通过了解Twitter、LinkedIn和许多物联网相关网站，不难发现与物联网(IoT).但最近，话题转向了企业如何更快、更有效地捕捉和利用物联网计划的洞察力。物联网和人工智能的结合为企业提供了一种实现这一预期结果的方法。事实上，这两种技术是相辅相成的，应该紧密联系在一起。在快速发展的物联网世界中，在庞大的设备或事物网络之间连接和共享数据，组织通过分析取胜。对于任何希望扩大IoT价值的组织而言，AI都是重要的分析学科，因为它能够在从大量IoT数据中“学习”时做出快速决策并发现深刻见解。人工智能和物联网（又名物联网或AIoT）协同工作，为从制造商和零售商到能源、智慧城市、医疗保健等众多行业的组织创造新价值。AI的潜力和事物的智能AI驱动的互联智能设备和环境从更大的数据源网络中学习，包括相互学习，并为集体智能做出贡献。整个行业有无数例子说明了这种潜力——从公用事业和制造商可以检测性能不佳的资产并预测维护需求或在发生昂贵或危险的设备故障之前自动关闭，到提供家庭诊断、远程监控设备在发生时提醒护理人员需要干预并提醒患者服药。将高级分析带到边缘分析物联网数据的位置取决于带宽和延迟问题：对于可以容忍一些延迟或带宽不密集的应用程序，例如收集摘要发送到云端或数据中心，在那里进行分析历史表现和其他趋势。从分析中获得的见解可用于对设备的后续操作做出决策，包括修改设备本身的控制程序。对于移动或远程资产生成大量必须快速分析的数据（例如自动驾驶汽车或无人机）或带宽受限的情况，数据处理应移至尽可能靠近数据源的边缘。借助基于AI的功能，物联网数据可以在整个生态系统中进行转换、分析、可视化和嵌入，包括边缘设备、网关和数据中心，无论是在雾中还是在云端。AIoT在行动-运输行业示例每天有数百万辆卡车在高速公路上行驶，以运输燃料、农产品、电子产品和其他必需品。然而，计划外停机可能会给依赖及时交付的任何车队运营商及其客户带来巨大损失。沃尔沃卡车和瑞典制造商AB沃尔沃的子公司MackTrucks通过基于物联网的远程诊断和预防性维护服务以及包括人工智能在内的高级分析解决了这一挑战。通过更高效、准确和主动地为联网车辆提供服务，减少车辆在路上花费的时间，并将服务中断的成本降至最低。沃尔沃卡车的远程诊断程序监控每辆卡车的数据，了解主要系统出现故障时触发的故障代码。每辆卡车上的数千个传感器实时收集流式IoT数据，以提供有关事件发生地点和故障期间发生情况的背景信息。同样，MackTrucks的GuardDogConnect通过以故障代码和其他参数数据的形式从车辆远程收集数据，然后按严重程度对它们进行排名，帮助客户评估问题的严重程度并管理维修。如果出现故障需要立即采取措施，代理将联系客户解释情况并建议采取措施。如果时间敏感度较低或没有潜在危害，请计划在最合理的情况下进行维修。将传感器数据和物联网技术与包括AI在内的高级分析相结合的结果令人印象深刻。对于沃尔沃卡车，诊断时间减少了70%，维修时间减少了25%。MackTrucks指出了对所有利益相关者的好处——经销商体验到更高效的流程、更长的正常运行时间和满意的客户。驱动价值的四个加速器那么，您如何通过AIoT取得成功？除了智能物联网的物理基础设施（传感器、摄像头、网络基础设施和计算机）之外，成功部署的四个关键因素是：1.在分析大数据高速移动时考虑实时分析（在它成为现实之前）存储）以便您可以立即对相关内容采取行动。抓住机会发现隐藏在业务中快速移动的数据洪流中的危险信号。事件流处理在处理IoT数据中起着至关重要的作用，并且随着5G等技术的进步将变得更加重要：检测感兴趣的事件并触发适当的操作。事件流处理可实时查明复杂模式，例如某人移动设备上的操作或在银行交易期间检测到的异常活动。事件流处理提供了对威胁或机会的快速检测。监视摘要信息。事件流处理持续监控来自设备和设备的传感器数据，寻找可能表明问题的趋势、相关性或异常。智能设备可以采取补救措施，例如通知操作员、移动负载或关闭电机。清理和验证传感器数据。当传感器数据延迟、不完整或不一致时，可能有几个因素在起作用。脏数据是由即将发生的传感器故障或网络中断错误引起的吗？数据流中嵌入的各种技术可以检测模式并解决数据问题。实时预测和优化运营。复杂的算法不断对流数据进行评分以做出即时决策。例如，可以根据上下文分析有关火车到达的信息，以延迟火车从另一个车站出发，这样通勤者就不会错过他们的班次。2.在应用程序需要的地方部署智能前面描述的用例需要不断变化和移动的数据（例如，司机的地理位置或数据中心内的温度）以及其他离散数据（例如，客户档案和历史购买数据）。这种现实要求针对不同的目的以不同的方式应用分析，即多阶段方法。例如：高性能分析对静态数据起着很大的作用，静态数据在云计算或存储中。流分析可以分析大量不同的动态数据，这些数据可能只涉及少量项目，其中数据只有短暂的价值，或者当速度很关键时（例如发送关于即将发生的碰撞或组件故障的警报）。边缘计算使系统能够在源头立即对数据采取行动，而无需暂停以摄取、传输或存储数据——这是传感器驱动的物联网设备和服务世界中许多用途所必需的。3.结合AI技术要实现AIoT的最高回报，不仅仅需要部署单一的AI技术。采用平台方法，多种人工智能功能协同工作，例如机器学习和深度学习，以实现自然语言处理和计算机视觉。例如，一家大医院的研究诊所结合了多种形式的人工智能，为其医生提供诊断指导。该诊所在放射线照相术、CT扫描和MRI上使用深度学习和计算机视觉来识别人脑和肝脏上的结节和其他关注区域。该检测过程使用卷积神经网络(CNN)等深度学习技术来分析视觉图像。然后诊所使用完全不同的人工智能技术——自然语言处理——根据家族病史、药物、既往病症和饮食来建立患者档案；它甚至可以考虑起搏器数据等物联网数据。该工具将自然语言数据与计算机视觉相结合，使有价值的医务人员更有效率。支持人工智能的物联网的大部分价值在于能够立即采取行动。在客户离开前为他们提供正确的报价。在批准之前检测可疑交易。帮助自动驾驶汽车在繁忙的十字路口行驶，而不会撞到其他行驶中的车辆。现在做。延迟很重要。显然，许多类型的传感器和设备不能等待来自云端的数据或命令。对于其他用途，则没有必要。对于监控、诊断和处理单个设备（如家庭自动化系统），分析应尽可能靠近设备进行。将本地来源、本地使用的数据发送到远程数据中心会导致不必要的网络流量、延迟决策制定并耗尽电池供电设备的电量。随着物联网设备及其数据量的指数级增长以及对低延迟的需求，我们看到了将分析从传统数据中心转移到边缘设备(IoT)或靠近边缘和云的其他计算资源的趋势。4.统一并完成分析生命周期为了从互联世界中获取价值，AIoT系统首先需要访问各种数据以感知正在发生的重要事件。接下来，它必须在丰富的上下文中从数据中提取见解。最后，无论是提醒操作员、提供报价还是修改设备的操作，它都必须快速取得结果。成功的物联网实施将在整个分析生命周期中链接这些支持功能：动态数据分析。这就是前面介绍的事件流处理部分。事件流处理以非常高的速率（每秒数百万个范围）和以毫秒为单位的极高延迟分析大量数据，以识别感兴趣的事件。实时决策/实时交互管理。有关感兴趣事件（例如汽车不断变化的位置、方向、目的地、环境等）的流数据被输入推荐引擎，从而触发正确的决策或行动。大数据分析。从IoT设备获得智能始于快速摄取和处理大量数据的能力，这很可能在Hadoop等分布式计算环境中进行。能够运行更多迭代并使用所有数据（而不仅仅是样本）可以提高模型的准确性。数据管理。IoT数据可能太少，也可能太多，当然还有必须集成和协调的多种格式。强大的数据管理可以从任何地方获取物联网数据，使其干净、可信并准备好进行分析。分析模型管理。模型管理在分析模型的整个生命周期（从注册到退役）中提供基本治理。这确保了一致的模型管理——一种跟踪模型演变并确保性能不会随时间下降的方法。当您想到物联网或人工智能时，要点很明确：首先，如果您要部署物联网，那么也要部署人工智能。其次，如果您正在部署人工智能，请考虑将其与物联网相结合所带来的好处。最后，任何一个都有价值，但它们结合起来才能发挥最大的作用。物联网提供了人工智能需要学习的海量数据。人工智能将这些数据转化为物联网设备可以据以采取行动的有意义的实时洞察力。如果您还没有，关键是开始！如果您正在试用，请确保您可以实际部署和扩展解决方案以满足业务需求。如果您已经在使用AIoT来满足您的业务需求，我很想听听您的成功案例！
