隨著投資的浪潮、新產(chǎn)品的大量涌現(xiàn)以及企業(yè)部署的不斷增加，人工智能正在物聯(lián)網(wǎng)(IoT)領域掀起一股熱潮。公司制定物聯(lián)網(wǎng)戰(zhàn)略，評估潛在的物聯(lián)網(wǎng)項目，或?qū)で髲默F(xiàn)有物聯(lián)網(wǎng)部署中獲得更多價值，可能需要探索人工智能的角色。

開啟物聯(lián)網(wǎng)潛力的人工智能鑰匙

人工智能在物聯(lián)網(wǎng)應用和部署中扮演著越來越重要的角色，這一轉變在該領域的企業(yè)行為中表現(xiàn)得非常明顯。對使用人工智能的物聯(lián)網(wǎng)初創(chuàng)企業(yè)的風險投資大幅上升。在過去的兩年里，公司已經(jīng)收購了幾十家在人工智能和物聯(lián)網(wǎng)交叉領域工作的公司。而物聯(lián)網(wǎng)平臺軟件的主要供應商現(xiàn)在正在提供集成的人工智能功能，比如基于機器學習的分析。

人工智能在物聯(lián)網(wǎng)中扮演著重要角色，因為它有能力從數(shù)據(jù)中快速提取洞察力。機器學習，一項人工智能技術，帶來了自動識別模式和檢測數(shù)據(jù)異常的能力，智能傳感器和設備產(chǎn)生的信息，如溫度，壓力，濕度，空氣質(zhì)量，振動和聲音。企業(yè)發(fā)現(xiàn)，在分析物聯(lián)網(wǎng)數(shù)據(jù)方面，機器學習與傳統(tǒng)商業(yè)智能工具相比具有顯著優(yōu)勢，包括能夠提前20倍進行操作預測，而且比基于閾值的監(jiān)控系統(tǒng)的準確度更高。語音識別和計算機視覺等其他人工智能技術可以幫助從過去需要人工審查的數(shù)據(jù)中提取洞察力。

人工智能和物聯(lián)網(wǎng)技術的強大結合正在幫助企業(yè)避免計劃外停機，提高運營效率，推出新產(chǎn)品和服務，并加強風險管理。

避免昂貴的計劃外停機時間

在許多部門，由于設備故障而導致的計劃外停機會造成嚴重損失。

預測維護——使用分析方法提前預測設備故障，以便安排有序的維護程序——可以減少計劃外停機帶來的經(jīng)濟損失。在制造業(yè)中，預測維護可以將計劃維護所需的時間減少20-50%，將設備的正常運行時間和可用性提高10-20%，并將總體維護成本降低5-10%。

因為人工智能技術——尤其是機器學習——可以幫助識別模式和異?，F(xiàn)象，并基于大量數(shù)據(jù)進行預測，它們被證明在實現(xiàn)預測維護方面特別有用。

提高操作效率

人工智能驅(qū)動的物聯(lián)網(wǎng)可以做的不僅僅是幫助避免計劃外停機。它還可以幫助提高操作效率。部分原因在于機器學習能夠產(chǎn)生快速而準確的預測和深刻的見解，以及人工智能技術能夠自動完成越來越多的任務。

例如，對好時來說，在生產(chǎn)過程中控制產(chǎn)品的重量至關重要:重量精度每提高1%，就可以為一批14000加侖的產(chǎn)品(如Twizzlers)節(jié)省50多萬美元。該公司利用物聯(lián)網(wǎng)和機器學習，在生產(chǎn)過程中顯著減少了重量變化。數(shù)據(jù)由第二次采集和分析，重量變化可以通過機器學習模型進行預測，使得每天可進行240個工藝調(diào)整，而在安裝ml驅(qū)動的物聯(lián)網(wǎng)解決方案之前，每天只需進行12個工藝調(diào)整。

基于人工智能的預測也幫助谷歌削減了40%的數(shù)據(jù)中心冷卻成本。該解決方案根據(jù)工廠內(nèi)傳感器提供的數(shù)據(jù)進行培訓，預測未來一小時的溫度和壓力，以指導限制電力消耗的行動。

機器學習產(chǎn)生了深刻的見解，說服了一位航運艦隊運營商采取一種與直覺相反的行動，為他們節(jié)省了大筆資金。從船上傳感器收集的數(shù)據(jù)被用來確定用于清潔船體的金額和燃料效率之間的相關性。分析顯示，通過一年兩次而不是兩年一次的清洗船殼——從而使清潔預算增加四倍——由于燃料效率的提高，他們最終將節(jié)省40萬美元。

支持新的和改進的產(chǎn)品和服務

物聯(lián)網(wǎng)技術與人工智能相結合可以形成改進的基礎，并最終形成全新的產(chǎn)品和服務。例如，在通用電氣的無人機和基于機器人的工業(yè)檢查服務方面，該公司希望人工智能能夠?qū)崿F(xiàn)檢查設備導航的自動化，以及根據(jù)檢查設備捕獲的數(shù)據(jù)識別缺陷。這可能會導致更安全，更精確，并為客戶節(jié)省高達25%的檢查費用。

與此同時，勞斯萊斯計劃不久推出一項新產(chǎn)品，以物聯(lián)網(wǎng)飛機發(fā)動機維修服務為特色。該公司計劃使用機器學習來幫助它發(fā)現(xiàn)模式，并確定將出售給航空公司的運營見解。汽車制造商Navistar希望通過機器學習分析實時聯(lián)網(wǎng)的車輛數(shù)據(jù)，在車輛健康診斷和預測性維護服務方面創(chuàng)造新的收入來源。根據(jù)Navistar技術合作伙伴Cloudera的數(shù)據(jù)，這些服務幫助近30萬輛汽車減少了40%的停機時間。

加強風險管理

許多將物聯(lián)網(wǎng)與人工智能相結合的應用程序正在幫助組織更好地理解和預測各種風險，并實現(xiàn)快速反應的自動化，使他們能夠更好地管理工人安全、財務損失和網(wǎng)絡威脅。

例如，富士通(Fujitsu)已經(jīng)嘗試使用機器學習來分析來自聯(lián)網(wǎng)可穿戴設備的數(shù)據(jù)，以估計其工廠工人長期積累的潛在威脅熱壓力。印度和北美的銀行已經(jīng)開始評估人工智能通過atm上的聯(lián)網(wǎng)監(jiān)控攝像頭實時識別可疑活動的能力。汽車保險公司Progressive正在對聯(lián)網(wǎng)汽車的數(shù)據(jù)進行機器學習分析，以精確定價其基于使用情況的保險費，從而更好地管理承保風險。拉斯維加斯市已經(jīng)轉向了一種機器學習解決方案，以確保其智能城市計劃的安全，其目標是實時自動檢測和應對威脅。

對企業(yè)的啟示

對于跨行業(yè)的企業(yè)來說，人工智能有可能提升物聯(lián)網(wǎng)部署所創(chuàng)造的價值，從而實現(xiàn)更好的產(chǎn)品和運營，從而在業(yè)務績效方面獲得競爭優(yōu)勢。

考慮新的基于物聯(lián)網(wǎng)項目的管理人員應該意識到，用于預測能力的機器學習現(xiàn)在已與大多數(shù)主要的水平(換句話說，通用)和工業(yè)物聯(lián)網(wǎng)平臺集成，如MicrosoftAzureIoT、IBMWatsonIoT、AmazonAWSIoT、GEPredix和PTCThingWorx。

越來越多的交鑰匙、捆綁或垂直物聯(lián)網(wǎng)解決方案利用了機器學習等人工智能技術。例如，對于聯(lián)網(wǎng)的汽車使用案例，寶馬的CarData平臺可以訪問車主共享的數(shù)據(jù)和IBMWatsonIoT的AI功能。在消費品和零售業(yè)，許多補貨自動化和優(yōu)化解決方案使用機器學習來預測需求和優(yōu)化庫存水平。汽車保險業(yè)的遠程信息處理解決方案提供商正在整合機器學習，以創(chuàng)建更準確的風險模型和預測索賠行為。

也許可以使用人工智能技術從物聯(lián)網(wǎng)部署中獲取更多價值，而物聯(lián)網(wǎng)部署的設計并沒有考慮到人工智能的使用。例如，匈牙利一家石油和天然氣公司將機器學習應用于傳感器數(shù)據(jù)，這些數(shù)據(jù)在柴油生產(chǎn)過程中已經(jīng)被收集。該分析使該公司能夠更準確地預測燃料的硫含量，并幫助確定工藝改進，目前每年可為公司節(jié)省60多萬美元。企業(yè)可能已經(jīng)在使用的主要水平和工業(yè)物聯(lián)網(wǎng)平臺正在提供基于人工智能的新功能，這可能有助于提高現(xiàn)有部署的價值。

物聯(lián)網(wǎng)的未來是人工智能

在物聯(lián)網(wǎng)的情況下，機器學習可以幫助公司獲取他們擁有的數(shù)十億個數(shù)據(jù)點，并將其歸結為有意義的內(nèi)容。總的前提和零售應用程序一樣——回顧和分析你收集的數(shù)據(jù)，找出可以從中學到的模式或相似之處，以便做出更好的決策。物聯(lián)網(wǎng)也會產(chǎn)生大數(shù)據(jù)，但人工智能只是讓這些大數(shù)據(jù)對一個行業(yè)有用和有意義的技術。物聯(lián)網(wǎng)和人工智能技術之間互惠共存。有大量的領域和商業(yè)利基可以獲得兩種技術共存的優(yōu)勢。是時候讓機器指出真正的機會在哪里了。