有大數(shù)據(jù)的物聯(lián)網(wǎng)什么都不是

將工業(yè)物聯(lián)網(wǎng)想象成公司的神經(jīng)系統(tǒng)：它是一個傳感器網(wǎng)絡(luò)，從生產(chǎn)工廠的各個角落收集有價值的信息，并將其存儲在存儲庫中以進行數(shù)據(jù)分析和利用。 該網(wǎng)絡(luò)對于測量和獲取數(shù)據(jù)以做出明智的決定是必要的。 但是接下來會發(fā)生什么? 我們應(yīng)該如何處理所有這些數(shù)據(jù)? 我們總是談?wù)摶诳煽啃畔⒆龀稣_的決策，但盡管聽起來很明顯，但實現(xiàn)該目標(biāo)并不總是那么容易。 在本文中，我們將超越物聯(lián)網(wǎng)，重點關(guān)注數(shù)據(jù)以及如何通過 AIoT 和數(shù)據(jù)分析來利用它。

我們將專門討論分析階段，這個過程首先將數(shù)據(jù)轉(zhuǎn)化為信息，然后轉(zhuǎn)化為知識(有時也稱為業(yè)務(wù)邏輯)。 然而，最終我們不會偏離物聯(lián)網(wǎng)的核心主題，因為沒有大數(shù)據(jù)的物聯(lián)網(wǎng)對我們來說毫無意義。

[[432132]]

大數(shù)據(jù)和數(shù)據(jù)分析

近幾十年來，尤其是在 10 年代，我們目睹了大量數(shù)據(jù)(結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù))的大量涌入，這些數(shù)據(jù)由無處不在的數(shù)字技術(shù)產(chǎn)生。在工業(yè)世界的特殊情況下，充分利用和充分利用大量信息對成功至關(guān)重要。

這種處理業(yè)務(wù)數(shù)據(jù)的需求催生了可互換的術(shù)語“大數(shù)據(jù)”、“數(shù)據(jù)科學(xué)”和“數(shù)據(jù)分析”，我們可以將它們統(tǒng)稱為檢查設(shè)備網(wǎng)絡(luò)捕獲的數(shù)據(jù)所遵循的流程，目的是揭示混淆的趨勢、模式或相關(guān)性。這樣做的根本目標(biāo)是使用新型知識改進業(yè)務(wù)。

因為它是最近創(chuàng)建的術(shù)語，所以對大數(shù)據(jù)有不同的定義。 Gartner 提供的其中一個概述了 3 個關(guān)鍵方面：數(shù)據(jù)量、數(shù)據(jù)種類和捕獲速度。這些通常被稱為 3 V，盡管其他定義對此進行了擴展，包括 5 V，增加了數(shù)據(jù)的真實性及其為業(yè)務(wù)帶來的價值。

但是，我們認(rèn)為，對什么是大數(shù)據(jù)、什么不合格進行理論探討沒有多大意義，因為由于數(shù)據(jù)收集設(shè)備的無處不在，大數(shù)據(jù)分析和處理已經(jīng)適用于大范圍的工業(yè)世界。

物聯(lián)網(wǎng)和大數(shù)據(jù)

物聯(lián)網(wǎng)和大數(shù)據(jù)如何相互關(guān)聯(lián)?連接的主要點通常是數(shù)據(jù)庫。一般來說，我們可以說物聯(lián)網(wǎng)的工作在該數(shù)據(jù)庫結(jié)束;換句話說，物聯(lián)網(wǎng)的目標(biāo)是以或多或少有序的方式將所有獲取的數(shù)據(jù)轉(zhuǎn)儲到公共存儲庫中。大數(shù)據(jù)領(lǐng)域首先訪問該存儲庫以操作獲取的數(shù)據(jù)并獲取所需的信息。

無論如何，將物聯(lián)網(wǎng)大數(shù)據(jù)分析可視化為一個工具箱是很有用的。根據(jù)我們想要從數(shù)據(jù)中獲取的信息和知識的類型，我們將從數(shù)據(jù)中提取一種或另一種工具。許多這些工具以傳統(tǒng)算法的形式出現(xiàn)，以及對這些算法的改進或改編，具有非常相似的統(tǒng)計和代數(shù)原理。這些算法不是在本世紀(jì)發(fā)明的，令許多想知道為什么它們現(xiàn)在比以前更相關(guān)的人感到驚訝。

快速回答是，現(xiàn)在可用的數(shù)據(jù)量比最初構(gòu)想所述算法時要大得多，但更重要的是，當(dāng)今機器的計算能力允許更大規(guī)模地使用這些技術(shù)，為舊方法提供新用途。

但是我們不想給人一種印象，一切都已經(jīng)被發(fā)明了，當(dāng)前的數(shù)據(jù)分析趨勢沒有帶來任何新的東西;事實上恰恰相反。數(shù)據(jù)生態(tài)系統(tǒng)非常廣泛，近年來見證了重大創(chuàng)新。

增長最快的領(lǐng)域之一是人工智能。可以說這不算是最近的發(fā)明，因為早在 1956 年就討論過這種現(xiàn)象。然而，人工智能是一個如此廣泛的概念，其影響如此廣泛，以至于它通常被認(rèn)為是一門獨立的學(xué)科。然而，現(xiàn)實是，在某些方面，它在大數(shù)據(jù)和數(shù)據(jù)分析中扮演著不可或缺的角色。它是我們隱喻工具箱中已經(jīng)包含的另一種工具，但發(fā)現(xiàn)了 AIoT 的自然演變。

AIoT：物聯(lián)網(wǎng)的人工智能

數(shù)據(jù)量的指數(shù)級增長需要新的分析方法。在這種情況下，人工智能變得尤為重要。據(jù)福布斯報道，主導(dǎo)技術(shù)行業(yè)的兩大趨勢是物聯(lián)網(wǎng) (IoT) 和人工智能。

物聯(lián)網(wǎng)和人工智能是兩種相互獨立的技術(shù)，相互影響很大。雖然物聯(lián)網(wǎng)可以被認(rèn)為是數(shù)字神經(jīng)系統(tǒng)，但人工智能同樣是一個先進的大腦，可以做出控制整個系統(tǒng)的決策。 IBM 表示，物聯(lián)網(wǎng)的真正潛力只有通過引入 AIoT 才能實現(xiàn)。

但什么是人工智能，它與傳統(tǒng)算法有何不同?

當(dāng)機器模仿人類的認(rèn)知功能時，我們通常會談?wù)撊斯ぶ悄堋?也就是說，它以與人類相同的方式解決問題，或者假設(shè)機器能夠找到理解數(shù)據(jù)的新方法。 AI 的優(yōu)勢在于它能夠生成新算法來解決復(fù)雜問題——這是關(guān)鍵——獨立于程序員的輸入。 因此，我們可以將一般的人工智能，特別是機器學(xué)習(xí)(這是人工智能中預(yù)計增長潛力最大的部分)視為發(fā)明算法的算法。

邊緣人工智能和云人工智能

IoT 和 AI 的結(jié)合為我們帶來了 AIoT(物聯(lián)網(wǎng)人工智能)的概念，即能夠自行做出決策、評估這些決策的結(jié)果并隨著時間不斷改進的智能互聯(lián)系統(tǒng)。

這種組合可以通過多種方式完成，我們想強調(diào)其中的兩種：

一方面，我們可以繼續(xù)將人工智能概念化為一個處理所有沖動并做出決策的集中式系統(tǒng)。在這種情況下，我們指的是云中的一個系統(tǒng)，它集中接收所有遙測數(shù)據(jù)并相應(yīng)地采取行動。這將被稱為 Cloud AI(云端人工智能)。

另一方面，我們還必須談?wù)撐覀冸[喻性神經(jīng)系統(tǒng)的一個非常重要的部分：反射。反射是神經(jīng)系統(tǒng)做出的自主決定，無需將所有信息發(fā)送到中央處理器(大腦)。這些決定是在外圍做出的，靠近數(shù)據(jù)的來源。這稱為邊緣 AI(邊緣人工智能)。

邊緣 AI 和云 AI 的用例

Cloud AI 提供了一個全面的分析過程，將整個系統(tǒng)考慮在內(nèi)，而 Edge AI 則為我們提供了快速響應(yīng)和自主權(quán)。但與人體一樣，這兩種反應(yīng)方式并不相互排斥，實際上可以互補。

例如，水控制系統(tǒng)可以在檢測到泄漏時立即關(guān)閉現(xiàn)場的閥門以防止重大水損失，同時向中央系統(tǒng)發(fā)送通知，中央系統(tǒng)可以在那里做出更高級別的決策，例如打開通過另一個回路引導(dǎo)水的替代閥門。

可能性是無限的，可以超越反應(yīng)性維護的這個簡化示例，復(fù)雜的系統(tǒng)能夠預(yù)測可能發(fā)生的事件，從而實現(xiàn)預(yù)測性維護的可能性。

AIoT 數(shù)據(jù)分析的另一個例子可以在智能電網(wǎng)中找到，我們在邊緣有智能設(shè)備分析每個節(jié)點的電流并在本地做出負載平衡決策，同時將所有這些數(shù)據(jù)發(fā)送到云端進行分析以生成更全面的全國能源戰(zhàn)略。宏觀層面的分析將允許在區(qū)域?qū)用孀龀鲐撦d平衡決策，甚至通過關(guān)閉水力發(fā)電廠或從鄰國啟動電力購買過程來減少或增加電力生產(chǎn)。