”
人工智能 (AI) 不再只是科幻電影中的故事橋段，已經在切實改變著企業的工作方式。開發人員不斷探索各種將AI與物 聯網 (IoT)結合的方式，讓各行各業的公司都能受益於互聯設備產生的數據，其終極目標是通過深入研究多點採集的實時數據得出可行性見解，從而提高生產力、增加效率及降低營運成本。
根據IDC發佈的報告顯示，到2023年，全球物聯網支出將達到1.1萬億美元，其中離散製造、流程製造和運輸將是在物聯網方面投入最多的行業1。全球科技公司LivePerson在2019年發佈的研究報告指出，在中國，有38%的企業正在廣泛應用人工智能2。這也是他們數字戰略的一部分，AI與IoT相結合可大幅提升運行應用程序的設備能力，有助於改善商業流程。開發解決方案時，重要的一點是考慮哪種基礎架構能最完美地支持 AI 功能，以推動實時做出正確決策。
雖然雲端解決方案目前最引人注目，但延遲問題以及等待遙遠的 數據中心助力現場實時決策的方式，使其對許多應用而言並不可行。
邊緣計算在許多情況下能夠解決問題。硬件及模塊領域的新興發展推動了人工智能在邊緣的發展，也創造出各種可能性。邊緣設備以及網關至邊緣設備現在功能更加強大，可在本地收集、儲存及分析數據，而無需等待從雲端取得數值再傳回設備。通過結合 AI與邊緣計算，IoT解決方案的能力也更強，因為它消除了與雲計算相關的延遲問題。
將數據洪流轉化為可操作的見解
由某一臺IoT設備所採集的數據其本身價值十分有限。而且據 Forrester Research 調查，企業可用於分析的數據中，有 60%至73% 並未被利用。真正的價值來自於將多臺設備採集的數據集相組合，並從中找出可用於預測設備未來性能的模式。
AI 技術可以實現處理大量數據並識別數據中的定式。AI 運用強大的算法，針對新的輸入內容做出調整，並依據其長期學習、旨在提供自動化的正確回饋並引導做出決策的成果來制定決策。它也是一種為IoT設備所收集的各種數據增添價值的工具。AI利用匯集的大數據，不僅能夠發現過去發生的事情，也能分析提出各種方式，協助提高流程效率，並依據多種情境預測未來情況。
數據的集中使用推動了人工智能進行機器學習的能力，這是該技術的 一個重要元素。機器學習使用能從數據中“學習”的具有計算能力的算法，並依據其他輸入隨時間自行調整。這樣就可以在人員干預有限的情況下，讓AI和機器學習測將數據分析結果轉換為可操作的見解，以助於偵測異常情況、產生預測結果、加強風險管理、減少停機時間、提升運營效率。
雲計算無法滿足實時決策的需求
越來越多企業採用公共雲來託管更多數據已成為一種趨勢。目前IoT生態系統中連網設備的大部分數據，都是收集和傳輸至雲端來進行處理及分析。雲端數據中心藉由運算能力彙集數據， 並以 AI 技術支持制定決策。
雖然已證明這種方式穩定可靠，但是與雲端之間數據來回傳輸的時間會造成延遲問題，對實時決策造成影響。雲端數據中心所在的地理位置越遠，所造成的延遲時間就更長。數據每行進100英里，速度就損失約0.82毫秒。
雲端運算雖然靈活，但卻無法滿足醫療保健、製造和運輸等行業日益增長的高負荷的物聯網應用需求。
隨著採用AI技術的IoT解決方案的數量和應用實例持續增加，雲計算仍將是 IoT生態系統進行復雜及歷史數據處理的重要組成部分。不過，果要助力實時決策，邊緣計算對許多應用而言是更理想快速的方法，能為終端設備提供計算及分析功能。
人工智能走向邊緣，釋放物聯網潛能
營運技術是可以對整個企業實際設備的變化情形進行探測和控制的軟硬件堆棧。採用AI 技術的IoT 設備通過組合數據輸入來推動智能化實時決策，讓營運技術的概念更上一層樓。
邊緣計算將IoT 設備數據採集的收集、儲存及分析工作轉移，以實現遠離雲端的實時決策。雲端的AI 由單一大型處理中心管理，而邊緣人工智能則更像是蜂巢架構，由小巧但運算能力強大的設備共同運作，以推動在本地依據數據制定決策。
實時回應：由於不需要將數據傳輸至雲端進行處理，消除了影響實時決策正確性的延遲問題。對於製造、醫 療成像及自動駕駛等多種應用，實時響應至關重要，其中基於人工智能的決定了IoT 機器的實時性能。
更可靠的營運：與流程、機器狀態及營運相關的決策都在本地進行，對連接性的顧慮較少。實時信息可確保過程 不會因設備故障或突然失效等問題而中斷。IoT 解決方案中還集成了用於識別何時進行預測性維 護的參數。
強化安全防護：邊緣計算將敏感數據儲存在本地IT生態系統中， 避免了公共雲的安全性問題。如果網絡攻擊者嘗 試透過IoT設備訪問網絡，具備人工智能的解決 方案也能偵測到網絡邊緣的異常情形，並迅速採 取緩解措施。風險分析負責判定所有可能的攻擊 入侵點，並建立預防性方案以緩解安全問題。
降低計算成本：由於邊緣計算是在本地彙集數據而非將其送往雲 端，因此可減少昂貴的連接帶寬需求。
人工智能提供的優勢相當具有吸引力，有助於推動企業實現數字化轉型。隨著部署的 IoT 設備增加，對於有邊緣計算能力且具備人工智能的解決方案的需求呈指數成長。依靠雲端進行數據處理和分析來推動實時決策的作法已不可行。邊緣計算能夠在本地處理 AI 算法和機器學習，並且沒有云端計算固有的延遲問題， 將能提供更有效推動營運及提升生產力的見解。
閱讀更多 中電網 的文章
