物联传媒 旗下网站
登录 注册
RFID世界网 >  新闻中心  >  物联网新闻  >  正文

从工业4.0 看物联网与人工智能发展

作者:张宝敏
来源:syscom
日期:2017-07-28 10:54:18
摘要:对于物联网领域来说,首先要做的事情就是让设备可以连接,但是在设备连接上之后,人工智能就变得很重要,因此单纯使用网络将人和装置链接是不够的,关键是要拥有足够的人工智能,解析链接后带来的巨量数据,才能不需要太多人力介入,就能产生具高附加价值的应用。

  前言

  近年来随着网络的快速发展,无所不在的终端设备与传感器进入我们的生活,加上云端运算虚拟化技术与服务型商业模式的兴起,让计算机运算资源改以服务形式,经由互联网直接取得,重新塑造信息产业供应链,在这个潮流下,物联网(Internet of Things,IoT)无疑是眼下最热门的话题之一,随着传感器的迅速普及,通过传感器收集的巨量资料(Big Data)经过云端服务存储及巨量数据的分析,以数据驱动服务价值,将是未来采用的技术创新,更是将引领下一个产业革命的典范转移,成为未来企业新的商业模式。

  物联网与人工智能

  物联网是一个基于互联网、传统电信网等信息承载体,让所有能够被独立寻址的普通物理对象实现互联互通的网络。物联网一般为无线网,而由于每个人周围的设备可以达到一千至五千个,所以物联网可能要包含500兆至一千兆个物体。在物联网上,每个人都可以应用电子卷标将真实的物体上网联结,所以从物联网的定义来看,智能电话、可穿戴设备、汽车、住房、消费类电子产品、医疗设备、工厂设备等城市基础设施,都可成为一个端点 (Thing),因此物联网会产生巨量的数据。

  另一方面自从IBM 的超级计算机 Watson 在 2011 年于在美国著名的知识答题节目“危险边缘”,力挫两位顶尖人类选手,成为当时冠军,人工智能再度受到各方的关注。Watson 具备自然语言理解能力,还具有语义分析的能力,能分清反讽,双关等特定语言现象。而这是构筑人工智能的重要技术“机器学习”的进化应用。“机器学习”是从巨量的数据库数据中探勘构造一个模型,定义不同的参数,而学习这件事就是让这个模型以程序的方式执行,利用测试数据(Training Data)来调整优化这些参数,等到训练样本到一定的程度后,参数的定义也成熟了,这支程序就可以做预测。而随着取得的数据愈来愈庞大,传统的机器学习算法行不通,必需要能够自行学习知识而无须人工干预,这就是后来大家所熟知的深度学习领域。

  对于物联网领域来说,首先要做的事情就是让设备可以连接,但是在设备连接上之后,人工智能就变得很重要,因此单纯使用网络将人和装置链接是不够的,关键是要拥有足够的人工智能,解析链接后带来的巨量数据,才能不需要太多人力介入,就能产生具高附加价值的应用。

《图一》IOT x Machine Learn (图片来源 Microsoft)

  物联网与人工智能应用

  先举两个生活化的例子来看目前物联网和人工智能的应用。

  首先来看Google的无人车,它控制驾驶原理是通过车子四周安装的诸多传感器,持续不断地收集车辆本身以及四周的各种精确数据,由车内的处理器进行分析和运算,再根据计算结果来控制车子行驶,并将所收集到的数据传送到中央数据库,提供给所有的无人车,因此每台无人车能不断的从云端更新数据库,学习各种突发状况,进而做出最佳的反应动作。

《图二》Google 无人车(图片来源 Google)

  另一个例子是日本SoftBank 的智能机器人Pepper,它除了机器本身的传感器、语音识别之外,还搭载了Emotion Engine的情绪辨别系统,和SoftBank 为了此 Engine 所建立的云端运算服务Cocoro SB,因此可以感知使用者的情绪并作出适合的举动,并借助此云端运算自行学习情绪能力,未来计划能够作为医疗照护人员、儿童保姆、老人照护或是商家店员等方面的运用。

《图三》SoftBank Pepper (图片来源 SoftBank)

  除了实验性质的测试外,在目前产业方面的运用,有在工厂设备的预测性维护和快速远程诊断、商店、营运场所资料收集运用、农业结合气候和地理等数据的运用等。

  例如ThyssenKrupp Elevator 负责维护全球110万部以上的电梯,他们使用物联网服务,将 ThyssenKrupp 的电梯内数以千计的传感器和系统 (这些传感器和系统会监控从马达温度到枢轴对准、车厢速度和电梯门运作的一切事项) 连接到云端。透过Microsoft Azure 机器学习服务,电梯所提供的数据会送到动态预测性模型中,并将这些信息绘制到计算机和行动装置上的可用仪表板上,以便实时检视关键效能指标,透过预测性维护和快速远程诊断功能提高可靠性,现在,电梯本身可以教导技术人员如何进行修理作业,因此可以大幅提高现场的效率,电梯的运行时间也会大幅增加。

  或在医疗方面Kaiser Permanente使用行动技术为居家的病患提供远程监控选择,藉此提高病患的参与和便利性,同时为临床医生启用更有效率的工具。他们正在测试将医疗设备 (例如血压计、血糖仪和可穿戴的“手环”监控器) 连接到智能手机。智能手机会当做网关装置来运作,负责传送数据给安全的云端,以便与现有的分析以及可在 Kaiser Permanente 数据中心执行的数据可视化程序整合在一起。临床医生可以透过中央仪表板存取这些数据,以获得有关病患健康和活动状况的全盘且几近实时的了解,透过几乎实时远程监控重大生命迹象和自动警示,增强对病患的照护及提高他们的安全。

  未来的趋势

  早期的人工智能研究人员直接模仿人类进行逐步的推理,就像是玩棋盘游戏或进行逻辑推理时人类的思考模式。到了1980和1990年代,利用机率和经济学上的概念,人工智能研究还发展了处理不确定或不完整的信息,对于困难的问题,有可能需要大量的运算资源,也就是发生了“可能组合爆增”:当问题超过一定的规模时,计算机会需要天文数量级的内存或是运算时间,这些硬设备的投资,不仅成本昂贵且对于使用者有着较高的技术门坎。

  不过云端、巨量资料、物联网的发展,让人工智能研究得以进一步商品化,近年来我们不仅看到了用于精密检测的机器视觉系统、用于装配作业的初级智能机器人系统和用于微型计算机的自然语言接口以及各种专家系统,还在智能家居、智能大楼、车用系统等设备中得到了广泛的应用。在一定程度上这些项目利用到了物联网、巨量数据分析、人工智能上的机器学习和自然语言理解等技术,但它又不像那些传统人工智能一样,看了就让人敬而远之,似乎只是在实验室中的产品,现在这些技术将普遍应用于生活家居、医疗照护、会计,预测疫情和犯罪等,都能透过IOT x 人工智能帮忙。

  企业的机会

  很多人认为个人或中小型的企业要运用人工智能技术发展业务是困难且昂贵的,但愈来愈多的业者像Microsoft Azure、Amazon AWS、IBM Watson Analytics等,都己经提供云端机器学习的相关服务,让开发团队可以专注在资料的搜集、要解决的问题、判断要“学习”什么问题,其它运算的工作就让机器学习这个平台来完成,因此机器学习技术变的更易于使用、更便宜,因此经济部工业局也提出了工业4.0,一来透过物联网与人工智能,避免因为缺工问题而造成的产业危机,二来则是改善所有产业的生产力,如此,最困难昂贵的部份如网络、存储器、机器学习等资源由云端业者提供,我们不需投入昂贵的硬设备,只要专注于IoT x人工智能的应用,发展核心新事业,发现新的商业机会。

人物访谈