AI встречает IoT: что такое искусственный интеллект вещей

Средняя компания теряет 12% своего дохода из-за того, что упускает возможности анализа данных. От 60% до 73% всех корпоративных данных не используются для аналитики. Сочетая решения AI и IoT, предприятия могут использовать свои данные и получать информацию, которая ранее была недоступна. К 2025 году количество устройств, подключенных к интернету, превысит 38 миллиардов. Объединение обеих технологий позволяет создавать более эффективные решения, повышающие рентабельность инвестиций. В этой статье рассмотрим подробно, что из себя представляет искусственный интеллект вещей и в каких сферах он применим.

Генерация данных в бизнес-идеи

AIoT — это сочетание искусственного интеллекта и Интернета вещей. Объединение обеих технологий позволяет создавать более эффективные решения, повышающие рентабельность инвестиций. Сектора, в которых AIoT нашел более широкое применение, охватывают здравоохранение, производство, транспорт и другие отрасли.

То, что первоначально начиналось как межмашинное общение, ограниченное почти исключительно телекоммуникационной отраслью, Интернет вещей теперь повсюду. К 2025 году количество устройств, подключенных к Интернету, превысит 38 миллиардов. Однако эта цифра спорна, поскольку трудно провести грань относительно того, что именно представляет собой устройство IoT. Другие отчеты предлагают более сдержанные цифры.

Резкий рост количества устройств IoT неизбежно приведет к увеличению объемов собираемых данных. IDC сообщает, что к 2025 году объемы данных Интернета вещей, генерируемых во всем мире, достигнут 73 зеттабайт. И вот здесь возникают проблемы. Собранная информация должна быть обработана и проанализирована для повышения эффективности. Однако большинству предприятий не удается использовать данные: от 60% до 73% из них не используются для аналитики.

Что такое AIoT?

Система искусственного интеллекта вещей (AIoT) состоит из двух компонентов: Интернета вещей (IoT) и искусственного интеллекта (ИИ). В этой надежной комбинации роль IoT заключается в накоплении структурированных и неструктурированных данных и обеспечении связи между подключенными вещами и пользователем.

В сочетании с искусственным интеллектом — алгоритмами, способными находить сложные взаимозависимости в огромном количестве данных и описывать, предсказывать, а также предписывать определенные действия на их основе — система IoT приобретает интеллект, подобный человеческому, и может применяться для решения более широкого круга задач. Они могут охватывать "понимание" естественного языка, прогнозирование потребностей пользователей и соответствующую настройку поведения подключенного устройства и многое другое.

Рынок AIoT в настоящее время находится на подъеме. По оценкам недавних исследований, к 2026 году он достигнет 102,2 миллиарда долларов. И совершенно понятно почему: ИИ повышает ценность Интернета вещей за счет улучшения процесса принятия решений, а Интернет вещей предоставляет платформу для повышения ценности ИИ за счет подключения и беспрепятственного обмена данными.

Как работает искусственный интеллект вещей?

Системы AIoT могут быть реализованы двумя способами.

Как облачные системы и как пограничные системы, работающие на подключенных устройствах. Архитектура системы AIoT будет варьироваться в зависимости от стратегии внедрения.

Облачный Интернет вещей

При облачном подходе базовая архитектура решения AIoT выглядит следующим образом:

  • Уровень устройств: различные аппаратные устройства (мобильность, метки/маяки, датчики, устройства для здоровья и фитнеса, транспортные средства, производственное оборудование, встроенные устройства)
  • Уровень подключения: полевые и облачные шлюзы
  • Облачный уровень: хранение данных, обработка данных (движок AI), визуализация данных, аналитика, доступ к данным через API
  • Слой взаимодействия с пользователем: веб-порталы и мобильные приложения

Пограничный Интернет вещей

  • Благодаря периферийной аналитике собранные данные обрабатываются ближе к источнику — будь то на подключенных устройствах или полевых шлюзах.
  • Терминальный уровень сбора: различные аппаратные устройства (мобильность, метки/маяки, датчики, устройства для здоровья и фитнеса, транспортные средства, производственное оборудование, встроенные устройства), подключенные к шлюзу по существующим линиям электропередач.
  • Пограничный уровень: средства для хранения данных, обработки данных (механизм искусственного интеллекта), генерация идей.

Однако реализации, ориентированные на периферию, не исключают присутствия облака. Облачное хранилище данных можно, например, использовать для сбора метаданных о производительности системы или контекстной информации, необходимой для обучения или переобучения периферийного ИИ. Парадигма создания рабочих процессов ИИ, включающая облако и периферию, причем последняя состоит из устройства вне облака, которые ближе к физическим вещам.

Ключевые проблемы внедрения AIoT и способы их решения

Из всех проектов Интернета вещей, реализованных по всему миру, 76 % терпят неудачу, причем 30 % из них терпят неудачу уже на этапе подтверждения концепции. Чтобы избежать направления инвестиций в инициативы, которые обречены на крах, компании, тестирующие воды AIoT, должны знать об общих проблемах, которые могут помешать их реализации. Препятствия, с которыми чаще всего сталкиваются предприятия, включают:

Начало пути к AIoT без четкой цели. Запуская проекты AIoT, организации могут увлечься новизной и не оценить осуществимость своих идей. Это, в свою очередь, может привести к неконтролируемому росту затрат на последних этапах разработки и, в конечном счете, к недовольству заинтересованных сторон. Чтобы избежать этого, мы советуем начинать проект AIoT с этапа исследования, на котором идеи могут быть проверены и сопоставлены с поставленными бизнес-целями, ожиданиями клиентов и организационными возможностями.

Борьба за выбор оптимальной стратегии реализации. Как было сказано ранее, решения AIoT могут быть реализованы в виде облачных, пограничных или гибридных систем. При разработке стратегии внедрения тщательно взвесьте требования к пропускной способности, задержке и скорости для будущего решения и сопоставьте их с установленными затратами. Эмпирическим правилом является периферийное развертывание для критичных ко времени систем, охватывающих большое количество устройств и использующих облако в случае, если минимальная задержка и высокая пропускная способность менее важны.

Медленные циклы развертывания с трудно поддающимися оценке затратами. Проекты AIoT требуют долгосрочных обязательств. В зависимости от конкретного варианта использования, процесс внедрения может занять от нескольких месяцев до нескольких лет. Поскольку технологический ландшафт быстро меняется, существует риск того, что решение устареет к тому времени, когда оно будет полностью введено в эксплуатацию, а также потеря контроля над затратами на внедрение. Чтобы предотвратить это, предприятия должны быть достаточно гибкими, чтобы иметь возможность вносить изменения на этом пути.

Необходимость соединения сильно разнородных и сложных систем. В зависимости от масштаба вашего будущего решения и отрасли, в которой вы работаете, вам может потребоваться подключить к AIoT очень разнородное устаревшее оборудование. Часто трудновыполнимая задача требует планирования и понимания доступных вариантов. Например, вы можете подключить датчики к устаревшим машинам, подключить их через шлюзы или даже полностью заменить. Независимо от подхода, убедитесь, что вы заранее разработали возможные сценарии оцифровки.

Недостаточно данных для обучения алгоритмов ИИ. Чтобы генерировать надежную информацию, алгоритмы ИИ необходимо обучать на огромных объемах данных. Если они недоступны в достаточном количестве (или доступны, но не могут быть использованы из соображений конфиденциальности), вам придется использовать другие стратегии, чтобы компенсировать нехватку данных. Распространенные способы включают в себя трансферное обучение (подумайте: использование уже обученной нейронной сети, которая решает аналогичную проблему), увеличение данных (модификация существующих образцов для получения новых записей данных) или обращение к синтетическим данным.

Борьба за достижение достаточной производительности системы AIoT. Производительность систем AIoT зависит от множества факторов, включая возможности оборудования, загрузку данных, архитектуру системы, подход к реализации и многое другое. Чтобы избежать проблем с производительностью при работе, заранее спланируйте потенциальные загрузки данных и соответствующим образом настройте стратегию внедрения.

Устранение уязвимостей программного и микропрограммного обеспечения. Многие проекты AIoT терпят неудачу из-за того, что на этапе планирования не учитывалась безопасность данных, устройств, серверов и сетей связи. Если вы имеете дело с очень конфиденциальными данными, рассмотрите возможность гибридного развертывания, когда данные обрабатываются ближе к источнику, поэтому риск их компрометации во время передачи или в облаке сводится к минимуму.

Вывод

Сочетая решения на основе искусственного интеллекта и Интернета вещей, предприятия могут использовать свои данные и извлекать ценную информацию, которая ранее была недоступна. Хорошая новость заключается в том, что предприятия могут превратить больше сгенерированных данных в бизнес-идеи, используя объединенную мощь искусственного интеллекта и Интернета вещей.