最初的机器对机器通信几乎仅限于电信行业，如今，物联网无处不在。据 Statista 称，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将不可避免地导致收集的数据量随之增加。IDC 报告称，到 2025 年，全球生成的物联网数据量将达到 73 Zettabytes。这就是问题所在，需要对收集到的数据进行分析以获得价值。然而，大多数企业未能充分利用数据，其中60% 至 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，将数据转化为业务洞察力。
在本文，我们介绍这种强大组合的所有内容。这种组合通常被称为 AIoT。
AIoT是什么？
AIoT 系统由两个组件组成：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，并实现连网事物与用户之间的通信。
当通过人工智能进行放大时，物联网系统将获得类似人类的智慧，并可应用于解决更广泛的任务。这些任务可以包括“理解”自然语言、预测用户需求和相应调整连网设备的行为等。
AIoT市场目前正在崛起。最近的研究估计，到 2026 年它将达到 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，而物联网则为人工智能提供了一个平台，通过连接性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现：
作为基于云的系统
作为在连网设备上运行的边缘系统
AIoT系统的架构会因实施策略而异。
基于云的AIoT
使用基于云的方法，AIoT 解决方案的基本架构如下所示：
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
云端层：数据存储、数据处理(AI引擎)、数据可视化、分析、通过API访问数据
用户交互层：门户网站和移动应用程序
边缘AIoT
通过边缘分析，收集的数据在更接近源的位置进行处理――无论是在连网设备上还是在现场网关上。
收集终端层：连接到网关的各种硬件设备(移动、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)和见解生成的设施
不过，以边缘为中心的实施并不排除云计算，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在不同领域的热门应用
在许多因素的推动下，如新软件工具的可用性、简化的人工智能解决方案的开发、将人工智能注入传统系统，以及支持人工智能算法的硬件的进步，AIoT正在许多领域中悄然兴起。以下是一些已经利用AIoT的行业――其中最有前途的用例备受关注。
医疗保健
诊断协助
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――并综合分析这些数据，以帮助医生正确诊断患者。
基于人工智能的医疗解决方案已经在多个诊断领域超过了人类医疗保健专业人员。全球的放射科医生都在依赖人工智能的帮助进行癌症筛查。
在 Nature Medicine 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胜过了6名放射科医生。该算法对来自美国国立卫生研究院临床试验数据记录的 42，000 名患者资料进行了训练，检测到的癌症病例比人类同行多了5%，并将误报的数量减少了11%。值得一提的是，假阳性提出了诊断肺癌的一个特殊问题：AMA Internal Medicine对2100名患者的研究表明，假阳性率为97.5%。因此，人工智能有助于解决关键诊断问题。
AIoT 系统在诊断乳腺癌、皮肤病和皮肤癌时同样表现出色。然而，智能互联系统的可能性远不止于此。
最近的研究表明，人工智能可以检测儿童的罕见遗传病、婴儿的遗传性疾病、胆固醇升高的遗传性疾病、神经退行性疾病，并预测导致阿尔茨海默病的认知衰退。
改进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网设备和可穿戴设备的实时患者信息，智能算法可以建议剂量调整，排除患者发生过敏的可能性，并避免不适当或过度治疗。AIoT促进治疗的一些重要领域包括：治疗伴有血液凝固的疾病、更好的哮喘和慢性呼吸系统疾病管理、更有效的新冠肺炎治疗、优化糖尿病管理等。
优化医院工作流程
AIoT 可以改变医院的运营方式，改善以下关键领域的日常工作流程：
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，从而接收更多患者。纽约西奈山医疗中心等早期采用者的经验证明，技术可以帮助减少50%急诊患者的等待时间。
识别危重病人
识别需要立即关注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信息，而AIoT可以帮助医务人员确定工作的优先顺序。互联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，该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。研究结果显示，接受人工智能治疗的患者感染的可能性降低了58%，死亡率降低了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，从而每年每张床位节省 12，000 美元。关键医疗设备可以通过RFID或GPS系统在医院内外进行跟踪，而医疗和管理人员可以使用WEB和移动应用程序快速定位所需设备。
制造业
启用预测性维护
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到接近临界操作阈值的设备，但人工智能可以根据历史维护和维修数据提前预测异常。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%，并将其资产的使用寿命延长 20%。
改善资产性能管理
有了 AIoT 系统，制造商可以定期更新其资产的性能，并深入了解性能变化的原因。大多数基于物联网的资产性能管理系统都允许在设备偏离设定的 KPI 时获得自动警报通知。
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测量的 KPI 是否合理。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。
使用数字孪生促进生产规划
据 Gartner 称，数字孪生可以帮助制造商将生产效率提高至少 10%。一个资产、系统或流程的数字副本、一个工业的、支持AIoT的数字孪生，可以帮助制造商获得车间运营的端到端可见性，并帮助及时发现甚至预测低效率。
使用数字孪生的制造企业表示，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%，将维护需求减少 40%。
通过工业机器人自动化车间操作
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越来越容易获得，机器人正变得更加智能和独立。工业机器人配备了传感器并依靠人工智能，现在能够在行进中做出明智的生产决策，从而提高了制造单元的效率。
汽车和交通
交通管理
AIoT可用于缓解交通拥堵，提高交通质量。例如，台北市利用 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交通、人流和道路占用的实时数据，而人工智能算法分析这些数据并应用适当的控制逻辑。
这种方法有助于城市管理部门优化交通流量，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辅助系统 (ADAS) 是 AI 算法解释和处理实时物联网数据的显著例子。
自动驾驶汽车根据来自各种传感器的数据创建周围环境地图，例如，雷达传感器监测附近车辆的位置；摄像头检测交通信号灯、路标、其他车辆和行人；激光雷达传感器测量距离、检测道路边界并识别车道标记。
然后，人工智能软件处理传感器数据，绘制最佳路线，并向汽车执行器发送指令，控制加速、制动和转向。硬编码规则、避障算法、预测建模和对象识别有助于软件遵循交通规则并避开障碍物。
关键的 AIoT 实施挑战，以及如何解决这些挑战
在全球实施的所有物联网项目中，76% 失败了，其中 30% 早在概念验证阶段就失败了。为了避免将投资导向注定要失败的项目，公司应该注意可能阻碍其 AIoT 实施的常见挑战。公司最常遇到的挑战包括：
在没有明确目标的情况下踏上 AIoT 之旅。启动AIoT项目时，组织可能会被新奇的事物所吸引，而无法评估他们想法的可行性。反过来，这可能导致在开发的后期阶段成本不受控制地攀升，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就开始您的 AIoT 项目，在这个阶段，可以根据设定的业务目标、客户期望和组织能力对想法进行审查和权衡。
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，并将它们与设定的成本进行对比。经验法则是，对于跨大量设备的时间关键型系统，可以进行边缘部署，并在最小延迟和高带宽不太重要的情况下依赖于云。
部署周期缓慢，成本难以估计。AIoT 项目需要长期承诺。根据特定的用例，实施过程可能需要几个月到几年的时间。随着技术环境的快速变化，解决方案有可能在其完全投入运行时变得过时，并且失去对实施成本的控制。为了防止这种情况，企业需要足够灵活，以便能够在此过程中应对各种变化。
需要连接高度异构和复杂的系统。根据您未来解决方案的规模和您所在的行业，您可能需要将高度异构的传统设备连接到 AIoT。这通常是一项难以完成的任务，它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传统机器，通过网关连接它们，甚至完全替换它们。无论采用何种方法，请务必尽早起草可行的数字化方案。
没有足够的数据来训练 AI 算法。为了产生可靠的见解，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(或可用但由于隐私原因无法使用)，您将不得不使用其他策略来弥补数据不足。常见的方法包括转移学习(想想：使用已经训练过的神经网络解决类似问题)、数据增强(修改现有样本以获取新的数据条目)或求助于合成数据。
努力挖掘 AIoT 系统的最佳性能。AIoT 系统的性能取决于一系列因素，包括硬件功能、数据负载、系统架构、实施方法等。为避免运行中的性能问题，请提前计划潜在的数据负载并相应地调整实施策略。
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，在混合部署中，数据在更靠近数据源的地方被处理，因此数据在传输过程中或云中被破坏的风险被降至最低。
该文观点仅代表作者，本站仅提供信息存储空间服务，转载请注明出处。若需了解详细的安防行业方案，或有其它建议反馈，欢迎联系我们。
