IoT nedir?

IoT insanlardan ziyade cihazlardan oluşan bir ağdır. IoT uygulamaları normalde gerçek dünya koşullarını algılayan ve ardından bir şekilde yanıt vermek için eylemleri tetikleyen cihazlardan oluşturulur. Çoğu zaman yanıt, gerçek dünyayı etkileyen adımları içerir. Basit bir örnek, etkinleştirildiğinde bazı ışıkları açan bir sensördür, ancak çoğu IoT uygulaması, süreçleri gerçek zamanlı olarak yönetmek için tetikleyicileri ve kontrol öğelerini birbirine bağlamak için daha karmaşık kurallar gerektirir.

IoT akışındaki tetikleyicileri, eylemleri veya komutları temsil eden mesajlar genelde buna ne denir kontrol döngüsü. Bir IoT uygulamasının tetikleyicileri alan ve eylemleri başlatan kısmı, bu döngünün merkez noktası ve IoT kurallarının bulunduğu yerdir.

Kontrol döngüsü, bir IoT uygulamasındaki toplam bilgi akışının yalnızca bir parçasıdır; gerçek dünya süreç koşulları hakkında bilgi alan ve gerçek dünya yanıtlarını üreten kısımdır. Çoğu IoT uygulaması aynı zamanda bazı ticari işlemler de üretir. Örneğin, bir depoya girişte bir sevkıyat manifestosunun okunması, sürücü için kapıyı açabilir (bir kontrol döngüsü kararı) ve manifestoda temsil edilen malları envantere almak için bir işlem (bir ticari işlem) oluşturabilir. Kontrol döngüsünde alınan kararlar, genellikle gecikme süresi olarak adlandırılan uygulama gecikme gereksinimlerini karşılamalıdır. uzunluk kontrol döngüsünden.

Çoğunlukla kontrol döngüleri, döngüyü kapatmak ve bir olaya gerçek dünyadan bir yanıt oluşturmak için yalnızca basit işlemler gerektirir. Bir kapıyı açmak için kod girmek buna bir örnektir. Diğer durumlarda karar vermek için gereken süreç daha karmaşıktır. İşlemenin daha fazla karar faktörü uygulaması gerektiğinde, bu kararları vermek için gereken süre, kontrol döngüsünün uzunluğunu ve IoT'nin beklenen özellikleri sağlama yeteneğini etkileyebilir. Örneğin, bir kamyonun nakliye deposuna kabul edilmesinden önce bir işçinin manifestoyu taramasının yarım dakika gecikmesi, depo kapasitesinin azalmasına neden olabilir. IoT manifestteki bir QR kodunu okuyabilir ve gerekli kararları çok daha hızlı alın, malların hareketini hızlandırmak.

Yapay zeka sensörleri, çoğu süreç kontrolünde anlık değere ve iş analizi ve optimizasyon anlamında değere sahip olan dağlar kadar veri oluşturabilir. Yapay zeka bu iki görevde de kullanılabilir ve uygun yapay zeka kullanımı verimliliği ve doğruluğu artırabilir. Ancak tüm yapay zeka aynı değildir ve tüm yapay zeka türleri belirli bir kontrol veya analiz görevine uygulanamaz. Şekil 1, bir IoT uygulamasının öğelerini ve bunların diğer iş uygulamalarıyla ilişkilerini göstermektedir.

AI nedir?

Yapay zeka, doğrudan insan müdahalesine ihtiyaç duymadan koşulları yorumlayan ve insanların duyularına tepki verme şekli gibi kararlar veren bir uygulama sınıfıdır.

Bugün kullanımda olan, basit ve neredeyse mekanikten karmaşık ve neredeyse insana kadar değişen dört geniş yapay zeka biçimi vardır:

1. Basit veya kural tabanlı yapay zeka tetikleyici olayları eylemlerle ilişkilendiren kurallara veya politikalara sahip bir yazılımdır. Bu kurallar programlanmıştır, dolayısıyla bazı insanlar bunu bir tür yapay zeka olarak tanımayabilir. Ancak birçok yapay zeka platformu bu stratejiye güveniyor.
2. Makine öğrenimi (ML) uygulamanın programlanması yerine davranışı öğrendiği bir yapay zeka biçimidir. Öğrenme, canlı bir sistemi izleme, olaylarla ilgili insan tepkilerini ilişkilendirme ve daha sonra aynı koşullar oluştuğunda bunları tekrarlama şeklini alabilir geçmiş davranışları analiz ederek veya bir uzmanın verileri sağlamasını sağlayarak.
3. Çıkarım veya sinir ağları Basit bir biyolojik beyni taklit edecek ve motorun koşullar hakkında çıkardığı sonuçlara dayalı olarak tetikleyicilere yanıtlar üreten çıkarımlar yapacak şekilde tasarlanmış bir motor oluşturmak için yapay zekayı kullanın. Günümüzde bu teknoloji en çok görüntü analizine ve karmaşık analizlere uygulanmaktadır.
4. üretken yapay zekaChatGPT tarafından popüler hale getirilen , milyonlarca çevrimiçi belgeyi inceleyerek bir bilgi tabanı oluşturur ve ardından bu bilgiye ve mühendisler tarafından sağlanan bir dizi kurala dayanarak sade dildeki sorguları yanıtlar. Bilgi tabanının genişliği ve sorguları yöneten kuralların karmaşıklığı, bu tür yapay zekayı insana benzetebilir ve bu alanda yer alan birçok kişi için en son teknolojiyi temsil eder.

Tüm bu yapay zeka biçimleri insan zekasını temsil edecek şekilde tasarlanmıştır, ancak insan zekasına yaklaşan bir şeyi temsil etme yetenekleri, yukarıdaki sırayla dördü boyunca ilerledikçe daha da artar. Şekil 2'de gösterildiği gibi, yapay zeka sistemlerini zekaya doğru ilerleme biçimlerine göre sınıflandırmak da mümkündür. Çoğu yapay zeka uzmanı, yapay zeka sanatının mevcut durumunun ve yukarıda listelenen tüm yapay zeka biçimlerinin en soldaki iki türe girdiğini ve yapay zeka deneylerinin amacının sağa doğru ilerlemek olduğunu söyler.

Nesnelerin İnterneti ve Yapay Zeka birbirini nasıl destekleyebilir?

IoT'de gerçek dünyadaki olaylar uygun bir yanıt oluşturmak için sinyallenir ve işlenir. O halde basit anlamda, bir tetikleyici olaya yanıt oluşturmak için yazılım kullanan herhangi bir IoT uygulaması, en azından yapay zekanın temel bir biçimidir ve bu durumda yapay zeka, Nesnelerin İnterneti için gereklidir. IoT kullanıcıları ve geliştiricileri için soru, yapay zekanın kullanılıp kullanılmayacağı değil, yapay zekanın ne kadar ileri götürülebileceğidir. Bu, karmaşıklığa ve değişkenliğe bağlıdır. IoT'nin desteklediği gerçek dünya sistemleri.

Basit, kural tabanlı yapay zeka şunu söyleyebilir: "Tetik anahtarına basılırsa A ışığını açın" ve daha karmaşık bir evrim şunu söyleyebilir: "Tetik anahtarına basılırsa, A ışığını açın." ve karanlık, A ışığını aç.” Bu sadece olay (tetikleme anahtarı) tanımayı değil, aynı zamanda durum (karanlık) tanımayı da temsil eder. Programcılar bir dizi olayın birden fazla durumda nasıl yorumlandığını açıklamak için durum/olay tablolarını kullanır, ancak bu yalnızca kolayca tanınabilecek sınırlı sayıda durum varsa işe yarar.

Çıkarımsal yapay zeka mekanizmalarının, makine öğreniminin ve üretken yapay zekanın uygulanması, bir kural kümesinin yanı sıra bir bilgi kaynağı gerektirir. Genel olarak, IoT'deki kontrol döngüsü uygulamaları, daha karmaşık analiz gerçekleştirmek için gereken sürenin gerekli yanıt süreleri aralığının dışında olması gibi basit bir nedenden ötürü, ML'nin biraz ötesinde kullanılarak ele alınır.

Oldukça basit yapay zeka araçları kontrol döngülerini geliştirebilir. Depolanacak mallarla birlikte bir depoya gelen bir kamyon örneğine atıfta bulunarak, basit yapay zeka, sürücünün güvenlik kapısından geçmek için bir kod girmesine yönelik bir araç sağlayabilir. Bu, kapıya gelecek bir işçiyi işe alma maliyetini ortadan kaldıracaktır. Ayrıca aracın üzerindeki barkod veya RFID etiketini okutarak, kod girilmeden erişime izin verilmesi de mümkün. Bu, kamyonun giriş hakkı doğrulandığı için hareket etmeye devam etmesine olanak tanıyacak ve süreci daha da hızlandıracaktır. Konşimentoyu analiz etmek, kamyonu yönlendirmede daha büyük faydalar sağlayabilir ve bir aracı boşaltmak ve/veya yüklemek için gereken kaynakların ve sürenin yapay zeka analizi, malların daha verimli bir şekilde taşınmasında da faydalı olabilir.

Bir IoT olayına verilecek yanıtı belirlemek için daha fazla koşulun analiz edilmesi gerekiyorsa süreç, basit yapay zeka uygulamasının yeteneklerinin dışında kalır. Eğer "Karanlık" durum "" adı verilen bir durumla değiştirildiDaha fazla ışığa ihtiyacım var” ve IoT sisteminin belirli bir tetikleme anahtarına değil, bir kişinin gerçekleştirmeye çalıştığı göreve yanıt vermesi gerekiyordu, basit yapay zeka yeterli olmaz.

Bu durumda yapay zekanın ML formu, bir kamyon dolusu malın depoya gelişini izleyebilir. Zamanla, sürücülerin ve çalışanların ne zaman daha fazla ışığa ihtiyaç duyduğunu öğrenip, kişinin harekete geçmesine gerek kalmadan anahtarı etkinleştirebildi. Alternatif olarak bir uzman beklenen görevleri yerine getirebilir ve yazılıma daha fazla ışığın ne zaman uygun olacağını öğretebilir. Yapay zeka ve makine öğrenimi yazılımı daha sonra bir programcının her IoT uygulamasını oluşturma ihtiyacını ortadan kaldıracaktır.

Yapay zekanın çıkarım biçiminde, IoT uygulaması şunları yapmaya çalışır: mümkün olduğunca fazla bilgi toplayınBir kişinin hissettiğini taklit etmek. Daha sonra şu gibi çıkarım kurallarını uygular:insanlar ışık seviyelerinin x'in altında olduğu yerlerde çalışamazlar,”ve algılanan koşullardan ve bu kuralların uygulanmasından yola çıkarak ışığı yakmaya karar verir. Bu seviyedeki yapay zekanın ve kontrol döngüsü uygulamalarında üretken yapay zekanın sorunu, bunların getirebileceği gecikmedir. Genel olarak analiz adımlarını kontrol döngüsü adımlarından ayırmaya çalışmak en iyisidir.

Çıkarım tabanlı yapay zeka, koşulları toplamak ve çıkarım kurallarını tanımlamak için daha karmaşık bir yazılım gerektirir, ancak programlanmadan daha geniş bir koşul yelpazesine yanıt verebilir. Aynı seviyedeki çıkarım işlemi, mallara kritik derecede ihtiyaç duyulması, işin programın gerisinde kalması veya sadece işçilerin müsait olması nedeniyle boşaltma işlemine ek işçilerin atanması gerekip gerekmediğini belirleyebilir. Bütün bunlar, depo örneğimizde malların hareketini ve kamyoncuların ve depo personelinin genel verimliliğini artırabilir ve diğer görevlere de benzer faydalar sağlayabilir.

[Gömülü içerik]

Kontrol döngüsünün ötesinde yapay zeka

Çoğu kontrol döngüsü öğesi yalnızca basit kurallar gerektirir ve geliştirme, yapay zeka mühendisliğinden çok programlamaya benzeyebilir. Karar vermek için geçmiş verileri inceleyen Nesnelerin İnterneti uygulamalarının, gerçek zamanlı süreç kontrolünden çok planlamayla ilgili olması muhtemeldir ve bu uygulamalar için çıkarım motorları ve üretken yapay zeka dahil daha karmaşık yapay zeka araçları uygun olabilir.

Üretken yapay zekanın değeri hakkında çok sayıda yayın olmasına rağmen bunların çoğu, kullanıcılar tarafından toplanan özel veriler yerine internet çapındaki bilgi tabanlarından yararlanan araçların kullanımına dayanmaktadır. İkincisinin IoT uygulamalarında değerli olma ihtimali yüksek olduğundan, mevcut üretken yapay zeka hikayeleri, bu araçların IoT'de değerli olup olmayacağının değerlendirilmesinde yararlı olmayabilir. Aslına bakılırsa, yerel olarak oluşturulan bilgi tabanlarıyla kullanılan üretken yapay zeka araçları ile analitikte halihazırda yaygın olarak kullanılan makine öğrenimi veya çıkarım yapay zeka araçlarını birbirinden ayırmak zor olabilir. Potansiyel kullanıcılar bunu akılda tutmalı ve IoT görevleri için üretken yapay zekayı benimsemenin gerçek faydalarından ziyade pazardaki abartılı reklamlara yanıt vermediklerinden emin olmalıdır.

[Gömülü içerik]

Sonuç

Nesnelerin İnterneti, gerçek dünyadaki süreçleri otomatikleştirmek için bilgisayar araçlarının kullanılmasıyla ilgilidir ve tüm otomasyon görevlerinde olduğu gibi, doğrudan insan katılımı ihtiyacını azaltması beklenir. Her ne kadar IoT hedefleniyor olsa da insan emeğini azaltmakinsanın muhakeme ve kararlarına olan ihtiyacı ortadan kaldırmaz. Yapay zeka araçlarının yeteneklerinin basit IoT programlama ve denetleyicilere göre daha gelişmiş olması ve yapay zeka kullanımının kontrol döngüsünde gerçekleri tehlikeye atabilecek gecikmelere neden olmaması koşuluyla yapay zekanın devreye girebileceği ve IoT sistemini önemli ölçüde iyileştirebileceği yer burasıdır. -zaman kontrolü.

Yapay zeka geliştikçe, yani insan yeteneklerini daha yakından taklit ettikçe IoT uygulamalarına yapabileceği katkı büyük ölçüde artacaktır. Alan hızla geliştiği için IoT kullanıcılarının yapay zeka gelişmelerini yakından izlemesi, yeni fırsatları ve simbiyozu izlemesi gerekiyor.