MQTT-Protokoll basierend auf künstlicher Intelligenz und IoT
Als das Message Queue Telemetry Transport (MQTT)-Protokoll vor über 20 Jahren erfunden wurde, wussten seine Erfinder wahrscheinlich nicht, dass es zu einer zentralen Anwendung in allen Branchen werden würde.
Das liegt daran, dass das MQTT-Protokoll zum De-facto-Standard für den Austausch von Nachrichten zwischen verbundenen Geräten geworden ist, auch bekannt als Internet der Dinge (IoT). Es bietet IoT-Sensoren die Möglichkeit, in Smart Cities, Smart Buildings und verschiedenen Branchen wie Einzelhandel, Gesundheitswesen und Fertigung miteinander zu kommunizieren.
Warum MQTT wählen?
Das MQTT-Protokoll eignet sich perfekt für diese Anwendung, da es ein äußerst zuverlässiges und leichtes Nachrichtentransportprotokoll mit minimaler Netzwerkbandbreite und kleinem Code-Footprint ist. Es verwendet einen sogenannten „Publish-Subscribe“-Ansatz, um Nachrichten auf effiziente Weise in die Warteschlange zu stellen, zu teilen und weiterzuleiten, was es ideal für die Verbindung zwischen Geräten macht, die an entfernten Standorten mit Ressourcenbeschränkungen oder begrenzter Netzwerkbandbreite gehostet werden.
Es basiert außerdem auf offenen Standards und bietet daher die Flexibilität, mit einer großen Anzahl von Geräten zu arbeiten, die für Anwendungen wie Straßenbeleuchtung, Zugangskontrolle, Verkehrsüberwachung, Parkraummanagement und Umweltqualität geeignet sind.
Umsetzbare Erkenntnisse in Echtzeit
Die Zahl der IoT-Geräte wächst exponentiell. Aktuelle Prognosen gehen davon aus, dass es bis Ende 2023 weltweit mehr als 13,1 Milliarden vernetzte Geräte geben wird. Dies erzeugt riesige Datenmengen und eröffnet Möglichkeiten, Organisationen intelligenter, effizienter und persönlicher zu machen.
Zum Beispiel betritt jemand ein leeres Gebäude. Durch die Verwendung des MQTT-Protokolls als Kommunikationsmittel zwischen in einem Gebäude installierten Geräten kann die Ankunft eines Bewohners eine Reihe von Aktionen auslösen.
Wenn erkannt wird, dass jemand das Gebäude betritt, können Sie anfordern, die intelligente Beleuchtung einzuschalten und die Heizung oder Klimaanlage zu starten, um eine angenehmere Umgebung für die Bewohner zu schaffen. Da MQTT offen ist, funktioniert es mit unzähligen Smart-Geräten.
MQTT-Protokoll
In belebteren Bereichen kann die Videoanalyse die Belegung überwachen und Warnungen auslösen, wenn mehr Besucher eintreffen und die sichere Anzahl überschritten wird. Menschen können automatisch von einem überfüllten Raum in einen anderen, ruhigeren Bereich geleitet werden, indem Geräte über das MQTT-Protokoll kommunizieren und vordefinierte Aktionen ausführen.
Oder es wird möglicherweise mehr Personal benötigt und es wird eine Benachrichtigung an ein Smartphone oder Tablet gesendet, in der eine Personalversetzung angefordert wird. Dies ist besonders nützlich in Einkaufszentren oder Transporteinrichtungen, wo das Besuchererlebnis für die allgemeine Kundenzufriedenheit von entscheidender Bedeutung ist.
Intelligente Städte mit „Intelligenz“ versorgen
In der ganzen Stadt können mehr Sensoren zur Überwachung der Luftqualität rund um die Straßen der Stadt eingesetzt werden. Über MQTT können diese Daten mit Echtzeit-Verkehrsdaten von Kameras und Straßensensoren verknüpft werden, um zu verstehen, ob zunehmende Staus zu einer verminderten Luftqualität führen. Der Verkehr kann dann auf weniger stark befahrene Straßen umgeleitet werden, wodurch die Umweltverschmutzung auf ein akzeptables Maß reduziert wird.
Eine verminderte Luftqualität kann nicht durch Staus, sondern durch Notfälle verursacht werden. In diesem Fall kann eine schnelle Reaktion der miteinander kommunizierenden Geräte Leben retten. Ein plötzlicher Abfall der Luftqualität könnte dazu führen, dass auf dem Bildschirm eines Kontrollraums Bilder einer Wärmebildkamera angezeigt werden, die bestätigen, dass bei einem Brand giftiger Rauch entsteht.
Darüber hinaus können Digital Signage- und Beschallungssysteme die Öffentlichkeit aus dem Bereich leiten, um die Sicherheit zu gewährleisten. Dies verhindert nicht nur, dass sich die Situation verschlimmert, sondern gibt den Einsatzkräften auch Raum und Zeit.
Langfristige Vorteile
Unternehmenspioniere sind sich zunehmend des Werts von Daten bei der Zukunftsplanung bewusst.
Die MQTT-Kommunikation zwischen Geräten hat nicht nur unmittelbare Auswirkungen, sondern hat auch Auswirkungen auf langfristige strategische Entscheidungen. Unternehmenspioniere sind sich zunehmend des Werts von Daten bewusst, wenn sie für die Zukunft planen.
Video- und IoT-Geräte sind reichhaltige Quellen für visuelle, Umgebungs-, Audio-, Temperatur- und andere Daten. Durch die Integration aller Datenquellen in eine kohärente, leicht verständliche Oberfläche können Pioniere alle verfügbaren Erkenntnisse nutzen.
Ladenbelegung und Kundenfrequenz verstehen
Im Einzelhandel könnte dies in Form von tieferen Einblicken in die Ladenbelegung, Kundenfrequenz in bestimmten Bereichen, optimalen Personalbestand und Energieverbrauch erfolgen. Sie können erkennen, wann in einem Geschäft ein Kundenanstieg zu verzeichnen ist, und die Mitarbeiter über ihre Schichten informieren.
Das Ladenlayout kann durch Fußgängerverkehr und Belegungsdaten beeinflusst werden. Heizung und Belüftung können sogar auf der Grundlage der Anzahl der Besucher im Geschäft programmiert werden. Dies verbessert auch die Energieeffizienz, da die Klimaanlage nur dann und dort läuft, wenn sie benötigt wird.
IoT + Videodaten
In intelligenten Städten hilft das Verständnis der Bewegung von Fahrzeugen und Menschen im Weltraum Stadtplanern dabei, Straßen, Gehwege und öffentliche Räume zu schaffen, die für jeden Bürger unabhängig vom Transportmittel funktionieren. Belebtere Gebiete könnten mehr Straßeninstandhaltung erhalten, während ruhigere Gebiete von zusätzlichen Straßenpatrouillen profitieren könnten.
Alle Smart-City-Pioniere möchten dafür sorgen, dass die Bürger zufrieden und sicher sind. Mithilfe von IoT- und Videodaten können Sie auf einfache Weise sehen, was nahezu in Echtzeit geschieht, wodurch die Reaktionszeiten verkürzt und auf die Bedürfnisse der Bürger reagiert werden kann .
MQTT+KI: Eine ideale Paarung
Es wäre unklug, die Rolle der künstlichen Intelligenz in diesen Anwendungen zu ignorieren. Die Kamera verfügt zusätzlich zu allgemeinerem maschinellem Lernen und grundlegender Videoanalyse über Deep-Learning-Funktionen. Jetzt können mehr Analysen am „Rand“ des Geräts selbst durchgeführt werden, sodass die zusätzlichen Daten, die über die MQTT-Kommunikation aus dem gesamten IoT eingehen, von unschätzbarem Wert sind. Es kann Warnungen erstellen, Aktionen auslösen und kontextbezogenere, tiefere und nützlichere Erkenntnisse liefern.
MQTT ist in vielerlei Hinsicht entscheidend für das weitere Wachstum der KI im Videobereich, da es Kameras ermöglicht, mit anderen Geräten zu kommunizieren. Andernfalls bleiben die von jedem Einzelnen gesammelten Daten isoliert und es ist schwierig, sie regelmäßig und konsistent zu verwenden.
Das obige ist der detaillierte Inhalt vonMQTT-Protokoll basierend auf künstlicher Intelligenz und IoT. 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

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

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

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

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

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

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
