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(gè)傳感器網(wǎng)絡(luò)，從生產(chǎn)工廠的各個(gè)角落收集有價(jià)值的信息，并將其存儲(chǔ)在一個(gè)數(shù)據(jù)庫(kù)中，用于數(shù)據(jù)分析和利用。這個(gè)網(wǎng)絡(luò)是測(cè)量和獲取數(shù)據(jù)的必要條件，以便做出明智的決定。但接下來(lái)會(huì)發(fā)生什么?我們應(yīng)該如何處理這些數(shù)據(jù)?我們總是談?wù)撛诳煽啃畔⒌幕A(chǔ)上做出好的決定，盡管這聽(tīng)起來(lái)很明顯，要實(shí)現(xiàn)這一目標(biāo)并不總是那么容易。在本文中，我們將超越物聯(lián)網(wǎng)，并將重點(diǎn)關(guān)注數(shù)據(jù)以及如何利用AIoT和數(shù)據(jù)分析。
我們將具體討論分析階段，即把數(shù)據(jù)首先變成信息，然后變成知識(shí)的過(guò)程(有時(shí)也被稱為業(yè)務(wù)邏輯)。然而，最后我們不會(huì)偏離物聯(lián)網(wǎng)的核心主題，因?yàn)閷?duì)我們來(lái)說(shuō)，沒(méi)有大數(shù)據(jù)的物聯(lián)網(wǎng)是沒(méi)有意義的。
大數(shù)據(jù)和數(shù)據(jù)分析
近幾十年來(lái)，特別是在10年代，我們目睹了令人難以置信的數(shù)據(jù)(包括結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù))的泛濫，這些數(shù)據(jù)是由無(wú)處不在的數(shù)字技術(shù)大量產(chǎn)生的。在工業(yè)世界的特殊情況下，利用和充分利用這些大量的信息是成功的關(guān)鍵。
這種處理商業(yè)數(shù)據(jù)的需求產(chǎn)生了基本上可以互換的術(shù)語(yǔ)"大數(shù)據(jù)"、"數(shù)據(jù)科學(xué)"和"數(shù)據(jù)分析"，我們可以把它們共同定義為我們檢查由我們的設(shè)備網(wǎng)絡(luò)捕獲的數(shù)據(jù)的過(guò)程，目的是揭示被掩蓋的趨勢(shì)、模式或相關(guān)關(guān)系。這樣做的根本目的是為了用新型的知識(shí)來(lái)改善業(yè)務(wù)。
由于“大數(shù)據(jù)”是一個(gè)最近才產(chǎn)生的術(shù)語(yǔ)，因此對(duì)它有不同的定義。其中，Gartner公司提供的定義概述了3個(gè)關(guān)鍵方面：數(shù)據(jù)量、數(shù)據(jù)種類和數(shù)據(jù)采集的速度。這些通常被稱為"3V"，盡管其他定義將其擴(kuò)展為"5V"，并增加了數(shù)據(jù)的真實(shí)性和它們?yōu)槠髽I(yè)帶來(lái)的價(jià)值。
我們認(rèn)為，對(duì)大數(shù)據(jù)進(jìn)行理論研究沒(méi)有多大意義，因?yàn)橛捎跀?shù)據(jù)收集設(shè)備的普遍性，大數(shù)據(jù)分析和處理已經(jīng)適用于工業(yè)界的大部分地區(qū)。
物聯(lián)網(wǎng)和大數(shù)據(jù)
物聯(lián)網(wǎng)和大數(shù)據(jù)之間的關(guān)系如何?主要的連接點(diǎn)通常是一個(gè)數(shù)據(jù)庫(kù)。一般來(lái)說(shuō)，我們可以說(shuō)，物聯(lián)網(wǎng)的工作止步于該數(shù)據(jù)庫(kù)。換句話說(shuō)，物聯(lián)網(wǎng)的目標(biāo)是以或多或少有序的方式將獲得的所有數(shù)據(jù)傾倒在一個(gè)共同的存儲(chǔ)庫(kù)中。大數(shù)據(jù)領(lǐng)域從訪問(wèn)該存儲(chǔ)庫(kù)開(kāi)始，以操縱獲得的數(shù)據(jù)并獲得所需的信息。
在任何情況下，將物聯(lián)網(wǎng)大數(shù)據(jù)分析可視化為一個(gè)工具箱是有用的。根據(jù)我們想要從數(shù)據(jù)中獲取的信息和知識(shí)的類型，我們將從中提取一種或另一種工具。這些工具中有許多是以傳統(tǒng)算法的形式出現(xiàn)的，也有對(duì)這些算法的改進(jìn)或改編，其統(tǒng)計(jì)和代數(shù)原理非常相似。這些算法并不是在本世紀(jì)發(fā)明的，這讓許多人感到驚訝，他們想知道為什么它們現(xiàn)在比以前更有意義。
答案是，現(xiàn)在可用的數(shù)據(jù)量比上述算法最初構(gòu)想時(shí)要大得多，但更重要的是，今天機(jī)器的計(jì)算能力允許在更大的范圍內(nèi)使用這些技術(shù)，給舊的方法論以新的用途。
但是，我們不想給人這樣的印象：一切都已經(jīng)被發(fā)明了，目前的數(shù)據(jù)分析趨勢(shì)沒(méi)有帶來(lái)任何新的東西。事實(shí)恰恰相反。數(shù)據(jù)生態(tài)系統(tǒng)是非常廣泛的，并在最近幾年見(jiàn)證了重大創(chuàng)新。
其中增長(zhǎng)最快的領(lǐng)域之一是人工智能?？梢哉f(shuō)，這不算是最近的發(fā)明，因?yàn)檫@種現(xiàn)象早在1956年就被討論過(guò)。然而，人工智能是一個(gè)非常廣泛的概念，其影響如此廣泛，以至于它經(jīng)常被認(rèn)為是一門自成一體的學(xué)科。然而現(xiàn)實(shí)是，在某些方面，它在大數(shù)據(jù)和數(shù)據(jù)分析中起著不可或缺的作用。它是已經(jīng)包含在我們的隱喻工具箱中的另一種工具，但在AIoT中找到了自然的演變。
AIoT：物聯(lián)網(wǎng)的人工智能
數(shù)據(jù)量的指數(shù)式增長(zhǎng)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(bào)道，主導(dǎo)技術(shù)行業(yè)的兩大趨勢(shì)是物聯(lián)網(wǎng)(IoT)和人工智能。
物聯(lián)網(wǎng)和人工智能是兩個(gè)獨(dú)立的技術(shù)，相互之間有很大的影響。雖然物聯(lián)網(wǎng)可以被認(rèn)為是數(shù)字神經(jīng)系統(tǒng)，但人工智能同樣會(huì)是一個(gè)先進(jìn)的大腦，做出控制整個(gè)系統(tǒng)的決定。根據(jù)IBM的說(shuō)法，只有通過(guò)引入AIoT才能實(shí)現(xiàn)物聯(lián)網(wǎng)的真正潛力。
但什么是人工智能，它與傳統(tǒng)算法有什么不同?
當(dāng)機(jī)器模仿人類的認(rèn)知功能時(shí)，我們通常會(huì)說(shuō)到人工智能。也就是說(shuō)，它解決問(wèn)題的方式與人類相同，或者假設(shè)機(jī)器能夠找到理解數(shù)據(jù)的新方法。人工智能的優(yōu)勢(shì)在于，它能夠產(chǎn)生新的算法來(lái)解決復(fù)雜的問(wèn)題。這是關(guān)鍵，獨(dú)立于程序員的輸入。因此，我們可以認(rèn)為一般的人工智能，尤其是機(jī)器學(xué)習(xí)(這是人工智能中預(yù)計(jì)增長(zhǎng)潛力最大的部分)是發(fā)明算法的算法。
邊緣人工智能和云人工智能
物聯(lián)網(wǎng)和人工智能的結(jié)合給我們帶來(lái)了AIoT(物聯(lián)網(wǎng)人工智能)的概念，即能夠自行作出決定、評(píng)估這些決定的結(jié)果并隨著時(shí)間的推移而改進(jìn)的智能和連接系統(tǒng)。
這種結(jié)合可以通過(guò)幾種方式進(jìn)行，我們想強(qiáng)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(gè)集中式系統(tǒng)，處理所有的沖動(dòng)并做出決定。在這種情況下，我們指的是云中的一個(gè)系統(tǒng)，它集中接收所有遙測(cè)數(shù)據(jù)并采取相應(yīng)的行動(dòng)。這將被稱為云AI(云中的人工智能)。
另一方面，我們也必須談?wù)勎覀兊碾[喻神經(jīng)系統(tǒng)的一個(gè)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，不需要將所有信息發(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)來(lái)源的地方。這被稱為邊緣人工智能(Artificial Intelligence at the Edge)。
邊緣AI和云AI的使用案例
云人工智能提供了一個(gè)徹底的分析過(guò)程，考慮到了整個(gè)系統(tǒng)，而邊緣人工智能給我們提供了快速反應(yīng)和自主權(quán)。但就像人體一樣，這兩種反應(yīng)方式并不相互排斥，事實(shí)上可以相互補(bǔ)充。
舉個(gè)例子，一個(gè)水務(wù)控制系統(tǒng)可以在檢測(cè)到漏水的一瞬間封鎖現(xiàn)場(chǎng)的閥門，以防止重大的水損失，并同時(shí)向中央系統(tǒng)發(fā)送通知，在那里可以做出更高層次的決定，如打開(kāi)替代閥門，通過(guò)另一個(gè)電路引水。
這種可能性是無(wú)窮無(wú)盡的，可以超越這個(gè)簡(jiǎn)化的反應(yīng)性維護(hù)的例子，一個(gè)復(fù)雜的系統(tǒng)能夠預(yù)測(cè)可能發(fā)生的事件，從而使預(yù)測(cè)性維護(hù)成為可能。
AIoT數(shù)據(jù)分析的另一個(gè)例子可以在智能電網(wǎng)中找到，我們?cè)谶吘壍闹悄茉O(shè)備分析每個(gè)節(jié)點(diǎn)的電力流，并在本地做出負(fù)載平衡的決定，同時(shí)它將所有這些數(shù)據(jù)發(fā)送到云端進(jìn)行分析，以產(chǎn)生一個(gè)更全面的全國(guó)性能源戰(zhàn)略。宏觀層面的分析將允許在區(qū)域?qū)用孀龀鲐?fù)載平衡決策，甚至通過(guò)關(guān)閉水電站或從鄰國(guó)啟動(dòng)購(gòu)電程序來(lái)減少或增加電力生產(chǎn)。（雪薇）
