Что такое Интернет вещей? И его будущее!
«Интернет вещей» — IoT, технически описываемый как электронное устройство, оснащенное датчиками, которое отправляет данные и получает инструкции благодаря интернет-соединению. Чтобы описать нетехническим языком, миллиарды физических устройств (с датчиками), подключенных к Интернету по всему миру. IoT имеет разнообразное применение во всех секторах, чтобы расширить возможности и обогатить жизнь человека на этой планете.
Например, возьмем смартфон, вы слушаете песни в наушниках, подключенных к смартфону, в то время как вы заняты другими делами (вождением), появляется IoT на базе (искусственного интеллекта) AI. Представьте себе датчики IoT в наушниках, которые могут получать данные о вашем сердечном ритме и с помощью ИИ предсказывать ваши эмоции. Основываясь на этой эмоции, ваш смартфон может выбрать лучшую песню, хранящуюся где-то в мире. В мире насчитывается несколько миллионов песен, и вашему смартфону не нужно суперхранилище для хранения всех песен или супервычислительная мощность для прикладной модели искусственного интеллекта для распознавания эмоций. Все, что нужно, это убедиться, что он подключен к Интернету.
По данным Business Insider , к 2027 году будет более 41 миллиарда устройств IoT по сравнению с примерно 8 миллиардами в 2019 году. Этот опрос был составлен на основе ответов 400 руководителей высшего звена со всего мира. Эти компании включают Alibaba, Alphabet, Amazon, Apple, VMWare, Verizon и т. д. Далее в нем говорится, что к 2027 году все оставшиеся устройства смогут получить доступ в Интернет, а рынок IoT вырастет до более чем 2,4 триллиона долларов в год.
Интернет вещей в сочетании с наиболее динамичной технологией искусственного интеллекта (ИИ) может сделать саму систему Интернета вещей более умной и легко имитирующей деятельность человека.
Роль искусственного интеллекта в IoT
«ИИ + Интернет вещей = Интернет вещей»
ИИ определяется как процесс создания машин достаточно интеллектуальными для выполнения задач без какого-либо вмешательства человека. Все устройства IoT вместе собирают огромные данные, а с другой стороны, для создания современной модели ИИ нужны огромные данные. Таким образом, сочетание этих двух динамических методов превращает монотонный IoT в интеллектуальный IoT (умные задачи без вмешательства человека). Мощное сочетание Интернета вещей с ИИ может стать огромным прорывом в жизни людей.
Итак, когда мы говорим об искусственном интеллекте (ИИ), машинное обучение (МО) и глубокое обучение (ГО) играют более важную роль, поскольку ГО и МО являются подмножествами ИИ.
Машинное обучение (ML): Машинное обучение имеет алгоритмы или методы ML в виде компьютерной программы, которая итеративно извлекает информацию из данных, самостоятельно или с использованием набора правил, которые мы упоминаем. Существует три основных типа алгоритмов машинного обучения: обучение с учителем и обучение без учителя. Давайте рассмотрим некоторые алгоритмы или модели машинного обучения, используемые в IoT.
Регрессия: регрессия является фундаментальной концепцией машинного обучения. Он подпадает под категорию обучения с учителем, когда модель обучается с использованием входных данных (независимая функция) и выходных меток (зависимая функция). Регрессия применяется к непрерывному характеру данных. Существует два типа регрессии: линейная регрессия и нелинейная регрессия.
Линейная регрессия применяется, когда во входных данных присутствует линейность. Например, при изменении входа x должно произойти изменение выхода y. Уравнение, которое модель линейной регрессии использует для обучения, имеет вид Y = θ 1 + θ 2 X 1 . Например, возьмем выбросы CO 2 в транспортных средствах в зависимости от объема двигателя и количества цилиндров. Уровень выбросов имеет линейную зависимость от объема двигателя и количества цилиндров.
Нелинейная регрессия, например, рассмотрим данные о валовом внутреннем доходе Китая (GDI) в год. Здесь независимой характеристикой данных являются годы, а зависимой характеристикой или прогнозируемой переменной является GDI. Из этих данных мы могли видеть нелинейную связь между переменными. Уравнение для нелинейной регрессии имеет вид Y = θ 1 + θ 2 (X 1 ) 2 .
Классификация: Классификация — это метод обучения под наблюдением. Он используется для категоризации неизвестного набора элементов в дискретный набор классов. Алгоритм классификации изучает взаимосвязь между входной переменной функции и целевой переменной, представляющей интерес. Целевая переменная является категориальной с дискретными значениями. Широко используемыми известными алгоритмами классификации являются K-ближайшие соседи, дерево решений, логистическая регрессия и машина опорных векторов.
Кластеризация: Кластеризация означает поиск кластеров в наборе данных неконтролируемым методом. Кластер определяется как группа точек данных или объектов в наборе данных, которые похожи на другие объекты в группе и отличаются от точек данных в другом кластере. Широко используемыми алгоритмами кластеризации являются кластеризация K-средних, иерархическая кластеризация и кластеризация на основе плотности.
Глубокое обучение (DL): Глубокое обучение — это подобласть машинного обучения, которая была разработана на основе человеческого мозга и называется искусственной нейронной сетью (ИНС). Таким образом, прогресс в области глубоких нейронных сетей позволяет реагировать в реальной сложной среде быстрее, чем люди.
Искусственная нейронная сеть: искусственная нейронная сеть была построена в основном с тремя слоями: входной слой, скрытый слой, выходной слой. Входные данные из первого слоя (входной слой) умножаются на вес и дополнительное смещение. Смещение и веса поначалу случайны. Затем эти значения проходят через некоторую функцию активации (ReLU, Sigmoid, Tanh и т. д.), а затем переходят на следующий уровень до уровня вывода. Эту итерацию процесса можно повторять до тех пор, пока мы не получим оптимальную производительность/точность.
Применение машинного обучения в IoT
На сегодняшний день в IoT применяется несколько алгоритмов машинного обучения. Эти приложения ML сильно зависят от прикладной области. Есть несколько причин, по которым машинное обучение влияет на Интернет вещей. Но сначала, что произойдет, если IoT будет реализован без машинного обучения? IoT должен столкнуться со следующими последствиями, когда он реализуется исключительно без ML. Это включает в себя интеграцию данных из нескольких источников, управление устройствами, обработку огромного объема данных и контроль версий приложений.
IoT занимается взаимосвязью устройств с основной целью обмена информацией (данными). Эти данные были стандартной причиной, которая делает машинное обучение более мощным, повышая эффективность IoT. Ключевыми факторами, которые ML вносит в IoT, являются: анализ данных и прогнозирование будущих событий, преобразование необработанных данных в понятный человеку формат, система рекомендаций в реальном времени, обслуживание устройств (IoT) и т. д.
Процесс создания интеллектуального IoT и анализа больших данных, производимых миллиардами таких устройств, находит применение в нескольких областях. К таким областям относятся беспилотные транспортные средства, носимые устройства, промышленная автоматизация, сельское хозяйство, здравоохранение и розничная торговля.
Промышленная автоматизация: когда дело доходит до производственных линий в промышленности, вам нужна помощь автоматизированных роботов. Роботы, которые работают вместе с людьми, называются коллаборативными роботами или коботами. Их главный недостаток заключается в том, что они функционируют без знания каких-либо препятствий (человека), присутствующих в их среде. Эта ситуация потенциально может привести к смертельному ранению или смерти в случае. Чтобы смягчить физический ущерб людям или сделать роботов достаточно интеллектуальными, чтобы они знали об их рабочей среде, необходимы определенные системы безопасности. Наступает применение алгоритмов ML / DL с IoT при разработке интеллектуальной системы безопасности на основе компьютерного зрения для совместных роботов.
Сельское хозяйство: Население мира продолжает расти. В следующие 80 лет к нынешнему населению добавится 3,6 миллиарда человек. Таким образом, спрос на продукты питания возрастет. Таким образом, IoT и AI вместе улучшают сельскохозяйственное производство с помощью следующих технологий:
- Инструменты точного земледелия с использованием спутниковых данных. Этот метод использовался для сокращения использования удобрений, содержащих азот, и для повышения урожайности.
- Мониторинг посевов, используя данные с камер и датчиков, можно контролировать и анализировать состояние посевов. Алгоритмы машинного обучения с использованием этих данных своевременно сообщают фермеру о состоянии урожая.
- AI — борьба с вредителями, микродатчики IoT вместе с решениями для управления AI позволяют фермерам обрабатывать растения индивидуально и защищать их от любых потенциальных болезней и вредителей.
Беспилотные автомобили: Беспилотные автомобили — это будущее автомобилей. С помощью комбинации IoT (датчики, камеры, LiDAR, RADAR) и глубокой нейронной сети можно заставить автомобиль двигаться сам по себе. В этой области ведутся активные исследования и разработки, проводимые такими корпоративными компаниями, как Tesla, Google, Uber, Volvo и т. д.
Носимые устройства и здравоохранение: носимые устройства могут собирать необработанные данные о частоте сердечных сокращений, ЭЭГ и движениях человеческого тела с помощью встроенных в них IoT-датчиков. Получение этих показателей может быть переведено в более точную и адаптированную информацию за счет внедрения искусственного интеллекта, чтобы повысить осведомленность о состоянии здоровья и физической подготовки, раннем выявлении заболеваний и предотвращении потенциального риска в сердечно-сосудистой системе.
Умная розничная торговля: сделайте свои покупки умнее! Благодаря сочетанию Интернета вещей и искусственного интеллекта потребитель получает более разумный опыт покупок как в Интернете, так и в офлайне. С помощью ИИ он также может помочь розничному продавцу понять модель потребительских покупок. Многонациональная компания по розничной торговле одеждой H&M предложила своим клиентам новый опыт покупок с концепцией умного зеркала.
