Der Wert künstlicher Intelligenz in der IoT-Analyse
In vielen Teilen Asiens führen saisonale starke Regenfälle zu Überschwemmungen und zerstören das Eigentum und die Lebensgrundlage der Bürger. In der Vergangenheit konnten Stadtverwaltungen, Bürger und Unternehmen kaum etwas anderes tun, als sich vor Überschwemmungen und den damit verbundenen potenziellen Krankheiten zu schützen. Und Technologien wie das Internet der Dinge (IoT), maschinelles Lernen (ML) und künstliche Intelligenz (KI) könnten zukunftsorientierteren Führungskräften eine Atempause verschaffen.
Dies ist die Anwendung des Hochwasserschutzsystems der Provinzregierung DKI Jakarta in der Jakarta Smart City. Das Projekt wurde von Jakarta Smart City in Zusammenarbeit mit der Jakarta Water Services Agency (DSDA) entwickelt und zielt darauf ab, das Hochwasserrisikomanagement in Jakarta zu optimieren. Bei dem Projekt geht es um den Einsatz von IoT, künstlicher Intelligenz und maschinellem Lernen als Teil eines Frühwarnsystems zur Bekämpfung von Überschwemmungsrisiken in Städten.
Da immer mehr Unternehmen IoT in kommerziellen und industriellen Umgebungen einsetzen, könnte die Menge der von diesen Geräten und Sensoren kommenden Daten entscheidend zur Verbesserung der Qualität und Betriebseffizienz und, im Fall von Jakarta, zur Rettung von Leben vor Naturkatastrophen und Eigentum beitragen von großer Bedeutung.
Kenneth Koh, Leiter der Branchenberatung am SAS Institute, ist davon überzeugt, dass die Geschwindigkeit und Genauigkeit, mit der IoT-Systeme auf ihre Umgebung reagieren können, von entscheidender Bedeutung ist. Da Geräte und andere Sensoren in typischen Systemen jedoch große Datenmengen erzeugen, können herkömmliche Tools und Methoden den Prozess der Sinngewinnung dieser Daten verlangsamen.
Was ist Artificial Intelligence Embedded IoT?
Kenneth Koh: Die Verarbeitung von Daten am oder in der Nähe des Edge kann IoT-Systeme flexibler und wirkungsvoller machen. Die Qualität datengestützter Maßnahmen ist jedoch ebenso aussagekräftig wie die Qualität der datenbasierten Erkenntnisse, auf denen sie basieren.
Das Internet der Dinge selbst ist für Hersteller nichts Neues. Hersteller sammeln und speichern seit Jahrzehnten Sensordaten von Maschinen. Ihr Wertversprechen liegt in AIoT – der Analyse von Daten in Echtzeit am Netzwerkrand und der Nutzung künstlicher Intelligenz und maschinellen Lernens zur Steigerung von Effizienz und Wert.
Durch die Ausstattung von IoT-Systemen mit Fähigkeiten der künstlichen Intelligenz können verschiedene strukturierte und unstrukturierte Daten am Edge verarbeitet werden. Liefern Sie hochwertige Erkenntnisse schneller, damit Systeme darauf reagieren können.
Wie mit künstlicher Intelligenz eingebettetes IoT den Geschäftswert freisetzt
Kenneth Koh: Mit künstlicher Intelligenz eingebettetes IoT verbessert die betriebliche Effizienz und Produktivität und senkt gleichzeitig die Kosten. Es treibt auch Innovationen voran, um einen besseren Kundenservice, bessere Produkte und eine schnellere Markteinführung zu bieten.
Die Einbettung von KI in IoT-Geräte ermöglicht Edge Computing und ermöglicht den Einsatz von IoT-Systemen dort, wo konsistente 5G-Netzwerke nicht verfügbar sind. Beispielsweise können Logistikdienstleister mithilfe von IoT-Sensoren in ihren Transportflotten den inneren und äußeren Zustand von Fahrzeugen überwachen, auch in abgelegenen Gebieten der letztgenannten Routen.
Zusätzlich zum Edge Computing nutzt das in KI eingebettete IoT maschinelles Lernen, um aus den Terabytes an Daten, die täglich von IoT-Systemen generiert werden, umsetzbare Erkenntnisse zu gewinnen. Im obigen Beispiel werden die von diesen Sensoren gesammelten Daten in Echtzeit an die Cloud gesendet, sodass Techniker Fahrzeugprobleme genauer und schneller beheben können.
Hersteller können diese Erkenntnisse auch nutzen, um vorherzusagen, wann ein bestimmtes Fabriksystem oder eine bestimmte Ausrüstung ausfallen wird, sodass Techniker eine vorbeugende Wartung durchführen können. Durch die proaktive Erkennung fehlerhafter Geräte werden wertvolle Arbeitsstunden eingespart und gleichzeitig kostspielige ungeplante Ausfallzeiten reduziert.
Im Einzelhandel können Erkenntnisse aus IoT-Systemen genutzt werden, um den optimalen Preis für ein Produkt zu ermitteln und Störungen seiner Lieferkette zu minimieren.
Die Rolle des maschinellen Lernens in der IoT-Analyse
Kenneth Koh: Maschinelles Lernen ist der Vorteil des eingebetteten IoT mit künstlicher Intelligenz gegenüber anderen IoT-Bereitstellungen. Das System kann lernen, während es die von den Sensoren generierten Daten verarbeitet, indem es eine Vielzahl fortschrittlicher Analysemethoden wie Entscheidungsbäume, Zufallswälder, Gradient Boosting, neuronale Netze, Support-Vektor-Maschinen und Faktorisierungsmaschinen verwendet.
Das spart dem Unternehmer Zeit und Experten in der Organisation. Ohne die Notwendigkeit, KI-Systeme umfassend zu trainieren, können sich Experten auf andere wichtige Aufgaben konzentrieren, während Nicht-Datenwissenschaftler auf die Daten zugreifen, sie anzeigen und verarbeiten können.
Machine-Learning-Fähigkeiten erhöhen auch die Bandbreite an Daten, auf die KI-Systeme zugreifen und diese verarbeiten können: visuelle Bilder, Text und sogar gesprochene Sprache, sowohl online als auch offline. Die Steigerung der Quantität und Qualität der vorhandenen Daten erhöht den Wert und die Wirkung der daraus gewonnenen Erkenntnisse.
Die Kombination dieser maschinellen Lernfunktionen erhöht die Geschwindigkeit und das Volumen der Datenverarbeitung und führt zu umsetzbaren Erkenntnissen in Echtzeit. Dies ist in vielen IoT-Systemen von entscheidender Bedeutung.
Wie AIoT Jakarta Smart City unterstützt: Mithilfe der Plattform für künstliche Intelligenz von SAS ist Jakarta Smart City in der Lage, Daten aus mehreren Quellen in Echtzeit zu integrieren und erweiterte Analysen durch IoT, maschinelles Lernen und Technologien für künstliche Intelligenz bereitzustellen, um Funktionen zur Notfall-/Katastrophenvorhersage und -optimierung bereitzustellen Dienstleistungen öffentlich. Das Ergebnis ist eine Überschwemmungsnotfallreaktion, die das Überschwemmungsrisiko in Jakarta verringert.
Angesichts der Tatsache, dass IoT historisch gesehen eine operative Technologie ist, stellt sich die Frage, wem die IoT-Sicherheit gehört?
Kenneth Koh: Die Einführung von IoT hat die Grenzen zwischen Unternehmens-IT und OT verwischt. Sensoren und Geräte werden mit dem Netzwerk verbunden, um neue Systeme zu schaffen und Prozesse zu verbessern. Gleichzeitig setzt diese Konvergenz herkömmliche OT-Geräte und -Systeme Bedrohungen aus, denen sie noch nie zuvor ausgesetzt waren.
Tatsächlich ist echte Gerätesicherheit eine Kombination aus Technologie, Prozess und Best Practices. Daher sollte die Sicherung von IoT-Systemen nicht die ausschließliche Domäne von OT- oder IT-Teams sein, sondern zu einer engeren und effektiveren Zusammenarbeit zwischen beiden führen.
Dies ist jedoch leichter gesagt als getan, da IT-Sicherheitsteams und OT-Sicherheitsteams oft nicht die gleiche Sprache sprechen und möglicherweise Schwierigkeiten haben, die Perspektiven des anderen zu verstehen.
Die Aufgabenverteilung ist völlig anders. Die Prioritäten gehen oft auseinander und die Vorschriften zur OT-Sicherheit und zur IT-Sicherheit sind teilweise widersprüchlich. Wenn man sich einen Überblick über alle Assets in einer bestimmten Umgebung verschafft, wird klar, welche Assets und Prozesse unter keinen Umständen ausfallen dürfen.
Auf diese Weise können Unternehmen eine einheitliche Cybersicherheit einrichten und praktizieren, um die Vertraulichkeit, Integrität und Verfügbarkeit von Daten sicherzustellen.
Nennen Sie eine Best Practice für die Zusammenarbeit von IT- und Betriebstechnikern.
Kenneth Koh: In der Fertigung sind Daten sehr zeitkritisch. Wenn beispielsweise die chemischen Konzentrationen in einem Prozess von den optimalen Konzentrationen abweichen, haben Ingenieure möglicherweise nur wenige Minuten Zeit, um zu reagieren und so Tonnen an Produkt einzusparen.
In vielen Halbleiterprozessen haben Ingenieure nur Sekunden Zeit, um zu reagieren. In diesem Fall muss die Analyse an den „Edge“ verlagert werden, was bedeutet, dass Daten analysiert und Entscheidungen an der Maschine oder in der Werkstatt getroffen werden müssen und nicht im Backoffice oder in der Konstruktionsabteilung.
Dies erfordert die Fähigkeit, Analysen überall dort durchzuführen, wo sie benötigt werden, auf der Maschine, in der Produktion, in der Cloud oder im Backoffice.
Eine der größten Herausforderungen sind Datensilos. Bei Unternehmen, die keine IT/OT-Konvergenz implementiert haben, liegt dies an einem Flickenteppich nicht integrierter oder teilweise integrierter Anwendungen und Unternehmenssysteme. Ohne sorgfältige Planung kann die Einführung neuer Datenquellen, wie etwa IoT-Sensoren, das Problem verschärfen.
Die Implementierung einer Datenintegrationsplattform zur Verbindung von IoT-Systemen mit dem vorhandenen Technologie-Stack eines Unternehmens kann Silos zwischen historischen und zukünftigen Daten auflösen und gleichzeitig allen Teams den gleichen Zugriff über einen einzigen Kontrollpunkt ermöglichen. Dies stellt sicher, dass IT- und OT-Teams auf dem gleichen Stand sind, und legt den Grundstein für eine bessere IT/OT-Integration.
Das obige ist der detaillierte Inhalt vonDer Wert künstlicher Intelligenz in der IoT-Analyse. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
