Breng de AIoT tot leven: machine learning koppelen aan streaminggegevens - AI Time Journal - Kunstmatige intelligentie, automatisering, werk en zakendoen

Heruitgegeven door Plato

volgers: 0

De koppeling van kunstmatige intelligentie met het internet der dingen betekent een natuurlijke ontwikkeling voor toepassingen in beide ruimtes. Machine learning en AI leveren een aantal voordelen op voor het IoT dat, vanwege de snelheid van de gegevens die het genereert, AI op meerdere manieren helpt.

Voor het IoT zijn de tastbare voordelen van deze combinatie:

Steeds geavanceerdere technologieën: AI biedt een overdaad aan technologieën, waaronder gezichtsherkenning, spraakherkenning en andere om de mogelijkheden van het IoT uit te breiden met kritieke implementaties zoals gebruiksscenario's voor videocamerabeveiliging.
Realtime analyse: De AI-benodigdheden voor voorspellende analyses zijn ideaal voor het snel verwerken van gegevens in realtime voor low-latente besluitvorming die nodig is voor toepassingen zoals autonome voertuigen.
Intelligente Edge-implementaties: Edge-gebruiksgevallen genereer veel meer waarde met machine learning en AI om analyses in endpoint-apparaten te verbeteren, waardoor minder gegevens en besluitvorming in gecentraliseerde cloudinstellingen nodig zijn.

Het IoT is op zijn beurt het ideale milieu om AI-modellen te trainen, omdat het met hoge snelheden een enorme hoeveelheid data produceert (die die modellen nodig hebben). Dankzij deze mogelijkheden kunnen dergelijke modellen voortdurend worden vernieuwd voor de best geïnformeerde voorspellingen die mogelijk zijn.

Model opleiding

Een van de belemmeringen voor bedrijfstoepassingen van machine learning en AI is het gebrek aan trainingsgegevens (en geannoteerde trainingsgegevens) in een specifiek gebruikersdomein. Daarom, wanneer organisaties toegang hebben tot dergelijke gegevens, vertrouwen de modellen van hun "traditionele AI op historische gegevens", legt Max Nirenberg, CRO van Vastleggen VS. Met talloze apparaten die sensorgegevens en streaminggegevens creëren, wordt het IoT geprezen om zijn enorme hoeveelheden gegevens die voortdurend worden geproduceerd met een lage latentie. Bijgevolg, "met steeds meer gegevens in realtime die de hele tijd plaatsvinden, worden historische gegevens minder relevant", merkte Nirenberg op. In feite is een van de meer betekenisvolle ontwikkelingen om impact hedendaagse datawetenschap is de ModelOps-beweging waarin vooruitstrevende organisaties data gelijktijdig (in sommige gevallen aan de rand) kunnen trainen en inzetten via het IoT.

Deze techniek en andere zijn cruciaal voor tijdgevoelige gebruikssituaties, zoals degene die Nirenberg beschreef waarin een IoT-apparaat "gezichtsherkenning heeft en ook stemmen herkent. Het herkent tekst, maar het herkent ook wanneer er twee objecten naast elkaar staan die er niet zouden moeten zijn.” Dergelijke capaciteiten zijn essentieel voor beveiligingsmonitoring op particuliere en openbare plaatsen zoals luchthavens, bijvoorbeeld. "Het apparaat waarnaar ik verwijs is er een die we hebben gemaakt voor de defensie-industrie," erkende Nirenberg. “Het is zeker gemaakt van … denk aan een terroristische component, maar het heeft veel toepassingen. Het hoeft niet alleen dat te zijn.”

Voorspellende en prescriptieve analyse

De wederzijdse zegeningen van de natuur van de relatie van het IoT en AI worden aangetoond in het feit dat IoT-gebruiksscenario's ofwel direct kunnen afhangen van, of aanzienlijk worden verrijkt door, wat Nirenberg noemde als het vermogen om 'analyses uit te voeren op basis van gegevens op schaal'. Deze kwaliteit is natuurlijk impliciet bij bijna elke inzet van machine learning en kunstmatige intelligentie, wat natuurlijk de compatibiliteit van deze technologieën met het IoT versterkt.

De beweging naar de ontwikkeling van slimme steden en slimme gebouwen maakt op een aantal manieren gebruik van dit potentieel, met name in het licht van de aanhoudende volksgezondheidscrisis. In een slim gebouw is het bijvoorbeeld veel meer dan een kwestie van academisch belang "om te weten wie welke kamers zijn binnengegaan om ervoor te zorgen dat de juiste mensen binnen mochten en de ongepaste mensen buiten werden gehouden", merkte Nirenberg op. "Met COVID wil ik misschien weten waar veel voetverkeer is, en ik heb die gegevens snel nodig."

Made for Each Other

AI's tijdige verwerking van gegevens voor deze en andere use-case - of het nu gaat om objectdetectie of een andere vorm van analyse - kan deze intelligentie bieden om laag latente actie af te leiden. Het realtime karakter van deze actie, evenals de bijna onmiddellijke analyse waaruit het voortkomt, is de belangrijkste waardepropositie van de AIoT. Bij gebruik in combinatie met het IoT, wordt AI's low-latente voorspellende analyse doordrenkt met de mogelijkheid om alledaagse ontwikkelingen te volgen die van invloed zijn op de kwaliteit van leven voor consumenten, de onderneming en zelfs de publieke sector - of de samenleving in het algemeen.

"Het is in staat zijn om elke vorm van gewoon alledaags ding dat je doet te nemen en er informatie uit te halen", dacht Nirenberg over het IoT. "Het laat je informatie krijgen, zodat je beslissingen kunt nemen zoals, oh mijn god, stuur mensen nu naar die plek."