我們聽到很多關于物聯網中的人工智能 （AI） 及其在簡化流程和降低成本方面的巨大潛力。僅通過實施連接系統來監控設備、設備和流程并進行數據分析，我們就可以將維護成本降低多達 69%（根據ONE Tech的數據）。該系統可以在設備實際需要維修時通知用戶或警告他們潛在的故障。那么，人工智能將提供什么價值，它是否更復雜？

在物聯網連接的世界中，來自資產的數據被實時監控，以分析設備性能和可能的故障。設備的健康狀況需要大量數據來建立“正常”基線，并且操作員需要設置閾值（如果已知）以在超出該范圍時觸發警報。隨著互聯系統的擴展，“大數據”將淹沒一個組織的資源，不僅要存儲大容量，還要存儲數據進入的速度。如果有多個“類型”的設備，那么數據可以有多種形式，例如文本、視頻、音頻或短信。

如果可以在設備節點上完成某些處理以建立正常行為并且僅在異常事件發生時觸發信號、警報或通知，該怎么辦？與其復雜的“學會做這一切”人工智能，不如我們采取一種更加外科手術的方法呢？這就是這些較小的 AI 容器發揮作用的時候，例如ONE Tech的MicroAI TM。

這些小型 AI 算法可以輕松嵌入到標準 MCU 中，并使用“正常”數據的樣子進行訓練，而且還可以在操作過程中學習。現在，可以直接在連接的設備節點或系統邊緣進行處理。可能會在系統功率方面進行一些權衡，但這可以與數據聚合和處理的頻率相平衡。

此外，當通過邊緣計算在邊緣位置本地處理數據時，數據連接成本和傳輸的數據量要低得多。這是因為系統只發送警報/警報，而不是將所有原始傳感器數據發送到云端進行處理。在查看一項資產可以生成多少數據時，這將節省成倍的成本。

例如，單個物聯網傳感器每秒可以提取五個數據點。如果資產上放置了 10 個傳感器，并且每個值保守地表示 10 個字節，則在一小時內，單個資產將生成 1.8MB（5 個值 x 10 個傳感器 x 10 個字節 x 3，600 秒 = 1，800，000 個字節）。

現在假設您在整個設施中擁有 100 個資產。在一年的時間里，您擁有超過 65GB 的數據。這只是邊緣計算帶來的成本節省之一。MicroAI? 允許組織專注于其核心競爭力，而不是通過允許數據開始為組織工作而專注于手動處理這些數據。例如，當 MicroAI? 確定機器內部存在故障跡象時，機器現在可以調用 API 來打開自己的工作訂單，以便維護技術人員對其進行檢查。

帶有邊緣 AI 平臺的物聯網

真正受益于這種方法的一個應用是利用蜂窩網絡作為網關將數據推送到云的遠程系統。將 MicroAI TM 與 NB-IoT/CAT-M 連接系統相結合，讓物聯網自主性邁向未來。

審核編輯：郭婷