AIoT：物聯網與人工智慧的完美結合

將工業物聯網想象成公司的神經系統：它是一個感測器網路，從生產工廠的各個角落收集有價值的資訊，並將其儲存在一個資料庫中，用於資料分析和利用。這個網路是測量和獲取資料的必要條件，以便做出明智的決定。但接下來會發生什麼?我們應該如何處理這些資料?我們總是談論在可靠資訊的基礎上做出好的決定，儘管這聽起來很明顯，要實現這一目標並不總是那麼容易。在本文中，我們將超越物聯網，並將重點關注資料以及如何利用AIoT和資料分析。

我們將具體討論分析階段，即把資料首先變成資訊，然後變成知識的過程(有時也被稱為業務邏輯)。然而，最後我們不會偏離物聯網的核心主題，因為對我們來說，沒有大資料的物聯網是沒有意義的。

大資料和資料分析

近幾十年來，特別是在10年代，我們目睹了令人難以置信的資料(包括結構化和非結構化的資料)的泛濫，這些資料是由無處不在的數字技術大量產生的。在工業世界的特殊情況下，利用和充分利用這些大量的資訊是成功的關鍵。

這種處理商業資料的需求產生了基本上可以互換的術語 "大資料"、"資料科學 "和 "資料分析"，我們可以把它們共同定義為我們檢查由我們的裝置網路捕獲的資料的過程，目的是揭示被掩蓋的趨勢、模式或相關關係。這樣做的根本目的是為了用新型的知識來改善業務。

由於“大資料”是一個最近才產生的術語，因此對它有不同的定義。其中，Gartner公司提供的定義概述了3個關鍵方面：資料量、資料種類和資料採集的速度。這些通常被稱為 "3V"，儘管其他定義將其擴充套件為 "5V"，並增加了資料的真實性和它們為企業帶來的價值。

我們認為，對大資料進行理論研究沒有多大意義，因為由於資料收集裝置的普遍性，大資料分析和處理已經適用於工業界的大部分地區。

物聯網和大資料

物聯網和大資料之間的關係如何?主要的連線點通常是一個資料庫。一般來說，我們可以說，物聯網的工作止步於該資料庫。換句話說，物聯網的目標是以或多或少有序的方式將獲得的所有資料傾倒在一個共同的儲存庫中。大資料領域從訪問該儲存庫開始，以操縱獲得的資料並獲得所需的資訊。

在任何情況下，將物聯網大資料分析視覺化為一個工具箱是有用的。根據我們想要從資料中獲取的資訊和知識的型別，我們將從中提取一種或另一種工具。這些工具中有許多是以傳統演算法的形式出現的，也有對這些演算法的改進或改編，其統計和代數原理非常相似。這些演算法並不是在本世紀發明的，這讓許多人感到驚訝，他們想知道為什麼它們現在比以前更有意義。

答案是，現在可用的資料量比上述演算法最初構想時要大得多，但更重要的是，今天機器的計算能力允許在更大的範圍內使用這些技術，給舊的方法論以新的用途。

但是，我們不想給人這樣的印象：一切都已經被發明瞭，目前的資料分析趨勢沒有帶來任何新的東西。事實恰恰相反。資料生態系統是非常廣泛的，並在最近幾年見證了重大創新。

其中增長最快的領域之一是人工智慧。可以說，這不算是最近的發明，因為這種現象早在1956年就被討論過。然而，人工智慧是一個非常廣泛的概念，其影響如此廣泛，以至於它經常被認為是一門自成一體的學科。然而現實是，在某些方面，它在大資料和資料分析中起著不可或缺的作用。它是已經包含在我們的隱喻工具箱中的另一種工具，但在AIoT中找到了自然的演變。

AIoT：物聯網的人工智慧

資料量的指數式增長需要新的分析方法。在這種情況下，人工智慧變得尤為重要。據《福布斯》報導，主導技術行業的兩大趨勢是物聯網(IoT)和人工智慧。

物聯網和人工智慧是兩個獨立的技術，相互之間有很大的影響。雖然物聯網可以被認為是數字神經系統，但人工智慧同樣會是一個先進的大腦，做出控制整個系統的決定。根據IBM的說法，只有通過引入AIoT才能實現物聯網的真正潛力。

但什麼是人工智慧，它與傳統演算法有什麼不同?

當機器模仿人類的認知功能時，我們通常會說到人工智慧。也就是說，它解決問題的方式與人類相同，或者假設機器能夠找到理解資料的新方法。人工智慧的優勢在於，它能夠產生新的演算法來解決複雜的問題。這是關鍵，獨立於程式設計師的輸入。因此，我們可以認為一般的人工智慧，尤其是機器學習(這是人工智慧中預計增長潛力最大的部分)是發明演算法的演算法。

邊緣人工智慧和雲人工智慧

物聯網和人工智慧的結合給我們帶來了AIoT(物聯網人工智慧)的概念，即能夠自行作出決定、評估這些決定的結果並隨著時間的推移而改進的智慧和連線系統。

這種結合可以通過幾種方式進行，我們想強調其中的兩種。

一方面，我們可以繼續將人工智慧概念化為一個集中式系統，處理所有的衝動並做出決定。在這種情況下，我們指的是雲中的一個系統，它集中接收所有遙測資料並採取相應的行動。這將被稱為雲AI(雲中的人工智慧)。

另一方面，我們也必須談談我們的隱喻神經系統的一個非常重要的部分：反射。反射是神經系統做出的自主決定，不需要將所有資訊傳送到中央處理器(大腦)。這些決定是在外圍做出的，靠近資料來源的地方。這被稱為邊緣人工智慧(Artificial Intelligence at the Edge)。

邊緣AI和雲AI的使用案例

雲人工智慧提供了一個徹底的分析過程，考慮到了整個系統，而邊緣人工智慧給我們提供了快速反應和自主權。但就像人體一樣，這兩種反應方式並不相互排斥，事實上可以相互補充。

舉個例子，一個水務控制系統可以在檢測到漏水的一瞬間封鎖現場的閥門，以防止重大的水損失，並同時向中央系統傳送通知，在那裡可以做出更高層次的決定，如開啟替代閥門，通過另一個電路引水。

這種可能性是無窮無盡的，可以超越這個簡化的反應性維護的例子，一個複雜的系統能夠預測可能發生的事件，從而使預測性維護成為可能。

AIoT資料分析的另一個例子可以在智慧電網中找到，我們在邊緣的智慧裝置分析每個節點的電力流，並在本地做出負載平衡的決定，同時它將所有這些資料傳送到雲端進行分析，以產生一個更全面的全國效能源戰略。巨集觀層面的分析將允許在區域層面做出負載平衡決策，甚至通過關閉水電站或從鄰國啟動購電程式來減少或增加電力生產。