AIoT یا هوش مصنوعی اشیا چیست؟

چند نکته اولیه:

• بین 60 تا 73 درصد از کل داده‌های سازمانی برای تجزیه و تحلیل استفاده نمی‌شوند.
• یک شرکت به طور متوسط 12 درصد از درآمد خود را به دلیل استفاده نکردن از فرصت‌های خود در تجزیه و تحلیل داده از دست می‌دهد.
• با ترکیب راه حل‌های هوش مصنوعی و اینترنت اشیا، کسب و کارها می‌توانند از داده‌های خود استفاده کنند و به اطلاعاتی را که قبلاً در دسترس نداشتند، استفاده کنند.
• AIoT ترکیبی از هوش مصنوعی و اینترنت اشیا است. استفاده از هر دو فناوری باعث ایجاد راه حل‌های کارآمدتر می‌شود که نرخ بازگشت بیشتری به همراه دارد.
• AIoT در بخش‌هایی چون مراقبت‌های بهداشتی، تولید، حمل و نقل و غیره کاربرد گسترده‌تری پیدا کرده است.

AI به ملاقات IoT می‌آید

آنچه در ابتدا به عنوان ارتباطات ماشین به ماشین – فارغ از هوش مصنوعی اشیا – تعریف می‌شد، تقریباً منحصر به صنعت مخابرات بود. اما اینترنت اشیا اکنون در همه جا وجود دارد. طبق آمار Statista ، تعداد دستگاه‌های متصل به اینترنت تا سال 2025 از مرز 38 میلیارد عبور خواهد کرد.

با این حال، این رقم قابل بحث است. زیرا به سختی می‌توان مرزی برای این که دستگاه IoT دقیقاً چیست، ترسیم کرد. بنابراین، گزارش‌های دیگر حاکی از اعداد محدودتری هستند. به این فکر کنید که تا سال 2025، 15 میلیارد دستگاه در حال استفاده از اینترنت هستند.

افزایش شدید تعداد دستگاه‌های اینترنت اشیا، به ناچار منجر به افزایش حجم داده‌های جمع‌آوری شده خواهد شد. IDC گزارش می‌دهد که حجم داده‌های IoT تولید شده در سطح جهان تا سال 2025، به 73 زتابایت خواهد رسید. و این‌جاست که این موضوع مشکل‌ساز می‌شود. اطلاعات جمع‌آوری‌شده برای ارزش‌آفرینی، باید پردازش و تجزیه و تحلیل شوند. با این حال، اکثر شرکت‌ها در استفاده از داده‌ها شکست می‌خورند. به طوری که 60 تا 73 درصد داده‌ها برای تجزیه و تحلیل اصلاً استفاده نمی‌شوند.

خبر خوب این است که شرکت‌ها می‌توانند با ترکیب قدرت هوش مصنوعی و اینترنت اشیا، (AIoT) داده‌های تولید شده بیشتری را به اطلاعات و بینش‌های تجاری (Business Insights) تبدیل کنند.

در این مقاله، همه چیزهایی که باید در مورد این ترکیب قدرتمند (که اغلب به عنوان هوش مصنوعی اشیا یا AIoT شناخته می‌شود) بدانید را پوشش داده‌ایم. بنابراین اگر به دنبال کار و پیشرفت در زمینه توسعه اینترنت اشیا هستید، به خواندن ادامه دهید.

AIoT دقیقاً چیست؟

سیستم هوش مصنوعی اشیا (AIoT) از دو جزء تشکیل شده است: اینترنت اشیا (IoT) و هوش مصنوعی (AI).

در این ترکیب قوی، نقش اینترنت اشیا جمع‌آوری داده‌های ساختاریافته و بدون ساختار و امکان برقراری ارتباط بین اشیای متصل به اینترنت و کاربر است.

هنگامی که این اشیا با هوش مصنوعی تقویت شوند، به واسطه الگوریتم‌هایی که می‌توانند وابستگی‌های متقابل و پیچیده‌ای را در حجم عظیمی از داده‌ها بیابند، توصیف و پیش‌بینی کنند و همچنین اقدامات خاصی را بر اساس آن تجویز کنند، باعث می‌شود که یک سیستم اینترنت اشیا هوشی شبیه به انسان به دست بیاورد و بتواند برای انجام طیف وسیعی از وظایف مورد استفاده قرار بگیرد. همه این‌ها می‌توانند شامل «درک» زبان طبیعی، پیش‌بینی نیازهای کاربران و تنظیم رفتار دستگاه متصل بر اساس آن و موارد دیگر باشد.

بازار IoT در حال حاضر رو به رشد است. تحقیقات اخیر پیش‌بینی می‌کند که این بازار تا سال 2026، به ارزشی در حدود 102.2 میلیارد دلار می‌رسد. و کاملاً واضح است که چرا: هوش مصنوعی از طریق تصمیم‌گیری بهبودیافته، برای اینترنت اشیا ارزش‌افزایی می‌کند. در مقابل اینترنت اشیا هم بستری را برای هوش مصنوعی فراهم می‌کند تا از طریق اتصال و تبادل یکپارچه داده، ارزش ایجاد کند.

هوش مصنوعی اشیا چگونه کار می‌کند؟

سیستم‌های AIoT ممکن است به دو صورت پیاده‌سازی شوند:

• به عنوان سیستم‌های مبتنی بر فضای ابری (cloud-based)
• به عنوان سیستم‌هایEdge  که روی دستگاه‌های متصل اجرا می‌شود.

معماری یک سیستم AIoT بسته به استراتژی پیاده‌سازی آن متفاوت خواهد بود.

AIoT مبتنی بر فضای ابری

با رویکرد مبتنی بر فضای ابری، معماری اساسی یک سیستم AIoT به شکل زیر است:

Device layer (لایه دستگاه) : دستگاه‌های سخت افزاری مختلف (mobility ، تگ‌ها/ beaconها، سنسورها، دستگاه‌های پزشکی و تناسب اندام، وسایل نقلیه، تجهیزات تولید، دستگاه‌های تعبیه‌شده در دستگاه‌های بزرگتر)

Connectivity layer (لایه اتصال) : درگاه‌های میدانی و ابری

Cloud layer (لایه ابری) : ذخیره‌سازی داده‌ها، پردازش داده‌ها (موتور هوش مصنوعی)، تجسم داده‌ها، تجزیه و تحلیل، دسترسی به داده‌ها از طریق API

User communication layer (لایه ارتباطی کاربر) : پورتال‌های وب و اپلیکیشن‌های موبایل

Edge AIoT

با تجزیه و تحلیل Edge ، داده‌های جمع‌آوری شده چه در دستگاه‌های متصل و چه در درگاه‌های میدانی، به منبع پردازش نزدیک‌تر می‌شوند.

Collection terminal layer (لایه ترمینال مجموعه) : دستگاه‌های سخت‌افزاری مختلف (mobility ، تگ‌ها/ beaconها، سنسورها، دستگاه‌های پزشکی و تناسب اندام، وسایل نقلیه، تجهیزات تولید، دستگاه‌های تعبیه‌شده در دستگاه‌های بزرگتر) که از طریق خطوط برق موجود، به درگاه‌ها متصل هستند.

Edge layer (لایه لبه) : امکانات ذخیره سازی داده‌ها، پردازش داده‌ها (موتور هوش مصنوعی)، تولید بینش‌های تجاری و غیرتجاری

با این حال، پیاده‌سازی‌های متمرکز بر Edge ، در مقابل Cloud مقاومت نمی‌کنند. ذخیره‌سازی داده‌ها می‌تواند مبتنی بر فضای ابری هم باشد. برای مثال جمع‌آوری ابرداده‌های مربوط به عملکرد سیستم یا اطلاعات متنی مورد نیاز برای آموزش یا بازآموزی هوش مصنوعی Edge می‌تواند مبتنی بر Cloud باشد. (فکر کنید: الگویی برای ایجاد گردش‌های کاری هوش مصنوعی که شامل Edge و Cloud می‌شود. Edge شامل دستگاه‌های ساخته شده خارج از فضای ابری است که به اشیای فیزیکی نزدیک‌تر هستند.

برترین کاربردهای AIoT در صنایع مختلف

هوش مصنوعی اشیا با توجه به عوامل متعددی چون در دسترس بودن ابزارهای نرم افزاری جدید، توسعه راه‌حل‌های هوش مصنوعی ساده‌سازی شده، تزریق هوش مصنوعی به سیستم‌های قدیمی و پیشرفت در حفظ سخت افزاری الگوریتم‌های هوش مصنوعی، در بسیاری از صنایع در حال گسترش است. در این‌جا تعدادی از امیدوارکننده‌ترین کاربردهای AIoT در صنایع مختلف را آورده‌ایم.

کاربرد AIoT  در پزشکی و مراقبت‌های بهداشتی

کمک به تشخیص بیماری

AIoT می‌تواند به ارائه‌دهندگان مراقبت‌های بهداشتی کمک کند تا تشخیص دقیق‌تری از بیماری‌ها داشته باشند. تجهیزات IoT در زمینه مراقبت‌های بهداشتی هوشمند، داده‌های بیمار را از منابع مختلف – از تجهیزات پزشکی گرفته تا پوشیدنی‌های هوشمند و پرونده‌های سلامت الکترونیک – دریافت می‌کنند و با تجزیه و تحلیل متقابل این داده‌ها، به پزشکان در تشخیص دقیق بیماری کمک می‌کنند.

تجهیزات پزشکی مبتنی بر هوش مصنوعی در حال حاضر در چندین زمینه از متخصصان پزشکی انسانی پیشی گرفته‌اند. رادیولوژیست‌ها در سرتاسر جهان برای غربالگری سرطان از هوش مصنوعی کمک می‌گیرند.

در مطالعه‌ای که توسط Nature Medicine منتشر شد، هوش مصنوعی در تعیین این که آیا بیماران مورد آزمایش، مبتلا به سرطان ریه هستند یا خیر، از شش رادیولوژیست بهتر عمل کرد. الگوریتمی که روی 42.000 اسکن بیمار از سوابق داده‌های کارآموزی بالینی وزارت بهداشت آمریکا آموزش داده شده بود، موارد سرطان را 5 درصد بیشتر نسبت به همتاهای انسانی خود شناسایی کرد و تعداد موارد مثبت کاذب را 11 درصد کاهش داد. شایان ذکر است که مثبت کاذب یک مشکل اساسی در تشخیص سرطان ریه است. مطالعه JAMA Internal Medicine روی 21.000 بیمار، میزان مثبت کاذب را 97.5 درصد بیان می‌کند. بنابراین هوش مصنوعی به رفع یکی از بزرگترین مشکلات تشخیص پزشکی کمک می‌کند.

سیستم‌های AIoT هنگام تشخیص سرطان سینه، بیماری‌های پوستی و سرطان پوست به همان اندازه خوب عمل می‌کنند. اما امکانات سیستم‌های هوشمند و متصل بسیار فراتر از آن است.

مطالعات اخیر بیانگر این هستند که هوش مصنوعی می‌تواند بیماری‌های ارثی نادر در کودکان، بیماری‌های ژنتیکی در نوزادان، بیماری‌های ژنتیکی افزایش‌دهنده کلسترول و بیماری‌های نورودژنراتیو را تشخیص دهد و زوال شناختی را که منجر به آلزایمر می‌شود، پیش‌بینی کند.

بهبود استراتژی‌های درمانی و پیگیری روند توانبخشی

با پیروی از همان اصل در تشخیص بیماران، سیستم‌های AIoT می‌توانند به توسعه استراتژی‌های درمانی بهتر و تنظیم آن‌ها با نیازهای بیمار کمک کنند.

الگوریتم‌های هوشمند با ترکیب داده‌های پروتکل‌های درمانی، پرونده پزشکی بیمار و اطلاعات حال حاضر او که از تجهیزات و پوشیدنی‌های متصل به او دریافت می‌شوند، می‌توانند دوز داروی لازم را تجویز کنند، احتمال ابتلای بیمار به آلرژی را از بین ببرند و از درمان نامناسب یا بیش از حد اجتناب کنند. برخی از زمینه‌های ضروری که AIoT در آن‌ها روند درمان را تسهیل می‌کند عبارت‌اند از:

درمان مؤثرتر کووید-19

با نظارت بر بیماران مبتلا به کووید-19 از طریق پوشیدنی‌های مجهز به AIoT که علائم حیاتی بدن بیماران را ثبت می‌کند، پزشکان می‌توانند پیشنهادات لازم را به بیماران ارائه دهند. بنابراین مراقبت‌های سرپایی مؤثرتری انجام خواهد شد.

درمان بیماری‌های انعقاد خون

دستگاه‌های انعقادی متصل، به اندازه‌گیری سرعت تشکیل لخته‌های خون کمک می‌کنند. بنابراین به بیماران اطمینان می‌دهد که اندازه‌گیری‌ها در محدوده درمان آن‌هاست و تعداد مراجعاتشان به مطب را کاهش می‌دهد. چرا که این اندازه‌گیری‌ها می‌تواند از راه دور و به صورت بلادرنگ به ارائه‌دهندگان مراقبت‌های بهداشتی منتقل شود.

مدیریت بهتر آسم و COPD

بیماری‌های مزمن تنفسی (COPD) حدود 500 میلیون بیمار را در سراسر جهان تحت تأثیر قرار داده‌اند. برای کاهش شدت بیماری، بیماران تنفسی باید به یک روتین کامل پایبند باشند و استفاده از دستگاه‌های استنشاقی، بخش ضروری آن است. با این حال، بسیاری از بیماران از برنامه‌های درمانی توصیه شده پیروی نمی‌کنند. دستگاه‌های استنشاقی مجهز به AIoT که یک اپلیکیشن موبایل متصل هستند، به جلوگیری از به هم خوردن این روتین کمک می‌کنند و زمان، تاریخ و مکان هر استفاده را ثبت می‌کنند. داده‌های جمع‌آوری‌شده را می‌توان برای تنظیم یادآورهای خودکار برای استفاده بعدی ،پیش‌بینی حملات آسم و شناسایی عوامل محرک استفاده کرد.

مدیریت دیابت

تنها در ایالات متحده، 30 میلیون نفر مبتلا به دیابت هستند و اندازه‌گیری منظم گلوکز، همواره برای آن‌ها یک دغدغه است. گلوکزسنج‌های قابل کاشت بی‌سیم و مجهز به AIoT ، با اطلاع‌رسانی به بیماران – و پزشکان – تغییرات گلوکز بیمار را تشخیص داده و نگرانی‌ بیمار را کاهش می‌دهد.

بهینه‌سازی گردش کار بیمارستان

AIoT می‌تواند نحوه اداره بیمارستان‌ها را تغییر دهد و گردش کار روزانه را در زمینه‌های زیر بهبود دهد:

کاهش زمان انتظار

سیستم‌های tracking خودکار تخت مجهز به AIoT می‌توانند به کارکنان بیمارستان کمک کنند تا بیماران اورژانسی‌تر را در سریع‌ترین زمان ممکن در صورت خالی بودن تخت، پذیرش کنند. تجربه بیماران در برخورد اولیه با این فناوری در مرکز پزشکی Mt. Sinai در نیویورک، ثابت می‌کند که AIoT می‌تواند زمان انتظار بیماران بخش اورژانس را تا 50 درصد کاهش دهد.

شناسایی بیماران اورژانسی

شناسایی بیمارانی که نیاز به مراقبت فوری دارند، در ارائه مراقبت‌های پزشکی با کیفیت، بسیار مهم است. برای تصمیم‌گیری صحیح، پزشکان باید مقادیر زیادی از اطلاعات را تجزیه و تحلیل کنند، در حالی که تحت فشار زیادی قرار دارند. AIoT می‌تواند به کارکنان بیمارستان در اولویت‌بندی تسک‌هایشان کمک کند. سیستم‌های متصل می‌توانند موارد حیاتی بیمار را تجزیه و تحلیل کنند و پزشکان را از وجود بیمارانی که وضعیت وخیمی دارند، آگاه کنند.

چندین سیستم مشابع در بخش‌های مختلف مراقبت‌های ویژه آزمایش شدند. به عنوان مثال، دانشگاه سانفرانسیسکو یک سیستم هوش مصنوعی را آزمایش کرد که قادر به تشخیص علائم اولیه سپسیس، یک عفونت خونی مرگبار بود. نتایج تحقیقات نشان داد که احتمال ابتلا به عفونت در بیمارانی که هوش مصنوعی در درمان آن‌ها دخیل بوده است، 58 درصد و میزان مرگ و میر در آن‌ها 12 درصد کاهش یافته است.

Tracking دستگاه‌های پزشکی

با Tracking دستگاه‌های پزشکی با استفاده از AIoT ، بیمارستان‌ها می‌توانند خطر از دست دادن تجهیزات پزشکی حیاتی خود را کاهش دهند و تصمیمات آگاهانه‌تری برای مدیریت آن‌ها اتخاذ کنند. بنابراین به ازای هر تخت در بیمارستان، سالانه 12.000 دلار صرفه‌جویی می‌شود. تجهیزات پزشکی حیاتی را می‌توان از طریق سیستم‌های RFID یا GPS در داخل و خارج از بیمارستان Tracking کرد. پزشکان و کارکنان اداری بیمارستان هم می‌توانند از اپلیکیشن‌های وب و موبایل برای یافتن سریع تجهیزات مورد نیاز خود استفاده کنند.

کاربرد AIoT در ساخت

فعال کردن قابلیت پیش‌بینی تعمیرات و نگهداری

با ماشین آلات مجهز به حسگرهای AIoT که پارامترهای مختلفی از جمله دما، فشار، لرزش، سرعت چرخش و غیره را اندازه‌گیری می‌کنند، سازندگان می‌توانند به صورت آنی بینش‌هایی درباره سلامت دارایی‌های خود دریافت کنند و تعمیر و نگهداری آن‌ها را بر اساس نیازهای واقعی برنامه‌ریزی نمایند.

تجزیه و تحلیل اولیه اغلب برای شناسایی تجهیزاتی که به آستانه عملیاتی حیاتی خود نزدیک شده‌اند، کافی است. اما هوش مصنوعی می‌تواند بر اساس پرونده‌های تعمیرات و نگهداری، از قبل پیش‌بینی کند. سازندگان می‌توانند زمان کارکرد تجهیزات را تا 9 درصد، هزینه‌ها را تا 12 درصد و خطرات ایمنی را تا 14 درصد کاهش دهند . همچنین آن‌ها می‌توانند طول عمر دارایی‌های خود را تا 20 درصد افزایش دهند.

بهبود مدیریت عملکرد تجهیزات

با داشتن یک سیستم AIoT ، سازندگان می‌توانند به‌روزرسانی‌های منظمی درباره عملکرد دارایی‌هایشان دریافت کنند و دلایل تغییرات عملکرد را بررسی کنند. اکثر سیستم‌های مدیریت عملکرد دارایی که مبتنی بر اینترنت اشیا هستند، امکان دریافت هشدارهای خودکار را در زمانی که قعطه‌ای از تجهیزات از KPI های تنظیم شده منحرف شود، ارائه می‌دهند.

موتور هوش مصنوعی به نوبه خود به بررسی دلایل افت عملکرد، در صورت وقوع، کمک می‌کند و تشخیص می‌دهد که آیا KPI های اندازه‌گیری شده برای Trackingدر هر کدام از تنظیمات شخصی معقول هستند یا خیر. با استفاده از نرم افزار مدیریت عملکرد، سازندگان استفاده از تجهیزات را بهینه‌سازی می‌کنند و کارایی کلی آن‌ها را بهبود می‌بخشند.

تقویت برنامه‌ریزی تولید با دوقلوهای دیجیتال

به نقل از Gartner ، دوقلوهای دیجیتال می‌توانند به تولیدکنندگان کمک کنند تا در اثربخشی تولید، به بهبود حداقل 10 درصدی دست پیدا کنند. یک دوقلو دیجیتالی می‌تواند یک کپی دیجیتالی از یک دارایی، سیستم یا فرآیند باشد که با کمک AIoT می‌تواند به سازندگان کمک کند تا دیدی کلی از واحدهای تولیدی جزء داشته باشند و ناکارآمدی‌ها را شناسایی و حتی پیش‌بینی می‌کند.

شرکت‌های سازنده که از دوقلوهای دیجیتال استفاده می‌کنند، اظهار دارند که می‌توانند به پیشرفت‌های پایداری دست پیدا کنند. از جمله افزایش قابلیت اطمینان از 93 درصد به 99.49 درصد در طی دو سال، کاهش هزینه‌های تعمیر و نگهداری تا 40 درصد و صرفه‌جویی 360.000 دلاری با پیش‌بینی قطع برق.

خودکارسازی عملیات واحدهای تولیدی جزء از طریق روباتیک صنعتی

ربات‌های صنعتی مدت‌هاست که بخشی از واحدهای تولیدی جزء بوده‌اند. با در دسترس‌تر شدن سیستم‌های ساخت متصل به IoT ، روبات‌ها هوشمندتر و مستقل‌تر می‌شوند. رباتیک صنعتی که مجهز به سنسورهاست و بر هوش مصنوعی تکیه کرده است، اکنون قادر است آگاهانه و در حال انجام کار تصمیمات تولیدی خود را اتخاذ کند و در نتیجه، کارایی واحدهای ساخت را افزایش می‌دهد.

کاربرد AIoT در صنایع خودروسازی و حمل و نقل

مدیریت ترافیک

AIoT می‌تواند برای کاهش تراکم ترافیک و بهبود کیفیت حمل و نقل استفاده شود. به عنوان مثال، شهر تایپه از AIoT برای نظارت و کنترل تجهیزات سیگنال‌دهی در 25 اتصال استفاده کرد. در این سیستم، سنسورهای هوشمند و دوربین‌های ویدئویی داده‌های بلادرنگ در ورد ترافیک و عبور و مرور انسان‌ها و وسایل نقلیه در خیابان‌ها را تجزیه و تحلیل نموده و منطق کنترل مناسب را اعمال کردند.

این رویکرد به مدیریت شهری کمک کرد تا جریان ترافیک را بهینه کند و تجربه رانندگی ایمن و روان را تضمین کند.

وسایل نقلیه خودران

وسایل نقلیه خودران و سیستم‌های پیشرفته کمک راننده (ADAS) نمونه‌های برجسته‌ای از الگوریتم‌های هوش مصنوعی هستند که داده‌های اینترنت اشیا را به صورت بلادرنگ تفسیر و بر اساس آن‌ها عمل می‌کند.

خودروهای خودران یا autonomous بر اساس داده‌های انواع سنسورها، نقشه‌ای از محیط اطراف خود ایجاد می‌کنند. به عنوان مثال، سنسورهای رادار، موقعیت وسایل نقلیه نزدیک را نظارت می‌کند. دوربین‌های فیلمبرداری چراغ‌های راهنمایی، علائم راهنمایی رانندگی و سایر وسایل نقلیه و عابران پیاده را تشخیص می‌دهند. حسگرهای Lidar فواصل را اندازه‌گیری می‌کنند، لبه‌های جاده را تشخیص می‌دهند و نوع خطوط را شناسایی می‌کنند.

سپس نرم افزار هوش مصنوعی داده‌های حسگر را پردازش می‌کند، مسیر بهینه را ترسیم می‌نماید و دستورالعمل‌هایی را به محرک‌های خودرو می‌فرستد که شتاب، سیستم ترمز و فرمان را کنترل می‌کنند. قوانین Hard-coded ، الگوریتم‌های اجتناب از موانع، مدل‌سازی پیش‌بینی کننده و تشخیص اشیا به نرم افزار کمک می‌کند تا قوانین راهنمایی و رانندگی را رعایت کند و از موانع عبور کند.

چالش‌های کلیدی پیاده سازی AIoT و نحوه حل آن‌ها

از کل پروژه‌های اینترنت اشیا که در سطح جهانی اجرایی شده‌اند، 76 درصد با شکست مواجه می‌شوند که 30 درصد از این آمار متعلق به مرحله اولیه اثبات مفهوم است. برای جلوگیری از سرمایه‌گذاری روی طرح‌هایی که محکوم به شکست هستند، شرکت‌های که سیستم‌های ابداعی AIoT را آزمایش می‌کنند، باید از چالش‌های رایجی که ممکن است مانع اجرای AIoT آن‌ها شود، آگاه باشند. موانعی که چنین کسب و کارهایی اغلب با آن‌ها مواجه می‌شوند عبارت‌اند از:

شروع یک پروژه AIoT بدون هدف مشخص

زمانی که یک پروژه AIoT شروع می‌شود، سازمان‌ها ممکن است درگیر نوآوری و تازگی آن شوند و ارزیابی امکان‌سنجی ایده‌های خود را فراموش کنند. این به نوبه خود می‌تواند منجر به افزایش هزینه‌های کنترل‌نشده در مراحل آخر توسعه و در نهایت نارضایتی سهامداران شود. برای جلوگیری از این اتفاق، توصیه می‌کنیم پروژه AIoT خود را با یک فاز اکتشافی شروع کنید. که در این فاز می‌توان ایده‌ها را بررسی کرد و با اهداف تجاری تعیین‌شده، انتظارات مشتریان بالقوه و قابلیت‌های سازمانی سنجید.

داشتن مشکل در انتخاب یک استراتژی اجرایی بهینه برای سیستم‌های AIoT

همانطور که قبلتر گفته شد، سیستم‌های AIoT را می‌توان به عنوان سیستم‌های ابری، Edge یا ترکیبی پیاده‌سازی کرد. هنگام تهیه پیش‌نویس استراتژی پیاده‌سازی، پهنای باند، تأخیر و سرعت مورد نیاز سیستم بالقوه خود را به دقت اندازه‌گیری کنید و سعی کنید هزینه‌های لازم را تا جای ممکن کاهش دهید. بنا به تجربه، می‌توان گفت که استقرار Edge در سیستم‌های حساس به زمانی که دربرگیرنده تعداد زیادی از دستگاه‌ها و متکی بر cloud هستند، ضروری است. در صورتی که تأخیر حداقلی و پهنای باند بالا از اهمیت کمتری برخوردارند.   

چرخه‌های استقرار آهسته برای AIoT با هزینه‌هایی که تخمین آن‌ها دشوار است

پروژه‌های AIoT نیازمند یک تعهد بلندمدت هستند. بنا به موارد خاص، فرآیند پیاده‌سازی می‌تواند از چندین ماه تا چندین سال طول بکشد. با تغییر سریع چشم‌انداز فناوری، خطر منسوخ‌شدن یک راه حل تا زمانی که به طور کامل عملیاتی شود، و همچنین خطر از دست‌دادن کنترل بر هزینه‌های اجرا وجود دارد. برای جلوگیری از این اتفاق، کسب و کارها باید به اندازه کافی چابک (agile) باشند تا بتوانند تغییراتی در طول مسیر ایجاد کنند.

نیاز به اتصال به سیستم‌های بسیار ناهمگن و پیچیده

بسته به مقیاس سیستم بالقوه شما و صنعتی که در آن فعالیت می‌کنید، ممکن است لازم باشد تجهیزات قدیمی بسیار ناهمگنی را به AIoT متصل کنید. انجام این کار اغلب بسیار دشوار است و نیاز به برنامه‌ریزی و درک گزینه‌های موجود دارد. به عنوان مثال، می‌توانید انتخاب کنید که حسگرها را به ماشین‌های قدیمی متصل کنید، یا آن‌ها را از طریق درگاه‌ها متصل کنید، یا حتی آن‌ها را به طور کامل جایگزین کنید. صرف نظر از رویکردی که انتخاب می‌کنید، مطمئن شوید که سناریوهای دیجیتالی‌شدنی را که امکان‌پذیر هستند، در همان اوایل پیش‌نویس کنید.

نداشتن اطلاعات کافی برای آموزش الگوریتم‌های هوش مصنوعی

برای ایجاد یک بینش‌های مطمئن، الگوریتم‌های هوش مصنوعی باید بر روی حجم وسیعی از داده‌ها آموزش ببینند. اگر به مقدار کافی داده ندارید (یا دارید ولی به دلایل حفظ حریم خصوصی نمی‌توانید از آن‌ها استفاده کنید)، باید از استراتژی‌های دیگری برای جبران کمبود داده استفاده کنید. روش‌های متداول در این زمینه عبارتند از یادگیری انتقال (استفاده از یک شبکه عصبی از قبل آموزش‌دیده که مشکلی مشابه را حل می‌کند)، افزایش داده‌ها (اصلاح نمونه‌های موجود برای دریافت ورودی‌های داده جدید)، یا متوسل شدن به داده‌های مصنوعی.

داشتن مشکل در دستیابی به عملکرد لازم در سیستم AIoT

عملکرد سیستم‌های AIoT به مجموعه‌ای از عوامل از جمله قابلیت‌های سخت‌افزاری، data load ، معماری سیستم، رویکرد پیاده‌سازی و موارد دیگر بستگی دارد. برای جلوگیری از مشکلات عملکرد در عملیات، برای data load بالقوه از قبل برنامه‌ریزی کنید و استراتژی پیاده‌سازی را بر اساس آن تنظیم کنید.

آسیب‌پذیری‌های نرم افزاری و سخت افزاری AIoT

بسیاری از پروژه‌های AIoT شکست می‌خورند، زیرا امنیت داده‌ها، دستگاه‌ها، سرورها و شبکه‌های ارتباطی را در مرحله برنامه‌ریزی در نظر نگرفته‌اند. اگر با داده‌های بسیار حساس سر و کار دارید، استقرار هیبریدی را در نظر بگیرید. در این شیوه داده‌ها نزدیک‌تر به منبع پردازش می‌شوند، بنابراین ریسک به خطر افتادن آن‌ها در حین انتقال یا در فضای ابری به حداقل می‌رسد.

ممنون از این‌که تا این‌جا همراه ما بودید. اگر پرسشی در زمینه هوش مصنوعی اشیا دارید، یا قصد پیاده‌سازی یک سیستم AIoT را دارید، با ما تماس بگیرید.

منبع: hackernoon