物联网越来越智能,但仍需要后端分析

2018-09-11


大多数物联网(IoT)设备达不到实现智能IoT部署所必需的机器学习能力水平,但他们可以在机器学习教训上采取行动。


其中一种IoT部署的方法是:

不精细的终端排列——随意地个别数据点,如温度和压力,发送到某个工厂里的某个设备上,或者全部输出到某个云后端或数据中心。


这种方法很多时候是行得通的,但现在并不总是如此了。IoT终端正逐渐形成其自身的分析能力,使得架构更加简单,系统更加灵敏。

有智能城市、工业设置和交通这三个主要领域,终端能够自动分析数据(部分或全部)——这正变得越来越普遍。


智能城市中的IoT




在智能城市里,智能相机可以进行特定种类的分析,帮助城市规划是了解行人和机动车的交通模式。


高德纳咨询公司副总裁马克·洪格(Mark Hung)表示,区分“完全在终端设备上进行分析”与“部分在设备上进行分析”是很重要的。


在核心方面,IoT所做的分析是关于机器学习(ML)和AI的,它能够让系统根据智能终端所提供的数据,自动地将与可靠性、性能和其他在线业务有关的信息联系起来。


从复杂的ML中学到的经验是很容易的,但是一部分ML步骤对于大多数终端来说太严格的。这意味着终端本身不更改它们的指令,但它们向更强大的后端提供信息,以供后端在每个终端上自定义IoT。


交通摄像头的视频分析利用摄像头本身追踪行人和驾驶员的系统,将数据分为一个集中创建的AI模型——这是在IoT在智能城市应用上的一个典型案例。


工业IoT



基于终端的IoT分析的另一个关键领域是工业和制造业。Joe Biron是PTC的CTO,是一家名为Needham,他表示,PTC一直在努力在10年时间里把打造智能工业机械,帮助企业通过预测维护和其他自动化管理和运营来节省开支。


Biron表示,“十年前用预测失败的技术并不完全是一种改变生活的技术,而属于一种人类智能技术,它依靠的是人类技术专家的工业运作原理知识,也就是专家运用专业技术预测即将失效的参数,并将其编码至“最愚蠢的”终端。


真正的挑战在于,没有人能从种种关键的微小迹象中预测将来会出现的问题。为此,你需要机器学习,具体而言,机器学习模型可以对数据输入进行评分——输出和筛选最重要的数据点去做预测。根据Biron的说法,这是很昂贵的计算方式,限制了在终端上的能力


但是,一旦你创造了模型,就有了非常轻便的模型来得分;现在这种模型可以实时或接近于实时获得近期数据,它可以用来预测事件是否可能发生。这种模型在计算方式上是划算的,但其培训模式是昂贵的。


IoT和智能汽车




第三个IoT终端分析领域(也是最难实现的领域)是交通。Hung指出,任何需要自主导航的东西,不管是无人机还是汽车,还是别的什么,都是相对智能IoT终端的一个很好的候选项。


多年来,汽车越来越地自动化和计算机化,而IoT的问世也只是加速了这一过程——制造商在现代化车辆中加入了日益成熟的智能安全功能,而车队管理方面拥有了车辆维护和跟踪的新工具。


Zoomdata的CTO Rubellah Farchtchi称,汽车的自动化程度越来越大,很好地说明了这种类型的半自主IoT技术的工作原理。他说:“人类理解的良性循环正在被转化为算法,而在边缘部署的ML,我们可以看到边缘分析正在形成。”


IoT在医疗和能源领域的未来



展望未来,医疗和能源生产,尤其是石油和天然气工业,已开始成为IoT分析的增长领域。医院和诊所正呼吁更聪明的技术,以让更多有能力的计算技术融入到终端——这可能为病人护理带来巨大福利


Biron表示,这并不是说没有任何头疼的问题,尤其是在ML的问题上。在这个过程中,较重的计算提升部分所需的后端并不像医疗设施的架构一样容易被建立起来。


然而,石油和天然气工业在这一方面具有特别的优势,因为其用于训练机器学习模型的勘探和提取的历史数据丰富。


原文链接:


 <END>


2014 ? 日博体育公司 All Rights Reserved  京ICP备09001400号  京公海网安备110108000958号 

2018 ? 日博体育公司 All Rights Reserved

京ICP备09001400号

京公海网安备110108000958号

?
点击次数: