物联网和人工智能在技术上取得进步

MRO Electric and Supply 的 Joseph Zulick

很多人都听说过人工智能将如何改变我们的生活。如果你想知道如何看待这个；希望这是轻描淡写。人工智能 (AI) 将触及我们生活的方方面面。 MRO Electric and Supply 经理 Joseph Zulick 表示，物联网 (IoT) 和工业物联网 (IIoT) 正在连接我们车辆、家庭、业务各个方面的设备，并正在改变工厂车间.

传感器和智能设备正在收集大量数据。这些数据正在通过我们家中和手机上的语音操作设备建立我们的个人资料。收集的每条数据都会扩展您的个人资料轮廓。如果你和我都登录亚马逊，我们的页面很可能看起来很不一样。我的兴趣和数据构建了我的个人资料，您的信息构建了您的个人资料。这允许定制体验。我想强调“定制”这个词。

正是这种个性化和定制化的体验使我们能够使用这些工具进行购买，因为它允许快速检索我们过去查看过的商品以及查看类似商品。这是通过订阅的可再生项目获得的进一步体验。就像我们的牙医提醒更换牙刷一样，当您过去的购买设置为续订时，您会收到提醒，或者您可以使用订阅进一步节省时间。

在我们的生活中，Facebook、谷歌和许多其他数据收集平台都在复制和模仿同样的经历。数据是新的货币。亚马逊不制造产品，而是通过提供解决方案来满足您的需求。

无论您是通过硬接线开关还是通过我们车辆中的传感器或我们家中的温度收集这些数据。所有这些都有助于我们找到解决方案。数据的收集可以通过多种方式完成，但收集并移动到云端只是拼图的第一块

下一部分是处理您的数据。通过物联网，数据收集过程变得更加容易。信息几乎是瞬间从源头传送到互联网，并快速处理和比较，然后以正确的格式传输到您的平板电脑、手机或计算机。如果您生活在一个层次结构和即时性很重要的世界，边缘计算可以增加价值。

如果您查看许多机器控制，他们通常会实施此策略，它们可以在本地处理安全和重要数据，并在通信系统非高峰时调整不重要的信息。这通常称为边缘层。许多系统通过离散的传感器和开关收集并通过兼容的 SQL 服务器系统进行处理，这些可以有多种形式，包括机器控制。

通过集成传感器和测量设备，我们实际收集信息的方式变得更加简单。这些连接或智能设备都以某种方式连接，使您可以从您所在的位置访问这些信息，尽管它可能与实际来源相距甚远。

处理是我们实际处理数据的地方，即使那只是将数据从一堆移动到另一堆。我们将数据放入寄存器并编译信息。它可能需要添加到以前的数据中或移动到其他系统上。这些内存寄存器通常会在将数据移动到下一个位置时将数据保存一小段时间。

数据的处理方式有很多种，可以是人工录入，也可以是系统进程进来的，甚至是外部带进来的数据。想想在您家中，您的智能恒温器会持续且直接地监控数据，您可能有一个摄像头，它仅在传感器从运动中启动时才收集数据，因此它是远程触发的，然后我们有诸如您的手机或其他语音驱动设备之类的东西需要您启动它才能开始获取数据。然后，所有这些数据都通过调制解调器进行处理，并上传至云端。

这个采集阶段可能有一些处理能力。在工厂中，许多传感器连接到一个系统中，该系统在机器级别比较数据以确定其部件是好还是坏。在您家中，声控设备开始编译并确定命令是否需要添加到文件中，例如添加到您的购物清单中，或者是否需要去检索数据。这些可以作为双向系统。当您想在操作员界面上查看零件打印时非常方便。

其他系统，例如可能已经存在、实施和管理您的业务的企业层。这些在上面显示为企业集成。这些系统运行您现有的大部分后台和仓库供应链。在许多情况下，这些系统还有其他用途，例如库存管理、预防性维护、生产计划和质量跟踪。

集成是下一阶段的一部分，您可以在此处与现有数据或外部系统的参数进行比较。这是人工智能过程的第一阶段，将实际结果与历史结果和预期结果进行比较。这些自动开发的神经网络帮助我们获得更智能、更智能的预期结果。这些导致更高的期望，也让我们从数据中获得更多价值。

基于映射到发生历史的当前和过去实际结果的调整。当我们建立我们的信息时，我们增加了我们的知识。我们现在需要将信息转化为知识到启蒙。信息必须产生改进和启发水平，从而创造出影响细节的新途径。

上面来自 NIST 的图片代表了分析的硬连线版本，但是在真正的人工智能中，系统必须能够学习和开发自己的网络，该网络能够根据重要的内容以及该信息的影响程度来响应所学到的内容公式中有。因此，门必须能够打开或关闭，以确定它们是否是公式的一部分并产生影响。您还需要一种方法来改变该公式中的影响。

想想一个公式，a+b / (5*c)=结果。我们可能会确定正在发生变化并要求我们调整公式。也许“b”根本没有影响，或者 b 有两倍的影响。人工智能必须能够扩展，而不仅仅是在需要一个人进入并重新编程这些更改的硬连线决策中。

无需人工干预即可增加智能，这是我们梦想的场景。我们的长期愿望是系统将自行学习，不需要任何影响。婴儿学习的项目是不同的。瓶子不同于软木塞。它的大小、重量、提起每件物品所需的力量、抓握的紧度、搬运时不会撞到东西的运动范围、惯性等方面都不同。即使孩子不知道为什么它会适应这些差异，他们会调整以弥补差异。这是我们对机器以这种方式学习的渴望。

语言在我们交流的方式中必须有一个共同的理解。这可能是语言或映射问题。如果我知道 casa 意味着房子或家，我就不需要总是理解一种语言。我可以映射一张桌子，所以当说出 casa 这个词时，我可以参考告诉我房子的桌子。

改善我们的生活。我们改进教学的结果将最大限度地减少我们所需的投入。假设恒温器可以了解我们的舒适度。如果我出汗就是太热了，如果我发抖就是太冷了。调整多少？如果有5个人怎么办？不是每个人的舒适度都是一样的。也许他们在出汗，但他们穿着毛衣。

作者是 Joseph Zulick，是 MRO Electric and Supply 的一名经理。