AIoT: n herättäminen henkiin: Koneoppimisen yhdistäminen suoratoistotietoihin

Tekoälyn kytkeminen esineiden internetiin edustaa luonnollista edistystä sovelluksissa molemmissa tiloissa. Koneoppiminen ja tekoäly tarjoavat IoT: lle useita etuja, jotka sen tuottaman datan nopeuden vuoksi auttavat tekoälyä monin tavoin.

IoT: lle tämän yhdistelmän konkreettisia etuja ovat:

• Yhä kehittyneemmät tekniikat: Tekoäly tarjoaa lukuisia tekniikoita, kuten kasvojentunnistusta, puheentunnistusta ja muita, parantaakseen esineiden internetin ominaisuuksia sisältäen kriittiset käyttöönotot, kuten videokameroiden käyttötapaukset.
• Reaaliaikainen analyysi: Ennakoivat analytiikka-AI-tarvikkeet ovat ihanteellisia tietojen reaaliaikaiseen nopeaan käsittelyyn, jolloin latentteja päätöksiä tarvitaan vähän sovelluksissa, kuten itsenäisissä ajoneuvoissa.
• Älykkäät reunan käyttöönotot: Edge -käyttötapaukset tuottaa paljon enemmän arvoa koneoppimisen ja tekoälyn avulla, jotta päätelaitteiden analytiikka paranee, mikä vaatii vähemmän dataa ja päätöksentekoa keskitetyissä pilviasetuksissa.

IoT puolestaan ​​on ihanteellinen miljöö AI -mallien kouluttamiseen, koska se tuottaa valtavan määrän dataa (mitä nämä mallit edellyttävät) suurilla nopeuksilla. Näiden ominaisuuksien ansiosta tällaisia ​​malleja voidaan jatkuvasti päivittää mahdollisimman tietoon perustuvien ennusteiden mukaisesti.

Malliharjoittelu

Yksi koneoppimisen ja tekoälyn yrityssovellusten estäjistä on koulutustiedon (ja siihen liittyvien harjoitustietojen) puute tietyllä käyttäjäalueella. Siksi, kun organisaatiot voivat käyttää tällaisia ​​tietoja, niiden "perinteisen tekoälyn mallit perustuvat historiallisiin tietoihin", selitti Max Nirenberg, CRO Sitoudu Yhdysvaltoihin. Koska monet laitteet luovat anturitietoja ja suoratoistavat tietoja, IoT on ylistetty valtavista tietomääristä, joita tuotetaan jatkuvasti pienellä viiveellä. Näin ollen "koska reaaliajassa tapahtuu enemmän tietoa koko ajan, tämä tekee historiallisista tiedoista vähemmän merkityksellisiä", Nirenberg totesi. Itse asiassa yksi merkittävimmistä kehityksistä vaikutus nykyajan datatieteeseen on ModelOps -liike jossa progressiiviset organisaatiot voivat kouluttaa ja ottaa käyttöön tietoja samanaikaisesti (joissakin tapauksissa) IoT: n kautta.

Tämä tekniikka ja muut tekniikat ovat keskeisiä aikaherkille käyttötapauksille, kuten Nirenbergin kuvatulle tapaukselle, jossa IoT-laitteella on kasvojentunnistus ja se tunnistaa myös ääniä. Se tunnistaa tekstin, mutta tunnistaa myös, kun vierekkäin on kaksi kohdetta, joiden ei pitäisi olla siellä. ” Tällaiset valmiudet ovat välttämättömiä esimerkiksi yksityisten ja julkisten paikkojen, kuten lentoasemien, turvallisuuden seurantaan. "Viittaamani laite on sellainen, jonka loimme puolustusteollisuudelle", Nirenberg myönsi. ”Se luotiin ehdottomasti… ajattele kuin terroristikomponentti, mutta sillä on monia sovelluksia. Sen ei tarvitse olla vain sitä. ”

Ennakoiva ja määräävä Analytics

Luonnon vastavuoroiset siunaukset IoT: n suhteesta ja tekoälyä osoittaa se, että esineiden internetin käyttötapaukset voivat joko riippua suoraan tai merkittävästi rikastuttaa sitä, mitä Nirenberg kutsui kyvyksi "tehdä analyyseja mittakaavan tietojen perusteella". Tämä laatu liittyy tietysti lähes kaikkiin koneoppimisen ja tekoälyn käyttöönottoihin, mikä luonnollisesti vahvistaa näiden tekniikoiden yhteensopivuutta IoT: n kanssa.

Aloite älykkäiden kaupunkien ja älykkäiden rakennusten kehittämiseksi hyödyntää tätä potentiaalia kahdella tavalla, etenkin kun otetaan huomioon meneillään oleva kansanterveyskriisi. Esimerkiksi älykkäässä rakennuksessa on paljon enemmän kuin akateeminen kiinnostus "tietää, kuka huoneisiin on tullut, jotta varmistetaan, että sopivat ihmiset päästetään sisään ja sopimattomat ihmiset pidetään poissa", Nirenberg kommentoi. "COVID -tilanteessa haluan ehkä tietää, missä on paljon jalkaliikennettä, ja tarvitsen tiedot nopeasti."

Made for Each Other

Tekoälyn oikea -aikainen tietojenkäsittely tätä käyttötapausta ja muita varten - olipa kyse sitten esineiden havaitsemisesta tai muusta analyysista - voi tarjota tämän älykkyyden alhaisen piilevän toiminnan johtamiseksi. Tämän toiminnan reaaliaikainen luonne sekä lähes välitön analyysi, josta se lähtee, on AIoT: n pääarvoehdotus. Kun sitä käytetään yhdessä IoT: n kanssa, tekoälyn matala piilevä ennakoiva analytiikka on täynnä kykyä seurata päivittäistä kehitystä, joka vaikuttaa kuluttajien, yrityksen ja jopa julkisen sektorin - tai yhteiskunnan - elämänlaatuun.

"Se pystyy ottamaan vastaan ​​mitä tahansa tavallisia päivittäisiä asioita ja saamaan niistä tietoja", Nirenberg pohti IoT: tä. "Sen avulla voit saada tietoa, jotta voit sitten tehdä päätöksiä, kuten, luoja, lähetä ihmiset siihen paikkaan juuri nyt."

Esittelyssä oleva kuva: NeedPix 

Avustaja

Jelani Harper on toimitustieteellinen konsultti, joka palvelee tietotekniikan markkinoita. Hän on erikoistunut dataohjattuihin sovelluksiin, jotka keskittyvät semanttiseen tekniikkaan, tiedonhallintaan ja analytiikkaan.

Avustajien mielipiteet ovat omat.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
• Lähde: https://www.aitimejournal.com/@jelani.harper/bringing-the-aiot-to-life-pairing-machine-learning-with-real-time-data