最初，机器对机器的通信几乎仅限于电信行业，而今天，物联网无处不在。根据Statista的数据，到2025年，连接到互联网的设备数量预计将超过380亿台。物联网设备数量的急剧增加必然导致收集的数据量相应增加。IDC报告称，到2025年，全球产生的物联网数据量将达到73Zettabytes。这就是问题所在，需要分析收集的数据以获得价值。然而，大多数企业都没有充分利用数据，其中60%到73%的数据未被使用。好消息是，企业可以利用人工智能和物联网的综合力量将数据转化为商业洞察力。在本文中，我们描述了这个强大组合的所有元素。这种组合通常被称为AIoT。什么是智能物联网？AIoT系统由两部分组成：物联网(IoT)和人工智能(AI)。在这种强大的组合中，物联网的作用是收集结构化和非结构化数据，并实现互联事物和用户之间的通信。当被人工智能放大时，物联网系统获得类人智能，可用于解决更广泛的任务。这些任务的范围从“理解”自然语言到预测用户需求并相应地调整连接设备的行为。AIoT市场目前正在兴起。最近的研究估计到2026年将达到1022亿美元。原因很简单：人工智能通过改进决策为物联网增加价值，而物联网为人工智能提供了一个平台，通过连接和无缝数据交换来推动价值。AIoT是如何工作的？AIoT系统可以通过两种方式实施：作为基于云的系统作为在连接设备上运行的边缘系统AIoT系统的架构将根据实施策略而有所不同。基于云的AIoT采用基于云的方法，AIoT解决方案的基本架构如下：设备层：各种硬件设备（移动设备、标签/信标、传感器、健康和健身设备、车辆、生产设备、嵌入式设备)连接层：现场网关和云网关云层：数据存储、数据处理（AI引擎）、数据可视化、分析、通过API获取数据用户交互层：门户网站和移动应用边缘AIoT通过边缘分析，收集数据在更靠近源头的地方进行处理——无论是在联网设备上还是在现场的网关上。采集终端层：连接到网关的各种硬件设备（手机、标签/信标、传感器、健康和健身设备、车辆、生产设备、嵌入式设备）边缘层：用于数据存储、数据处理（AI引擎）以边缘为中心的实现但是，不排除云计算，例如，基于云的数据存储可用于收集有关系统性能的元数据或训练边缘人工智能所需的上下文信息。AIoT在不同领域的流行应用在新软件工具的可用性、简化的AI解决方案的开发、AI对传统系统的注入以及支持AI算法的硬件进步等诸多因素的推动下，AIoT在许多悄然出现的领域中蓄势待发。场地。以下是一些已经在利用AIoT的行业——最有前途的用例备受关注。医疗保健诊断辅助AIoT可以帮助医疗保健提供者做出更精确的诊断决策。智能医疗保健物联网解决方案从各种来源获取患者数据——从诊断设备到可穿戴设备再到电子健康记录——并全面分析这些数据，以帮助医生正确诊断患者。基于人工智能的医疗解决方案在多个诊断领域的表现已经优于人类医疗保健专业人员。全球的放射科医生都依靠人工智能的帮助进行癌症筛查。在《自然医学》杂志上发表的一项研究中，人工智能在确定患者是否患有肺癌方面的表现优于六名放射科医生。该算法根据NIH临床试验数据记录中的42,000名患者资料进行训练，发现的癌症病例比人类同行多5%，并将误报数量减少了11%。值得一提的是，假阳性是诊断肺癌的一个特殊问题：AMAInternalMedicine对2,100名患者进行的一项研究显示，假阳性率为97.5%。因此，人工智能有助于解决关键的诊断问题。AIoT系统同样擅长诊断乳腺癌、皮肤病学和皮肤癌。然而，智能互联系统的可能性远远不止于此。最近的研究表明，人工智能可以检测儿童罕见的遗传病、婴儿的遗传病、胆固醇升高的遗传病、神经退行性疾病，并预测导致阿尔茨海默病的认知能力下降。改善治疗策略和跟踪康复过程遵循与诊断患者相同的原则，AIoT系统可以帮助制定更好的治疗策略并根据患者的需求进行调整。结合来自治疗方案的数据、患者的病史以及来自连接设备和可穿戴设备的实时患者信息，智能算法可以推荐剂量调整，排除患者过敏，并避免不适当或过度治疗。AIoT可以促进治疗的一些重要领域包括：治疗凝血疾病、更好地管理哮喘和慢性呼吸系统疾病、更有效地治疗COVID-19、优化糖尿病管理等。优化医院工作流程AIoT可以改变方式医院的运营在以下关键领域改进了日常工作流程：减少等待时间由AIoT提供支持的自动床位跟踪系统可以在床位空闲时通知医院工作人员，从而允许更多患者入院。纽约西奈山医疗中心等早期采用者的经验证明，技术可以帮助将急诊室患者的等待时间减少50%。识别重症患者识别需要立即治疗的患者对于提供优质护理至关重要。为了做出正确的决定，医生需要在巨大的压力下分析大量的信息，而AIoT可以帮助医务人员确定工作的优先级。连接的系统可以分析患者的生命体征，并提醒医生患者的病情正在恶化。几个类似的系统已经在重症监护室进行了测试。例如，旧金山大学试行了一种人工智能解决方案，能够检测败血症的早期迹象，这是一种致命的血液感染。研究结果表明，接受AI治疗的患者感染的可能性降低了58%，死亡的可能性降低了12%。跟踪医疗设备借助支持AIoT的设备跟踪，医院可以降低丢失关键医疗设备的风险并做出更明智的设备管理决策，每年每张病床可节省12,000美元。重要的医疗设备可以通过RFID或GPS系统在医院内外进行跟踪，而医疗和行政人员可以使用WEB和移动应用快速定位所需设备。在制造业中实现预测性维护通过配置AIoT传感器，机器可以测量各种参数，包括温度、压力、振动、转速等，制造商可以实时了解其资产的健康状况，并根据实际需要安排维护。虽然基本分析通常足以检测接近关键操作阈值的设备，但人工智能可以根据历史维护和维修数据提前预测异常情况。根据普华永道的一份报告，通过预测性维护，制造商可以将设备正常运行时间提高9%，将成本降低12%，将安全风险降低14%，并将资产的使用寿命延长20%。.改善资产绩效管理借助AIoT系统，制造商可以定期更新资产绩效并深入了解绩效变化的原因。大多数基于物联网的资产性能管理系统允许在设备偏离设定的KPI时自动发出警报通知。反过来，人工智能引擎有助于挖掘性能下降的原因（如果有的话），并确定在每个单独设置中跟踪的KPI是否有意义。使用性能管理软件，制造商可以优化设备利用率并提高整体设备效率。使用数字双胞胎促进生产计划据Gartner称，数字双胞胎可以帮助制造商提高至少10%的生产效率。资产、系统或流程的数字副本，支持工业AIoT的数字双胞胎，可以帮助制造商获得车间运营的端到端可见性，并帮助及时检测甚至预测低效率。使用数字双胞胎的制造公司表示，他们可以实现持久的改进，包括在两年内将可靠性从93%提高到99.49%，并将维护需求减少40%。使用工业机器人实现车间自动化操作工业机器人长期以来一直是车间的一部分。随着生产物联网解决方案变得更容易获得，机器人变得更加智能和独立。配备传感器并依靠人工智能的工业机器人现在能够在移动中做出明智的生产决策，从而提高制造单元的效率。汽车与交通交通管理AIoT可用于缓解交通拥堵并改善交通质量。例如，台北市使用AIoT监控25个路口的信号设备。在这个系统中，智能传感器和摄像头收集有关交通、行人流量和道路占用的实时数据，而人工智能算法则分析数据并应用适当的控制逻辑。这种方法有助于城市当局优化交通流量并确保安全顺畅的驾驶体验。自动驾驶汽车自动驾驶汽车和高级驾驶员辅助系统(ADAS)是AI算法解释和处理实时物联网数据的著名示例。自动驾驶汽车根据来自各种传感器的数据创建周围环境的地图，例如监测附近车辆位置的雷达传感器；检测交通信号灯、路标、其他车辆和行人的摄像头；以及测量距离、检测道路边界和识别车道标记的激光雷达传感器。然后，人工智能软件处理传感器数据以绘制最佳路线，并向汽车的执行器发送命令以控制加速、制动和转向。硬编码规则、避障算法、预测建模和物体识别有助于软件遵循交通规则并避开障碍物。AIoT实施的主要挑战以及解决方法全球实施的所有IoT项目中有76%都失败了，其中30%早在概念验证阶段就失败了。为避免将投资引向注定失败的项目，公司应意识到可能阻碍其AIoT实施的常见挑战。公司遇到的最常见挑战之一是：在没有明确目标的情况下踏上AIoT之旅。在启动AIoT项目时，组织可能会被新颖性所吸引，而无法评估其想法的可行性。这反过来又会导致开发后期成本不受控制地增加，并最终导致利益相关者不满意。为避免这种情况，我们建议您从探索阶段开始您的AIoT项目，在此阶段可以根据设定的业务目标、客户期望和组织能力审查和权衡想法。选择最佳实施策略。如前所述，AIoT解决方案可以实施为云、边缘或混合系统。在起草实施策略时，仔细权衡未来解决方案的带宽、延迟和速度要求，并将它们与规定的成本进行比较。经验法则是，对于跨大量设备的时间关键型系统，边缘部署很好并且依赖于最小延迟和高带宽不太重要的云。部署周期缓慢，成本难以估计。AIoT项目需要长期承诺。根据具体用例，实施过程可能需要数月至数年。随着技术环境的快速变化，解决方案有可能在完全运行时变得过时，并且失去对实施成本的控制。为防止这种情况，企业需要足够灵活，以便能够处理沿途的变化。需要连接高度异构和复杂的系统。根据您未来解决方案和行业的规模，您可能需要将高度异构的遗留设备连接到AIoT。这通常是一项艰巨的任务，需要规划和了解可用的选项。例如，您可以选择将传感器嵌入到遗留机器中，通过网关连接它们，甚至完全替换它们。无论采用哪种方法，请务必尽早起草一份可行的数字提案。没有足够的数据来训练AI算法。为了产生可靠的洞察力，人工智能算法需要在大量数据上进行训练。如果数据量不足（或可用但不是出于隐私原因），您将不得不使用其他策略来弥补数据的不足。常见的方法包括迁移学习（想想：使用已经训练好的神经网络来解决类似的问题）、数据增强（修改现有样本以获得新的数据条目）或求助于合成数据。努力从您的AIoT系统中提取最佳性能。AIoT系统的性能取决于一系列因素，包括硬件能力、数据负载、系统架构、实现方法等。为避免即时出现性能问题，请提前计划潜在的数据负载并相应地调整您的实施策略。解决软件和固件漏洞。许多AIoT项目之所以失败，是因为在规划阶段没有考虑到数据、设备、服务器和通信网络的安全性。如果您处理高度敏感的数据，请考虑混合部署，其中数据在更靠近数据源的地方进行处理，因此数据在传输过程中或在云中被破坏的风险会降至最低。
