IoT + AI是一個既新鮮又古老的話題，兩者結合會帶來全新的價值。最近一段時間，伴隨著AI技術的不斷成熟，IoT的很多場景都在探索AI的落地。
據觀察，AI在IoT領域的落地有如下三個驅動力：
首先，是AI技術的快速發展。
不管是PaddlePaddle、TensorFlow的技術框架，還是在物聯網領域機器學習的核心算法，這些相關技術都在快速發展。同時，各大公司也都紛紛加大對AI的投入和佈局。
其次，邊緣計算的發展，給AI落地增加了非常強的入口。
雲端和邊緣端的互動越來越緊密，很多計算和AI推斷多發生在邊緣側，越來越多的AI落地場景需要雲和端的緊密配合。
第三，物聯網的核心場景對AI有強需求。
舉幾個例子。
- 比如在離散製造業中對生產設備的預測性維保。這是將設備的運行狀態經過訓練分析，從而得到設備的壽命預測，這種方案已經落地。
- 比如在鍊鋼的過程中，通過AI能力減少鍊鋼過程中發生鋼水洩露的惡性事故風險。
- 比如售電領域中，通過AI能力提供需求響應和供需匹配。
以上都是在物聯網應用中需求很強的核心場景，也都離不開AI。
那麼開發者的問題是什麼？
- 如何運用AI的手段分析出物聯網的海量數據價值？
- 如何將百度優秀的AI能力應用到自己的物聯網的方案呢？
對，開發者所需要的已經來了，時序洞察—一個基於物聯網時序數據的AI分析工具，正在開放公測。
小概念
時序洞察是一項針對IoT時序數據的託管分析服務，幫助數據分析師用AI的方法從大量的時序數據中獲取知識，輔助決策；與TSDB和智能邊緣等產品無縫對接，可以在雲上和端上執行推斷過程，讓整個分析過程更加流暢。
時序洞察有以下幾個優勢。
- 一站式分析和部署：無縫對接TSDB數據，對IoT的歷史數據使用在線的JupyterLab分析工具來進行數據分析。
- 時序模板：依託百度AI技術的能力，內置多個場景的時序數據分析模板，包含電量需求預測模型、軌跡分類模型、時序統計模型，並可以直接將這些模版應用於用戶自己的TSDB數據集中。
- 端雲一體：模型可以部署在智能邊緣，直接在端上實現AI推斷執行，也可以部署在雲端。
- 時序數據推斷優化：將時序數據的處理方法直接複用到IoT實時數據的模型推斷過程中。
-
分享到:
閱讀更多 大數網 的文章
