Используйте мощь революции Интернета вещей с помощью ИИ

К 2020 году Интернет вещей (IoT), вероятно, вырастет на рынке более чем в 1,29 млрд долларов США 1 , подключив более 30,7 млрд 2 объектов и производя около 500 зеттабайт данных 3 . Ни один топ-менеджер не может игнорировать то, как эта технология изменит дизайн продукта, производство, продажи, закупки и другие бизнес-циклы в его или ее отрасли.Однако разница между хорошими и великими лидерами будет заключаться в том, как они смогут спроектировать организацию, которая не только сможет предвидеть эти изменения, но и найдет способы извлечь пользу из огромного потока данных, генерируемого межмашинным (M2M) взаимодействием. . Именно здесь решения на основе ИИ могут помочь справиться со сложностью генерируемых данных и предоставить ценную информацию для бизнеса.

Вот несколько рекомендаций, которые должны помочь топ-менеджерам создать дополнительную ценность для своих компаний.

Процессы проектирования и открытые системы, охватывающие большие данные

При организации своих бизнес-процессов и определении лежащей в их основе ИТ-инфраструктуры менеджеры должны будут решить две критические проблемы, связанные с проектированием системы: какой тип архитектуры программного обеспечения и топологии сети необходимо внедрить, чтобы оптимизировать преимущества, создаваемые будущим потоком данных IoT? Даже если некоторые поставщики будут продвигать проприетарные решения из соображений безопасности данных, для топ-менеджеров будет все более важно выбирать открытые решения (например, Apache Hadoop). Компании, использующие такой подход, не только гарантируют, что любой новый датчик или машина будут беспрепятственно добавлены в сеть без утомительного жесткого кодирования API. Они также смогут воспользоваться преимуществами согласованности данных и совместимости высококлассных систем, что приведет к повышению производительности и снижению затрат.

Стремитесь к распределенной архитектуре

Очевидно, что выбор такой системной стратегии не является нейтральным и влияет на тип реализуемой сетевой топологии. Вместо того, чтобы продвигать централизованную архитектуру с ее явными преимуществами (например, централизованные системы легче создавать, внедрять и даже обслуживать, поскольку существует только одна единственная точка отказа), система, ориентированная на IoT, потребует более распределенного системного подхода, который будет принести конкретные преимущества и недостатки сети.Действительно, распределенные сети обладают высокой масштабируемостью, исключительной стабильностью (поскольку любой вред ограничивается проблемным узлом) и могут быстро развиваться. Однако они требуют большего обслуживания и более сложны в реализации, поскольку необходимо точно определить такие детали, как ресурсы и данные, которые должны совместно использоваться и передаваться. Это определение особенно важно, если компании собираются в полной мере извлечь выгоду из потоков данных M2M.

Управляйте интеллектом своих систем

В отличие от потребительских рынков, где сам факт подключения к Интернету вещей может привести к дополнительным продажам, внедрение технологий Интернета вещей или M2M в среде B2B должно добавить системе интеллекта. Этого можно достичь только за счет принятия более быстрых и качественных решений и обеспечения последовательного потока данных, который можно собирать. Вычислительные стратегии для повышения скорости и качества решений, а также предоставления процессов, которые могут обнаруживать закономерности в больших данных, не обязательно согласованы. Действительно, выдвижение интеллекта на самый нижний уровень, то есть внутри компонентов, имеет смысл только в том случае, если решения могут приниматься на этом уровне, не запрещая при этом возможности консолидации информации в осмысленный результат.

Довести интеллект до предела может быть сложно, но при правильном применении он может обеспечить высочайшие результаты производительности.

Разработайте стратегию периферийных вычислений

Несколько лет назад я участвовал в написании совместной книги по CCTV 4 в условиях мегаполиса, в которой я предположил, что лучшие системы безопасности являются результатом передачи интеллектуальных данных в ближайший конкретный источник данных, который необходимо контролировать. Я считал и до сих пор считаю, что, например, интеграция обработки данных в камеры для учета особых проблем (например, учет изменений условий освещения в метро или вибраций) намного лучше, чем помещать всю аналитику данных в сетевой видеорегистратор (NVR). ).Такая стратегия граничных вычислений (обеспечиваемая распределенной архитектурой) предполагает разделение обработки данных между двумя (или более) уровнями сети в зависимости от того, где она более значима. В этом случае обработка видеоаналитики может выполняться в параллельных потоках, как на уровне камеры, так и на уровне NVR. Очевидно, что такой подход вводит критическую проблему шкалы времени, проблему, с которой не всегда легко справиться. Это особенно верно, когда речь идет о распределенном хранении квазинезависимых систем, которые поэтому разработали свои собственные циклы принятия решений и разные частоты хранения данных.

Рассмотрите возможность использования технологий обработки сложных событий (CEP).

Для учета различных событий, которые могут происходить одновременно, разработчики систем должны ввести так называемую обработку сложных событий (также называемую автоматической генерацией правил), которую можно рассматривать как технологию, которая анализирует и объединяет эти различные события, вырабатывая решения и потенциально инициируя другие действия. События. CEP также учитывает иерархию событий (например, нарушение безопасности считается более серьезным событием, с которым необходимо бороться в первую очередь). Таким образом, CEP вводит приоритизацию, позволяя производить события более высокого уровня, поступающие с более низкого уровня абстракции. Другие ключевые преимущества CEP заключаются в том, что он может автоматически выявлять редкие, но важные взаимосвязи между, казалось бы, несвязанным потоком событий и ускорять своевременное реагирование. Это также снижает эксплуатационные расходы за счет контроля сквозной производительности системы и помогает точно настроить бизнес-процессы.

Тем не менее, есть три основные проблемы с CEP.

• Компьютерщики могут создавать определяемые пользователем правила только в том случае, если уровень сложности является разумным, особенно разделение обрабатываемой информации между уровнями сети.
• Идентифицируемые признаки, которые могут указывать на значимые события, часто состоят из событий низкого уровня, скрытых в нерегулярных временных паттернах (т. е. от долей секунды до месяцев).
• CEP не может предсказывать будущие события или вычислять значения системных параметров для будущих событий.

Вот где свойства ИИ могут быть полезны.

Используйте ИИ для оптимизации потока данных M2M и IoT

В частности, есть две технологии ИИ, которые хорошо адаптированы для CEP: искусственные нейронные сети (ИНС) и методы глубокого обучения. ИНС — это вычислительные модели, имитирующие человеческий мозг, состоящие из миллиардов нейронов, соединенных между собой синапсами. Их многочисленные ключевые функции могут управлять сложным моделированием, необходимым для приложений IoT, то есть большими данными, генерируемыми датчиками, демонстрирующими сложные (временные) закономерности. Кроме того, ИНС преуспевают в кросс-модальном обучении, характеристика, которая может соответствовать множеству свойств, присущих Интернету вещей.

Добавляя технологии глубокого обучения к ИНС, мы можем добавить столько скрытых слоев, сколько захотим, предоставляя механизм для обучения ИНС с учителем или без учителя. Таким образом, технология глубокого обучения, работающая на ИНС, улучшает систему, предоставляя возможность учиться на прошлом. Кроме того, поскольку обучение улучшает идентификацию закономерностей, в долгосрочной перспективе оно обеспечивает предсказуемость будущих событий и значений их параметров.

Вывод

Все эти методы и технологии когнитивных вычислений, которые я только что описал, заставят компании и их системных инженеров проектировать, обучаясь, а не определяя априори сложные системы с их взаимодействиями. Действительно, использование CEP и ANN с такими технологиями, как глубокое обучение, позволит настраивать систему во время обучения без учителя. Скорее всего, это будет означать, что Интеллект сначала появится в меньших системах, затем распространится на другие и, наконец, на всю систему. Как следствие, чем больше проект будет основываться на опыте, то есть на поступающих результатах, тем важнее будет определение того, каким должен быть конечный результат. Именно здесь великие менеджеры могут сыграть ключевую роль.

1 исследование IDC по расходам, охватывающее прогнозный период 2015–2020 гг.

2 прогноза IHS на 2016 г.

4 Т. Критцер, С. Ван Темше и др., «CCTV: инструмент для поддержки безопасности общественного транспорта», 2010 г.