人工智慧在物聯網分析中的價值

在亞洲的許多地區，季節性暴雨帶來洪水，破壞公民的財產和生計。過去，城市管理部門、市民和企業除了抵禦洪水及其帶來的潛在疾病外，幾乎什麼都做不了。而物聯網(IoT)、機器學習(ML)和人工智慧(AI)等技術可能會為更具前瞻性的領導者提供喘息的機會。

這就是DKI雅加達省政府防洪系統在雅加達智慧城市的應用。該計畫由雅加達智慧城市與雅加達水資源服務局(DSDA)合作開發，旨在優化雅加達的洪水風險管理。該專案涉及使用物聯網、人工智慧和機器學習作為預警系統的一部分，以應對城市的洪水風險。

隨著越來越多的組織在商業和工業環境中部署物聯網，來自這些設備和感測器的數據量可能對提高品質、營運效率以及在雅加達的情況下，從自然災害中拯救生命和財產具有重要意義。

SAS Institute的產業諮詢主管Kenneth Koh認為，物聯網系統對其環境做出反應的速度和準確性至關重要。然而，由於典型系統中的設備和其他感測器會產生大量的數據，傳統的工具和方法會減慢對這些數據的理解過程。

什麼是人工智慧嵌入式物聯網？

Kenneth Koh: 在邊緣或邊緣附近處理資料可以讓物聯網系統更靈活、更有影響力。但是，以數據為主導的行動的品質與其所依據的基於數據的洞察力的品質一樣有意義。

物聯網本身對製造商來說並不陌生。幾十年來，製造商一直在收集和儲存來自機器的傳感器數據。他們的價值主張在於AIoT——在邊緣即時分析數據，利用人工智慧和機器學習來提高效率和價值。

透過為物聯網系統配備人工智慧能力，可以在邊緣處理各種結構化和非結構化資料。以更快的速度提供高品質的見解，供系統採取行動。

人工智慧嵌入式物聯網如何釋放商業價值

#Kenneth Koh: 人工智慧嵌入式物聯網提高了營運效率和生產力，同時降低了成本。其也推動創新，以提供更好的客戶服務、更好的產品和更快的產品進入市場。

在物聯網設備中嵌入AI可以實現邊緣運算，從而允許在一致的5G網路不可用的情況下部署物聯網系統。例如，物流供應商可以在其運輸車隊中使用物聯網感測器來監控車輛的內部和外部狀況，即使是在後者路線的偏遠地區。

除了邊緣運算，人工智慧嵌入式物聯網利用機器學習，從物聯網系統每天產生的TB資料中開發可操作的見解。在上面的例子中，從這些感測器收集到的資料會即時發送到雲端，使技術人員能夠更準確、更快地解決車輛故障。

製造商也可以利用這些見解來預測某個特定的工廠系統或設備何時會發生故障，使技術人員能夠實施預防性維護。主動偵測故障設備可節省寶貴的工時，同時減少昂貴的非計劃性停機時間。

在零售方面，物聯網系統的見解可用於確定產品的最優價格，並最大限度地減少對其供應鏈的干擾。

機器學習在物聯網分析中的作用

Kenneth Koh: 機器學習是人工智慧嵌入式物聯網相對於其他物聯網部署的優勢。系統可以在處理感測器產生的資料時進行學習，使用各種高級分析方法，如決策樹、隨機森林、梯度提升、神經網路、支援向量機和因式分解機。

這為企業節省了人力時間和組織中的專家。無需大量訓練AI系統，專家可以專注於其他關鍵任務，而非資料科學家可以存取、查看和處理資料。

機器學習能力也增加了人工智慧系統可以存取和處理的資料範圍:線上和離線的視覺圖像、文字甚至口頭語音。現有數據數量和質量的增加，增加了從中獲得的見解的價值和影響。

結合這些機器學習功能，可以提高資料處理的速度和數量，從而實現即時可操作的見解。這在許多物聯網系統中是至關重要的。

#

AIoT如何支援雅加達智慧城市:利用SAS的人工智慧平台，雅加達智慧城市能夠即時整合多源數據，並透過物聯網、機器學習和人工智慧技術提供高級分析，以提供應急/災難預測能力和優化服務公眾。結果是洪水緊急應變減輕了雅加達的洪水風險。

鑑於物聯網在歷史上屬於營運技術，誰應該擁有物聯網的安全?

Kenneth Koh: 物聯網的引入模糊了企業IT和OT之間的界線。感測器和設備連接到網絡，以創建新的系統和改進流程。同時，這種融合使傳統的OT設備和系統面臨以前未曾有過的威脅。

事實上，真正的裝置安全是技術、流程和最佳實務的結合。因此，保護物聯網系統不應該是OT或IT團隊的專屬領域，而應該是在兩者之間產生更緊密、更有效的協作。

然而，這說起來容易做起來難，因為IT安全團隊和OT安全團隊通常不使用相同的語言，很難理解彼此的觀點。

職責分配完全不同。優先事項經常出現分歧，管理OT安全和IT安全的法規有時會相互矛盾。取得給定環境中所有資產的概覽，可以明確哪些資產和流程在任何情況下都不能失敗。

透過這樣做，組織可以建立和實踐統一的網路安全，以確保資料的機密性、完整性和可用性。

舉出一項IT和營運技術人員協同工作的最佳實踐

#Kenneth Koh: 在製造業中，資料對時間非常敏感。例如，如果一個流程中的化學濃度偏離了最佳濃度，工程師可能只有幾分鐘的時間來反應，以節省數噸的產品。

在許多半導體製程中，工程師只有幾秒鐘的時間做出反應。在這種情況下，分析需要轉移到“邊緣”，這意味著數據必須在機器或車間進行分析和決策，而不是在後台辦公室或工程部門。

這需要有能力在任何需要的地方進行分析，如在機器上、在生產車間、在雲端或後台辦公室。

面臨的主要挑戰之一是資料孤島。對於未實施IT/OT融合的組織，由於未整合或部分整合的應用程式和企業系統拼湊而成。如果沒有仔細的規劃，引入新的數據來源，如物聯網感測器，會使問題更加複雜。

實作一個資料整合平台，以將物聯網系統與組織的現有技術堆疊連接起來，可以打破歷史資料和未來資料之間的孤島，同時透過單一控制點為所有團隊提供相同的存取權限。這確保了IT和OT團隊在同一頁上，為更好的IT/OT整合奠定了基礎。

以上是人工智慧在物聯網分析中的價值的詳細內容。更多資訊請關注PHP中文網其他相關文章！