler kullanmanız gerekecektir. Yaygın yöntemler arasında transfer öğrenimi (düşün: benzer bir sorunu çözen önceden eğitilmiş bir sinir ağı kullanmak), veri büyütme (yeni veri girişleri elde etmek için mevcut örnekleri değiştirmek) veya sentetik verilere başvurmak yer alır.

AIoT sisteminin yeterli performansını elde etmek için mücadele etmek. AIoT sistemlerinin performansı, donanım yetenekleri, veri yükü, sistem mimarisi, uygulama yaklaşımı ve daha fazlasını içeren bir dizi faktöre bağlıdır. Operasyonda performans sorunlarından kaçınmak için olası veri yüklerini önceden planlayın ve uygulama stratejisini buna göre ayarlayın.

Yazılım ve ürün yazılımı güvenlik açıklarını ele alma. Birçok AIoT projesi, planlama aşamasında verilerin, cihazların, sunucuların ve iletişim ağlarının güvenliği dikkate alınmadığından başarısız olur. Son derece hassas verilerle ilgileniyorsanız, verilerin kaynağa daha yakın işlendiği hibrit dağıtımları düşünün, böylece aktarım sırasında veya bulutta tehlikeye girme riski en aza indirilir.

Nesnelerin Yapay Zekası hakkında yanıtlanmamış sorularınız varsa veya zaten bir AIoT uygulama yolculuğuna çıkmayı düşünüyorsanız, uzmanlarımızla iletişime geçin.

İlk olarak 30 Ağustos 2022'de https://itrexgroup.com'da yayınlandı.