在亞洲的許多地區(qū)，季節(jié)性暴雨帶來洪水，破壞公民的財產(chǎn)和生計。過去，城市管理部門、市民和企業(yè)除了抵御洪水及其帶來的潛在疾病外，幾乎什么都做不了。而物聯(lián)網(wǎng)(IoT)、機器學習(ML)和人工智能(AI)等技術可能會為更具前瞻性的領導者提供喘息的機會。

這就是DKI雅加達省政府防洪系統(tǒng)在雅加達智慧城市中的應用。該項目由雅加達智慧城市與雅加達水資源服務局(DSDA)合作開發(fā)，旨在優(yōu)化雅加達的洪水風險管理。該項目涉及使用物聯(lián)網(wǎng)、人工智能和機器學習作為預警系統(tǒng)的一部分，以應對城市的洪水風險。

隨著越來越多的組織在商業(yè)和工業(yè)環(huán)境中部署物聯(lián)網(wǎng)，來自這些設備和傳感器的數(shù)據(jù)量可能對提高質量、運營效率以及在雅加達的情況下，從自然災害中拯救生命和財產(chǎn)具有重要意義。

SAS Institute的行業(yè)咨詢主管Kenneth Koh認為，物聯(lián)網(wǎng)系統(tǒng)對其環(huán)境做出反應的速度和準確性至關重要。然而，由于典型系統(tǒng)中的設備和其他傳感器會產(chǎn)生大量的數(shù)據(jù)，傳統(tǒng)的工具和方法會減慢對這些數(shù)據(jù)的理解過程。

什么是人工智能嵌入式物聯(lián)網(wǎng)？

Kenneth Koh: 在邊緣或邊緣附近處理數(shù)據(jù)可以使物聯(lián)網(wǎng)系統(tǒng)更靈活、更有影響力。但是，以數(shù)據(jù)為主導的行動的質量與其所依據(jù)的基于數(shù)據(jù)的洞察力的質量一樣有意義。

物聯(lián)網(wǎng)本身對制造商來說并不陌生。幾十年來，制造商一直在收集和存儲來自機器的傳感器數(shù)據(jù)。他們的價值主張在于AIoT——在邊緣實時分析數(shù)據(jù)，利用人工智能和機器學習來提高效率和價值。

通過為物聯(lián)網(wǎng)系統(tǒng)配備人工智能能力，可以在邊緣處理各種結構化和非結構化數(shù)據(jù)。以更快的速度提供高質量的見解，供系統(tǒng)采取行動。

人工智能嵌入式物聯(lián)網(wǎng)如何釋放商業(yè)價值

Kenneth Koh: 人工智能嵌入式物聯(lián)網(wǎng)提高了運營效率和生產(chǎn)力，同時降低了成本。其還推動創(chuàng)新，以提供更好的客戶服務、更好的產(chǎn)品和更快的產(chǎn)品投放到市場。

在物聯(lián)網(wǎng)設備中嵌入AI可以實現(xiàn)邊緣計算，從而允許在一致的5G網(wǎng)絡不可用的情況下部署物聯(lián)網(wǎng)系統(tǒng)。例如，物流供應商可以在其運輸車隊中使用物聯(lián)網(wǎng)傳感器來監(jiān)控車輛的內部和外部狀況，即使是在后者路線的偏遠地區(qū)。

除了邊緣計算，人工智能嵌入式物聯(lián)網(wǎng)利用機器學習，從物聯(lián)網(wǎng)系統(tǒng)每天生成的TB數(shù)據(jù)中開發(fā)可操作的見解。在上面的例子中，從這些傳感器收集到的數(shù)據(jù)被實時發(fā)送到云端，使技術人員能夠更準確、更快地解決車輛故障。

制造商還可以利用這些見解來預測某個特定的工廠系統(tǒng)或設備何時會發(fā)生故障，從而使技術人員能夠實施預防性維護。主動檢測故障設備可節(jié)省寶貴的工時，同時減少代價昂貴的計劃外停機時間。

在零售方面，物聯(lián)網(wǎng)系統(tǒng)的見解可用于確定產(chǎn)品的最優(yōu)價格，并最大限度地減少對其供應鏈的干擾。

機器學習在物聯(lián)網(wǎng)分析中的作用

Kenneth Koh: 機器學習是人工智能嵌入式物聯(lián)網(wǎng)相對于其他物聯(lián)網(wǎng)部署的優(yōu)勢。系統(tǒng)可以在處理傳感器生成的數(shù)據(jù)時進行學習，使用各種高級分析方法，如決策樹、隨機森林、梯度提升、神經(jīng)網(wǎng)絡、支持向量機和因式分解機。

這為企業(yè)節(jié)省了人力時間和組織中的專家。無需大量訓練AI系統(tǒng)，專家可以專注于其他關鍵任務，而非數(shù)據(jù)科學家可以訪問、查看和處理數(shù)據(jù)。

機器學習能力還增加了人工智能系統(tǒng)可以訪問和處理的數(shù)據(jù)范圍:在線和離線的視覺圖像、文本甚至口頭語音。現(xiàn)有數(shù)據(jù)數(shù)量和質量的增加，增加了從中獲得的見解的價值和影響。

結合這些機器學習功能，可以提高數(shù)據(jù)處理的速度和數(shù)量，從而實現(xiàn)實時可操作的見解。這在許多物聯(lián)網(wǎng)系統(tǒng)中是至關重要的。

AIoT如何支持雅加達智慧城市:利用SAS的人工智能平臺，雅加達智慧城市能夠實時集成多源數(shù)據(jù)，并通過物聯(lián)網(wǎng)、機器學習和人工智能技術提供高級分析，以提供應急/災難預測能力和優(yōu)化服務公眾。其結果是洪水應急響應減輕了雅加達的洪水風險。

鑒于物聯(lián)網(wǎng)在歷史上屬于運營技術，誰應該擁有物聯(lián)網(wǎng)的安全?

Kenneth Koh: 物聯(lián)網(wǎng)的引入模糊了企業(yè)IT和OT之間的界限。傳感器和設備連接到網(wǎng)絡，以創(chuàng)建新的系統(tǒng)和改進流程。與此同時，這種融合使傳統(tǒng)的OT設備和系統(tǒng)面臨以前未曾有過的威脅。

事實上，真正的設備安全是技術、流程和最佳實踐的結合。因此，保護物聯(lián)網(wǎng)系統(tǒng)不應該是OT或IT團隊的專屬領域，而應該是在兩者之間產(chǎn)生更緊密、更有效的協(xié)作。

然而，這說起來容易做起來難，因為IT安全團隊和OT安全團隊通常不使用相同的語言，很難理解彼此的觀點。

職責分配完全不同。優(yōu)先事項經(jīng)常出現(xiàn)分歧，管理OT安全和IT安全的法規(guī)有時會相互矛盾。獲得給定環(huán)境中所有資產(chǎn)的概覽，可以明確哪些資產(chǎn)和流程在任何情況下都不能失敗。

通過這樣做，組織可以建立和實踐統(tǒng)一的網(wǎng)絡安全，以確保數(shù)據(jù)的機密性、完整性和可用性。

舉出一項IT和運營技術人員協(xié)同工作的最佳實踐

Kenneth Koh: 在制造業(yè)中，數(shù)據(jù)對時間非常敏感。例如，如果一個流程中的化學濃度偏離了最佳濃度，工程師可能只有幾分鐘的時間來做出反應，以節(jié)省數(shù)噸的產(chǎn)品。

在許多半導體工藝中，工程師只有幾秒鐘的時間做出反應。在這種情況下，分析需要轉移到“邊緣”，這意味著數(shù)據(jù)必須在機器或車間進行分析和決策，而不是在后臺辦公室或工程部門。

這需要有能力在任何需要的地方進行分析，如在機器上、在生產(chǎn)車間、在云端或后臺辦公室。

面臨的主要挑戰(zhàn)之一是數(shù)據(jù)孤島。對于未實施IT/OT融合的組織，由于未集成或部分集成的應用程序和企業(yè)系統(tǒng)拼湊而成。如果沒有仔細的規(guī)劃，引入新的數(shù)據(jù)來源，如物聯(lián)網(wǎng)傳感器，會使問題更加復雜。

實施一個數(shù)據(jù)集成平臺，以將物聯(lián)網(wǎng)系統(tǒng)與組織的現(xiàn)有技術堆棧連接起來，可以打破歷史數(shù)據(jù)和未來數(shù)據(jù)之間的孤島，同時通過單一控制點為所有團隊提供相同的訪問權限。這確保了IT和OT團隊在同一頁面上，為更好的IT/OT融合奠定了基礎。