Как AIoT изменит все в будущей цифровой трансформации

Искусственный интеллект вещей (AIoT) и устройств — следующий шаг цифровой трансформации. Этот подход и набор «умных» программных и аппаратных инструментов объединяет возможности интернета вещей (IoT) и искусственного интеллекта (AI, ИИ).

Генезис AIoT

На самой заре цифровой трансформации, в начале 2000-х, корпорация Motorola пыталась продвинуть концепт Intelligence Everywhere, объединяющий возможности интернета, устройств и искусственного интеллекта. Тогда это оказалось невозможным в силу недостаточного развитости техники, сетей и ПО. Теперь «умные» устройства стали компактнее, доступнее, и их применяют повсюду — в самых привычных рабочих и бытовых процессах. Интернет также стал повсеместным, мобильным и быстрым. «ИИ вещей» объединяет «умные» алгоритмы и устройства, которые сами учатся взаимодействовать друг с другом, вместе решая конкретные рутинные задачи.

Искусственный интеллект вещей позволяет отказаться от отправки больших потоков данных на корпоративные серверы или в облако. Используя встроенный ИИ, устройства сами справляются с поставленной задачей. Синергия технологий, ставших массовыми, впервые позволила обойтись без загрузки терабайт ненужных данных в масштабные дорогостоящие центры обработки данных (ЦОД). И это меняет все.

Вычисления на границе — основа AIoT

Вычисления «на границе» (граничные вычисления, edge computing) позволяют обрабатывать данные прямо рядом с их источниками: камерами, датчиками, «умными» колонками и пр. Для этого используется компактное оборудование с нейросетями, которые сами обучаются. Все необходимое — идентификация, анализ, структурирование и обработка данных — происходит на месте, то есть «на краю системы». А в центральный сервер или облако отправляются «жемчужины» — самые важные и полезные данные, уже очищенные и сжатые до минимума.

С развитием техники и ПО «искусственного интеллекта вещей» стало намного проще применять его на простых и недорогих устройствах, которые окружают нас повсюду. Сегодня их количество растет невероятно быстро.

Простота, технологичность и экономичность монтажа устройств интернета вещей привела к их широкому их распространению и огромному массиву данных, которые совсем еще недавно требовалось отправке для обработки в датацентр. Для экономии энергии и надежности создали и используют специальные упрощенные стандарты связи: NB-IoT, LoRa, ZigBee, BLE и пр.

Благодаря развитию и воплощению концепта искусственного интеллекта вещей, граничным вычислениям, вероятно, их применение станет более узким и специальным. И уж точно отпадет необходимость строительства новых огромных дата-центров, инвестировать в кратное наращивание вычислительных мощностей и радио- и оптических каналов связи для обработки вала не вполне релевантной, «сырой» информации.

AIoT — ключ успеху любого вендора

При современном уровне развития технологий огромное количество онлайн-данных — несложно собрать передать и обработать. Сложность — в том, что разнообразных данных так много, что от них совсем не просто получить реальный толк: отделить или скомпилировать действительно ценные сведения, применить их и получить зримый эффект, реальную отдачу.

Искусственный интеллект вещей решает как раз эту — главную задачу: он помогает обработать данные на месте, прямо «под капотом», отбросив лишнюю информацию, отобрать самую важную, значимую и полезную. Как-бы превратить горы документации в ряд понятных диаграмм и коротких точных справок.

По этой причине искусственный интеллект вещей становится главным козырем в битве за клиента, дверью в мир множества сервисов, использующих реальные, а не интернет-данные.

AIoT — трансформатор и созидатель

При проектировании любой инновации, трансформация с помощью ИИ вещей, нужно, прежде всего, правильно поставить задачу внедрения.

Например, на производстве пластиковой упаковки — высокий процент брака (10% изделий не соответствуют стандартам). Это реальная, ощутимая проблема, влияющая на затраты и прибыльность. Менеджмент решает внедрить ИИ-контроль качества, чтобы снизить долю брака и повысить эффективность производства. На первый взгляд, задача на 100% разумна и понятна. Однако для надежной качественной реализации — слишком общая.

Из-за расплывчатой формулировки задачи специалисты и менеджеры проектной группы могут, например, разработать сложную систему мониторинга всех этапов производства. Это может включать лишних десятков и сотен датчиков, создание модели ИИ анализа качества, прогнозирование неисправностей оборудования и многое другое. На это уйдет уйма времени и ресурсов, а результат может оказаться далеким от желаемого: из-за сложности системы ее внедрение затянется, а небольшое улучшение на выходе не оправдает затрат.

Как в любом проектном менеджменте, необходимо максимально точно ответить на ряд вопросов:

• Почему возникает брак? На каком конкретно этапе?
• Какие данные нужно собирать и анализировать?
• Как получить наиболее релевантные сведения?
• Какие выводы, решения придется принять, какие изменения внедрить?
• Как будет выглядеть результат, какие показатели считать улучшением?

На каждом участке производства работает и своя логика, и конкретная задача, и критерии успешности. Важно выбрать участок наиболее практического применения Искусственного интеллекта Вещей, в которую инвестировать на старте проекта.

В Китае не раз сталкивались с расхождением ожидания от внедрений AIoT и реальной их пользы. Потому что одну и ту же комплексную ИИ-модель однотипно применяли на разных предприятиях в различных отраслях, однотипно интерпретируя параметры и выводы, которую она генерировала без учета уникальности производств и индустриальных объектов. Так по вине «умной» ИИ-системы контроля наводнений пара китайских городов попросту утонули.

Реализовать подход «управления на основе данных» с ИИ вещей легче, когда двигаешься от частного к общему, в итоге приходя к качественному росту первого общего показателя, например, производительности труда или точности мониторинга.

Если технология «взлетела», дала результат на локальном, допустим, даже на небольшом производственном участке, ее можно уверенно масштабировать на однотипных или похожих, а потом уже применять для других.

Обкатав, таким образом, решение на участке, потом — на линии, затем постепенно оцифровав и автоматизировав весь завод, крупное предприятие. Накопив подобный опыт, логично перейти к построению платформе искусственного интеллекта вещей. Подключение к ней затем можно открыть другим предприятиям и даже отраслям. Продвигать и продавать как готовое облачное индустриальное решение, быстро внедряемый, недорогой сервис, при этом кратно повышающий эффективность. И это уже — большой, географически распределенный ИКТ-бизнес.

На AIoT-платформе различные предприятия и службы не только смогут собирать дата-сеты и обучать свои нейронные сети по единому стандарту. Обмен опытом цифровой трансформации станет практически автоматическим. Руководители впервые смогут получать необходимые сведения о ситуации и процессах на основе данных, собранных и обработанных, в том числе, в тысячах километров от их месторасположения.