IoT 란 무엇입니까?

IoT는 사람이 아닌 장치의 네트워크입니다. IoT 응용 프로그램은 일반적으로 실제 조건을 감지한 다음 어떤 식으로든 응답하는 작업을 트리거하는 장치에서 구축됩니다. 종종 응답에는 현실 세계에 영향을 미치는 단계가 포함됩니다. 간단한 예는 활성화되면 일부 조명을 켜는 센서이지만, 많은 IoT 응용 프로그램은 프로세스를 실시간으로 관리하기 위해 트리거 및 제어 요소를 연결하기 위해 더 복잡한 규칙이 필요합니다.

IoT 흐름에서 트리거와 작업 또는 명령을 나타내는 메시지는 다음을 통해 전달됩니다. 흔히 말하는 것 제어 루프. 트리거를 수신하고 작업을 시작하는 IoT 애플리케이션의 일부는 해당 루프의 중심점이자 IoT 규칙이 있는 위치입니다.

제어 루프는 실제 프로세스 조건에 대한 정보를 수신하고 실제 응답을 생성하는 부분인 IoT 애플리케이션의 전체 정보 흐름의 일부일 뿐입니다. 대부분의 IoT 애플리케이션은 일부 비즈니스 트랜잭션도 생성합니다. 예를 들어, 창고 입구에서 선적 목록을 읽으면 운전자를 위한 문이 열리고(제어 루프 결정) 목록에 표시된 상품을 재고로 받는 트랜잭션(비즈니스 트랜잭션)이 생성될 수 있습니다. 제어 루프에서 내린 결정은 애플리케이션 대기 시간 요구 사항을 충족해야 합니다. 길이 제어 루프의.

종종 제어 루프는 루프를 닫고 이벤트에 대한 실제 응답을 생성하기 위한 간단한 처리만 필요합니다. 게이트를 열기 위해 코드를 입력하는 것이 이에 대한 예입니다. 다른 경우에는 결정하는 데 필요한 처리가 더 복잡합니다. 처리에서 더 많은 결정 요소를 적용해야 하는 경우 이러한 결정을 내리는 데 필요한 시간은 제어 루프의 길이와 예상 기능을 제공하는 IoT 기능에 영향을 미칠 수 있습니다. 예를 들어 트럭을 화물 야적장에 넣기 전에 작업자가 목록을 스캔하도록 하는 데 XNUMX분 지연되면 야적장 용량이 줄어들 수 있습니다. IoT는 매니페스트에서 QR 코드를 읽고 필요한 결정을 훨씬 빠르게, 상품의 이동 속도를 높입니다.

AI 센서는 엄청난 양의 데이터를 생성할 수 있으며, 그 중 대부분은 비즈니스 분석 및 최적화 측면에서 프로세스 제어 및 가치에 즉각적인 가치가 있습니다. AI는 이 두 임무 모두에서 사용할 수 있으며 적절한 AI 사용은 효율성과 정확도를 높일 수 있습니다. 그러나 모든 AI가 동일한 것은 아니며 주어진 제어 또는 분석 임무에 모든 유형이 적용되는 것은 아닙니다. 그림 1은 IoT 애플리케이션의 요소와 다른 비즈니스 애플리케이션과의 관계를 보여줍니다.

AI 란?

AI는 사람이 직접 개입하지 않고도 조건을 해석하고 사람들이 감각에 반응하는 방식과 같은 결정을 내리는 애플리케이션 클래스입니다.

오늘날 사용되는 AI에는 단순하고 거의 기계적인 형태부터 복잡하고 거의 인간에 가까운 형태까지 네 가지 광범위한 형태가 있습니다.

1. 단순 또는 규칙 기반 AI 트리거 이벤트를 작업과 관련시키는 규칙 또는 정책이 있는 소프트웨어입니다. 이러한 규칙은 프로그래밍되어 있으므로 일부 사람들은 이것을 AI의 한 형태로 인식하지 못할 수 있습니다. 그러나 많은 AI 플랫폼이 이 전략에 의존합니다.
2. 머신 러닝 (ML) 애플리케이션이 동작을 프로그래밍하는 대신 학습하는 AI의 한 형태입니다. 학습은 실시간 시스템을 모니터링하고 이벤트에 대한 인간의 반응을 연결한 다음 동일한 조건이 발생할 때 반복하는 형태를 취할 수 있습니다. 과거 행동을 분석하거나 전문가에게 데이터를 제공함으로써.
3. 추론 또는 신경망 AI를 사용하여 단순한 생물학적 뇌를 모방하도록 설계된 엔진을 구축하고 엔진이 추론하는 조건을 기반으로 트리거에 대한 응답을 생성하는 추론을 수행합니다. 오늘날 이 기술은 이미지 분석 및 복잡한 분석에 가장 많이 적용됩니다.
4. 제너레이티브 AI, ChatGPT로 유명해진 이 앱은 수백만 개의 온라인 문서를 검토하여 지식 기반을 구축한 다음 해당 지식과 엔지니어가 제공한 일련의 규칙을 기반으로 일반 언어 쿼리에 응답합니다. 지식 기반의 폭과 쿼리를 제어하는 ​​규칙의 정교함은 이러한 형태의 AI를 인간처럼 보이게 할 수 있으며, 이 분야에 관련된 많은 사람들에게 최신 기술을 나타냅니다.

이러한 모든 형태의 AI는 인간 지능을 대신하도록 설계되었지만 인간 지능에 접근하는 것을 표현하는 능력은 위의 2가지 순서로 진행할수록 더 커집니다. 그림 XNUMX와 같이 AI 시스템이 지능화되는 방식에 따라 AI 시스템을 분류하는 것도 가능합니다. 대부분의 AI 전문가들은 AI 예술의 현재 상태와 위에 나열된 모든 현재 형태의 AI가 가장 왼쪽 두 유형에 속하며 AI 실험의 목표는 오른쪽으로 진행하는 것이라고 말할 것입니다.

IoT와 AI는 어떻게 서로를 지원할 수 있습니까?

IoT에서는 실제 이벤트가 신호를 받고 처리되어 적절한 응답을 생성합니다. 간단한 의미에서 트리거 이벤트에 대한 응답을 생성하기 위해 소프트웨어를 사용하는 모든 IoT 응용 프로그램은 적어도 기본 형태의 AI이며 AI는 IoT에 필수적입니다. IoT 사용자와 개발자에 대한 질문은 AI를 사용할지 여부가 아니라 AI를 어디까지 사용할 수 있는지입니다. 그것은 다음의 복잡성과 가변성에 달려 있습니다. 실제 시스템 IoT 지원.

단순하고 규칙 기반의 AI는 "트리거 스위치를 누르면 A조명을 켜라"라고 말하고 더 정교한 진화는 "트리거 스위치를 누르면 그리고 어둡다, 라이트 A를 켜십시오.” 이는 이벤트(트리거 스위치) 인식뿐만 아니라 상태(어두움) 인식도 나타냅니다. 프로그래머는 상태/이벤트 테이블을 사용하여 일련의 이벤트가 여러 상태에서 어떻게 해석되는지 설명하지만 이는 쉽게 인식할 수 있는 제한된 수의 상태가 있는 경우에만 작동합니다.

추론 AI 메커니즘, ML 및 생성 AI를 적용하려면 지식 소스와 규칙 세트가 필요합니다. 일반적으로 IoT의 제어 루프 응용 프로그램은 더 복잡한 분석을 수행하는 데 필요한 시간이 필요한 응답 시간 범위를 벗어나는 간단한 이유 때문에 ML 이외의 거의 사용하지 않고 처리됩니다.

합리적으로 간단한 AI 도구는 제어 루프를 향상시킬 수 있습니다. 보관할 상품을 가지고 창고에 도착하는 트럭의 예를 참조하여 간단한 AI는 운전자가 보안 게이트를 통과하기 위해 코드를 입력할 수 있는 수단을 제공할 수 있습니다. 이렇게 하면 게이트에 참석하기 위해 직원을 고용하는 비용을 없앨 수 있습니다. 또한 차량 자체의 바코드나 RFID 태그를 읽고 코드를 입력하지 않고도 접근할 수 있습니다. 이렇게 하면 트럭이 진입할 권리가 검증됨에 따라 계속 움직일 수 있으므로 프로세스 속도가 더욱 빨라집니다. 선하증권을 분석하면 트럭을 인도하는 데 더 큰 이점을 얻을 수 있으며, 차량을 하역 및/또는 적재하는 데 필요한 리소스와 시간에 대한 AI 분석도 상품을 보다 효율적으로 이동하는 데 도움이 될 수 있습니다.

IoT 이벤트에 대한 응답을 결정하기 위해 더 많은 조건을 분석해야 하는 경우 프로세스는 단순한 AI 애플리케이션의 기능을 벗어납니다. "어두워요" 상태는 "라는 상태로 대체되었습니다.빛이 더 필요해” 그리고 IoT 시스템은 특정 트리거 스위치가 아닌 사람이 수행하려는 작업에 응답하는 것이었습니다. 단순한 AI로는 충분하지 않습니다..

그런 상황에서 AI의 ML 형태는 창고에 상품이 트럭으로 도착하는 것을 모니터링할 수 있습니다. 시간이 지남에 따라 운전자와 작업자가 더 많은 조명을 필요로 하는 시점을 학습하고 사람이 행동할 필요 없이 스위치를 활성화할 수 있습니다. 또는 전문가가 예상 작업을 수행하고 더 많은 조명이 적절할 때 소프트웨어를 가르칠 수 있습니다. 그러면 AI 및 ML 소프트웨어를 사용하면 프로그래머가 각 IoT 애플리케이션을 구축할 필요가 없어집니다.

AI의 추론 형태에서 IoT 애플리케이션은 다음을 시도합니다. 최대한 많은 정보 수집, 사람이 느끼는 것을 모방합니다. 그런 다음 "와 같은 추론 규칙을 적용합니다.조도가 x 미만인 곳에서는 일할 수 없습니다.,” 그리고 감지된 조건과 해당 규칙의 적용에서 조명을 켜기로 결정합니다. 이 수준의 AI와 제어 루프 애플리케이션의 생성 AI의 문제는 그들이 도입할 수 있는 지연입니다. 일반적으로 제어 루프 단계에서 분석 단계를 분리하는 것이 가장 좋습니다.

추론 기반 AI는 조건을 수집하고 추론 규칙을 정의하기 위해 더 복잡한 소프트웨어가 필요하지만 프로그래밍하지 않고도 더 넓은 범위의 조건에 대응할 수 있습니다. 동일한 수준의 추론 처리를 통해 상품이 꼭 필요한지, 작업이 일정보다 늦어지는지 또는 단순히 작업자가 있기 때문에 하역 작업에 추가 작업자를 할당해야 하는지 결정할 수 있습니다. 이 모든 것이 상품의 이동과 우리의 창고 예에서 트럭 운전사 및 창고 직원의 전반적인 효율성을 개선할 수 있으며 다른 임무에도 유사한 이점을 가져올 수 있습니다.

[포함 된 콘텐츠]

제어 루프를 넘어선 AI

대부분의 제어 루프 요소에는 간단한 규칙만 필요하며 개발은 AI 엔지니어링보다 프로그래밍과 유사할 수 있습니다. 의사 결정을 위해 과거 데이터를 검토하는 IoT 애플리케이션은 실시간 프로세스 제어보다 계획과 관련될 가능성이 더 높으며 이러한 애플리케이션에는 추론 엔진 및 생성 AI를 포함한 보다 정교한 AI 도구가 적합할 수 있습니다.

제너레이티브 AI의 가치에 대해 많이 발표되었지만 대부분은 개인 사용자가 수집한 데이터가 아니라 인터넷 전반의 지식 기반을 활용하는 도구 사용을 기반으로 합니다. 후자는 IoT 애플리케이션에서 가장 가치가 있을 가능성이 높기 때문에 현재의 생성 AI 스토리는 이러한 도구가 IoT에서 가치가 있는지 평가하는 데 유용하지 않을 수 있습니다. 실제로 로컬에서 생성된 지식 기반과 함께 사용되는 생성 AI 도구와 이미 분석에서 일반적으로 사용되는 ML 또는 추론 AI 도구를 구별하기 어려울 수 있습니다. 잠재 사용자는 이 점을 염두에 두고 IoT 미션을 위한 생성 AI 채택의 실제 이점보다 시장의 과대 광고에 더 반응하지 않도록 해야 합니다.

[포함 된 콘텐츠]

결론

IoT는 컴퓨터 도구를 사용하여 실제 프로세스를 자동화하는 것입니다. 모든 자동화 작업과 마찬가지로 사람이 직접 참여할 필요가 줄어들 것으로 예상됩니다. 사물인터넷을 목표로 하지만 인적 노동 감소, 그것은 인간의 판단과 결정의 필요성을 제거하지 않습니다. 여기에서 AI가 개입하여 IoT 시스템을 크게 개선할 수 있습니다. AI 도구의 기능이 단순한 IoT 프로그래밍 및 컨트롤러를 능가하고 AI 사용으로 인해 제어 루프에 지연이 발생하지 않아 현실을 손상시킬 수 있다는 점을 제공합니다. - 시간 제어.

AI가 향상됨에 따라 인간의 능력을 더 가깝게 모방한다는 의미에서 IoT 애플리케이션에 기여할 수 있는 범위는 크게 확대될 것입니다. 이 분야가 빠르게 발전하고 있기 때문에 IoT 사용자는 AI 개발을 면밀히 모니터링하고 새로운 기회와 공생을 주시해야 합니다.