在物联网中利用AI/ML降低了连接带宽,节省了电力,并提高了设备做出更智能决策的能力。
人工智能(AI)是一种试图模仿人类行为的系统,更确切地说,是一种电子和/或机械实体,模仿对输入的响应,类似于人类的行为。最好的例子是语音识别,系统需要理解口语术语、缩写、代名词以及标准词汇,以便做出反应,就像你在和最好的朋友说话一样。AI的关键在于从传感器或传感器组合中获取输入,并基于目标确定适当的响应。例如,家庭安全系统的目标是保护家庭。它必须确定振动和声音传感器的输入是否与破碎的窗户匹配,如果匹配,触发警报并通知有关部门。它试图匹配的行为,如果你在沙发上,窗户碎了——你会听到它,认出它,并跑去拨打紧急服务。
机器学习(ML)是一个系统在重复使用后自我改进的能力。其想法是,它可以利用收集到的数据来改进自己。ML的创建是人工智能的副产品,因为研究人员需要一种方法来改善他们对输入的响应,而不需要频繁地手动更新系统,而不是让它自己更新和变得更好。ML通常是一种计算机算法,用于开发诸如语音识别等解决方案。
人工神经网络或ANN是机器学习的一种实现,尽管它是一个非常先进的实现,有许多层。与在单个流中接受输入并做出决策的ML不同,ANN有几个节点,每个节点都根据数据决定要做什么。更改一个节点的行为也会影响其他节点。这就产生了一个更复杂的结构,与人类大脑非常相似。
物联网最受期待的发展之一是人工智能和机器学习的注入。通过使物联网设备具有可训练性、可操作性和从环境中提取信息和学习的能力,它们变得更具有情境意识,并最终以各种方式变得更有用。
物联网有许多层,可以实现AI/ML。每一层都可以做出不同的决定,并提供不同的价值主张。底层需要处理的数据最少,通常只有区域管辖权。随着层次的上升,需要计算的数据越来越多,决策也越来越大,对系统的影响也越来越大。越靠近顶端,数据到达那里所需的时间就越长,决策传递下去、最终用户看到反应的时间也就越长。例如,你不希望语音识别一直到云,然后花几秒钟的时间返回,你希望在本地计算它,这样你可以有一个快速的响应,从而有良好的用户体验。
从底部开始,物联网中AI/ML的末端边缘由最简单的终端设备(如小型、低功耗传感器)、简单的智能家居设备(如灯泡)、低端恒温器等组成。通常,他们使用像Cortex-M类这样的微处理器和一个非常精简的人工智能系统来根据他们所感知的数据做出最佳决策。这可以让恒温器或门和窗传感器了解它们所处的环境,并做出最好的决定,而不是从工厂校准,如果它们部署在独特的环境中,可能会做出错误的决定。这可以增强用户体验,并允许设备制造商和最终用户从设备中获得他们需要的一切。
这个级别的AI/ML通常仍然在物联网网络的前提下,但已经转移到像Cortex-A类这样的应用处理器。它们可以计算更多的数据,并从所有其他端点节点或传感器获取输入。在这里,您可以基于整个家庭或建筑做出决策,而不是将其发送到云。你可以让系统同时查看智能HVAC系统和智能照明系统的数据,以确保如果用户离开建筑,灯会被关闭,可能会减少HVAC输出以节省电力。在这里,您首先开始将系统连接在一起,在决定做什么之前接受所有的输入。
在最顶端,你现在处理的是一组更区域性的数据和决策,这些数据和决策可能会影响一个社区、城镇或城市。这里有更强大的处理器来处理数据的增加。这通常是市政当局和城市处理这一层,以监控资源使用,如电力、停车位等。
最终一切都是为了数据,在这里,你似乎有无限的计算能力,这与事实并不遥远。通常情况下,即使决策不是在云级别做出的,数据和决策至少也会被发送到云级别进行分析,以确定这是否是正确的决策,如果不是,则系统可以改进。在这里,您可以连接许多连接的系统,并管理整个资产舰队。这通常用于大型实体,如零售商店所有者、具有多级流程的工业企业、酒店连锁等。
边缘设备传感器可以产生大量的原始数据,因此占用大量的带宽。人工智能终端节点可以对数据进行预处理,减少带宽占用。
专门的AI建模软件可以创建小型应用mcu使用的模型,从而避免了通常需要检测原始数据细微差异的复杂编码。
人工智能增加了功能优势和能力,但不会增加内存占用或MCU需求,因为代码大小往往会减少。局部处理,也降低了电流,因为通信减少了。
随着传输到云上的数据集减少,不良行为者可以用来进行黑客活动的数据就更少了。AI/ML支持的较小数据集也有助于消除黑客识别数据模式的能力。
请选择至少一列。