与人工智能成功的四个步骤
事情的人工智能（AIT）通过组合互联网和AI来为制造商和其他公司创造巨大的价值。
有些技术不可避免地会联系在一起。人工智能(AI)和物联网(IoT)是两个相互补充、应该紧密相连的技术的完美例子。
这种组合是枯牛（事物的人工智能），它已经存在于我们的日常生活中，但我们很少认识它。例如，想想谷歌地图，Netflix，Siri和Alexa。
AIOT正在为广泛的行业提供新的价值 - 从制造商和零售商到能源，智能城市，医疗保健和超越的制造商和零售商。
更多的组织正在注意到。Gartner预测，到2022年，超过80％的企业物联网项目将包括AI组件，从今天只有10％。
那么，如何通过智能iot实现成功呢?
4成功的必要步骤
分析是一项重要的实践，正在为组织证明巨大的胜利。人工智能帮助分析进入下一个层次。
AIOT帮助做出快速决策，并将其从大规模的IOT数据中的“学习”阐明了深入的洞察力。
超越智能IOT的物理基础架构 - 传感器，摄像机，网络基础设施和计算机 - 有4个基本步骤巩固了成功部署：
1.认为实时分析-使用事件流处理来分析不同的动态数据，并确定最相关的。
2.在应用程序需要的地方部署智能- 无论是在云中，在网络边缘，还是在设备本身。
3.结合AI技术。AI功能，如对象识别或处理自然语言本身是有价值的;在协同作用中使用，它们是不屈不挠的。
4.统一完整的分析生命周期。通过流式传输数据，过滤它，使用模型进行评分数据，并存储相关结果以不断改进系统。
认为实时分析
在高速大数据还在运行时分析它——在它被存储之前——这样你就可以立即对相关的采取行动，而忽略不相关的。抓住机会，在业务中快速流动的数据洪流中发现隐藏的危险信号。事件流处理在处理物联网数据方面发挥着至关重要的作用，随着5G等技术的进步，它将更加重要:
- 检测感兴趣的事件并触发适当的操作-事件流处理实时确定复杂的模式，如在一个人的移动设备上的动作或在银行交易中检测到的异常活动。事件流处理提供了对威胁或机会的快速检测。
- 监控聚合信息 -事件流处理持续监控来自设备和设备的传感器数据，寻找可能指示问题的趋势、相关性或异常。智能设备采取补救措施，如通知操作员，移动负载或关闭电机。
- 清洁和验证传感器数据 -当传感器数据延迟时，不完整或不一致，播放几个因素。是由即将发生的传感器故障或网络中断或错误引起的脏数据？嵌入到数据流中的各种技术可以检测模式和故障排除数据问题。
- 实时预测和优化操作先进的算法可以连续地对流数据进行评分，以便在瞬间做出决定。例如，火车到达的信息可以在上下文中进行分析，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连接。
在应用程序需要的地方部署智能
数据有多种形式。有些数据不断变化，并且在运动中（如数据中心内的温度），其他数据是更多的离散数据（例如客户配置文件和历史购买数据）。此现实要求以各种目的以非常不同的方式应用分析。例如：
- 高性能分析在休息时的繁重升降，在云中或以其他方式存储。
- 流分析分析了大量的运动中不同的数据，其中只有几个项目可能感兴趣，数据只有额重速度值，或者速度至关重要，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上立即执行数据，而不会暂停进入，运输或存储它 - 必须在传感器驱动的IOT设备和服务中的许多用途中的必要使用。
这是一种多相分析方法。要记住的关键原则是，并非所有数据点都是相关的，并且并非所有数据点都不需要发送到永久存储。有时问题要求复杂的分析。有时速度更为重要。有时必须在边缘分析数据。有时它需要返回数据中心。分析基础设施必须灵活且可扩展，以支持今天和未来的所有需求。
结合人工智能技术
为了实现与AIT的最高回报，超越部署单个AI技术。采用平台方法，其中多个AI功能一起工作，例如机器学习和自然语言处理和计算机视觉的深度学习。
AI-Empowered IoT的大部分价值是现在采取行动的承诺。在他们俯视之前让客户提供正确的报价。在批准之前检测可疑交易。帮助自行车通过繁忙的交叉路驾驶而不会撞到其他移动车辆。现在做。延迟问题。
许多类型的传感器和设备不能等待来自云的数据或命令。对于其他用途，它才必需。用于监控，诊断和行动单个设备，例如家庭自动化系统，尽可能靠近设备进行分析是有意义的。将本地源地，本地消耗的数据发送到遥远的数据中心，导致电池供电设备上的不必要的网络流量，延迟决策和漏极。
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——趋势是将分析从传统数据中心转移到边缘设备(事物)或接近边缘和云的其他计算机资源。
统一完整的分析生命周期
为了从连接的世界中实现价值，AIoT系统首先需要访问各种数据，以感知什么是重要的。接下来，它必须在丰富的背景下从数据中提取见解。最后，它必须得到快速的结果，无论是提醒操作员，提出报价，还是修改设备的操作。
成功的IOT实现将在整个分析生命周期中链接这五个支持功能：
- 数据分析- 这是前面描述的事件流处理件。事件流处理以非常高的速率（每秒数百万的范围）分析大量数据 - 具有极低的延迟（以毫秒为单位） - 以识别感兴趣的事件。
- 实时决策/实时交互管理- 关于感兴趣事件的流数据 - 例如汽车不断变化的位置，方向，目的地，环境以及更多 - 进入推荐引擎，触发正确的决定或行动。
- 大数据分析-从物联网设备获取智能始于快速摄取和处理大量数据的能力——很可能是在分布式计算环境中。能够运行更多的迭代并使用所有的数据——而不仅仅是一个样本——提高模型的准确性。
- 数据管理- IOT数据可能太少，太多，肯定以多种格式，必须集成和协调。稳固的数据管理可以从任何地方采用IoT数据，使其清洁，可信并准备进行分析。
- 分析模型管理- 模型管理在分析模型的生命周期中提供必要的治理，从注册退休。这可确保如何管理模型的一致性 - 跟踪模型演进并确保性能随时间降低的方法。
当您认为IOT或思考AI时，外带很清楚：
首先，如果你正在部署物联网，那么也要部署人工智能。其次，如果你正在部署人工智能，考虑一下将其与物联网结合可以获得的收益。最后，任何一个单独都有价值，但当它们结合在一起时，会提供最大的力量。物联网提供了人工智能学习所需的大量数据，人工智能将这些数据转化为物联网设备可以采取行动的有意义的实时洞见。
Jane Howell，全球IOT产品经理SAS。本文最初出现在台面国际的博客。台面国际是CFE Media的内容合作伙伴。由制作编辑克里斯·瓦夫拉编辑，控制工程，CFE媒体，cvavra@cfemedia.com.。
