Illustration: © IoT For All
當我們進入科幻世界時，人工智能和機器學習 (AI/ML) 的概念會讓人聯想到 Neo、Trinity 和 Morpheus 在《黑客帝國》（Matrix） 這部電影中與機器作戰的景象。
然而，在現實生活中， AI/ML可幫助開發人員創建更好、成本更低的物聯網終端節點，使他們的產品生態系統受益。AI/ML 的好處不僅是單純地在終端節點做出更好的決策；一些優化也會為所有相關人員帶來重要的優勢，包括消費者、開發人員和運營商。
AI 和 ML
AI/ML 并非一個新概念，傳統上它的應用是通過許多用戶可同時共享的耗電且非常昂貴的平臺來實現的。隨著科技行業日漸依賴數據的存儲和計算能力，資本支出和運營成本不斷上升，當集中式數據中心開始構建和使用后，在成本支出方面為科技行業減輕了壓力。因為這種數據中心可以讓科技行業共享服務器、公用設施、冷卻設施、房地產和安全功能。此外，它還提供根據需求擴展和縮減資源的功能，例如調整所需的計算和存儲量。鑒于這種成本共享性質，諸如AI/ML等新技術就可以更快地投入使用。
為了避免不必要的非關鍵數據移動，AI正在將計算能力轉回給邊緣設備，從而使開發人員能充分利用AI和數據分析。
全球互連的分布式數據中心也為科技行業提供了使用區域性設施的能力。一家位于美國的物聯網公司可以為歐洲消費者提供服務，而不會出現跨大西洋的延誤。在大陸之間傳輸和路由的數據，可能會因區域隱私和數據保護法律的細微差別而違反規定。如果您認為在燈點亮前存在兩秒延遲的照明開關會不符合消費者的期望而難以獲得商業成功，那么上述要求就顯得很重要。
數據中心和云可促進國內和國際新商機的形成。開發商建立的新機制可為消費者和企業實體節省資金。
運營商可以不用再因為需要隨時關注酒店的制冰機而將維修車納入業務作業中；因為他們知道，只要在需要時派遣一輛維修車前往處理即可，此舉可為公司節省數萬美元的運營費用。
不必移動的非關鍵數據
在故障發生之前使用 AI/ML查看設備中那些微小的表征可能很復雜，因為相關的表征可能過于精細而難以查核。這些變化可能是泵馬達的振動，或者是熱交換器或冷凝器溫度的細微變化：這些是個人可能無法識別甚至看不到的東西。聯網制冰機的案例似乎并不足以讓眾多開發商將其視為必須關注的問題；但是我們可以再考慮一下應用于倉庫或酒店照明的相同情境或商業模式——倉庫中可能存在數以千計的燈泡，每個燈泡都位于貨架或機器上方，需要移動它們才能更換燈泡，這意味著在最關鍵的時刻可能會造成生產線的停擺。
預測性維護和云分析的業務正蓬勃發展，AI/ML 提供了一種簡單的方法可對其生成的數據進行自動評估。盡管如此，這些新的商業模式確實導致了大量數據的產生，這帶來了全新且有趣的技術挑戰，開發商和運營商現在所需應對這些挑戰。
表面上這些問題似乎只會衍生出其他一些問題——添加更多服務器、添加更多存儲和其他基于數據中心的消耗品，但解決了這些問題卻并不能解決數據管道另一端所形成的更多相關問題。
在大多數應用中，數據是由某種形式的傳感器所生成，而這需要使用功率和帶寬。在設施的互聯網上行鏈路和射頻頻譜方面也會消耗帶寬。發送大量可能“無變化”的數據意味著昂貴且不劃算；無線電會消耗大量功率，而且在繁忙的射頻頻譜中，傳輸的重試會消耗更多功率。更多的傳感器會導致更繁忙的射頻環境以及需要更多的電池維護。除了電池壽命和本地帶寬相關的問題外，某些應用可能會更容易受到隨之而來的安全問題的影響。大量的數據會形成各種模式，如果被攔截，這些模式會遭到那些具有惡意意圖的人利用。
邊緣計算
為遏制這些問題而將很多決策返回給終端節點的趨勢越來越明顯，從而減少了無線傳輸，只有確認數據更重要時才會進行傳輸。這可以降低功耗、帶寬，并減少數字簽名。需要注意的是，將決策返回給終端節點意味著可能會增加終端節點的運算處理、存儲以及功耗。這樣一來，物聯網似乎陷入了一種惡性循環，限制了它的可訪問性和市場增長。
人工智能的創新支持使用更小的微控制器，例如 ARM Cortex-M，并支持調用更少的閃存和 RAM 資源。在執行復雜算法以解決現實生活的任何極端情況時，用于在系統中執行 AI 的代碼也會比傳統編碼少得多。這能使固件更新更小、開發更快，并且更容易在大型傳感器群中分發。
許多開發人員在終端節點傳感器產品中利用AI來改進他們的設計，為消費者和運營商提供更好的體驗。使用開發套件可以快速實現AI技術示例的原型設計。
套件也可用于演示泵監控系統。削減無線傳感器數量、延長其壽命以及實現更好的安全性，所有這些都不會以噪聲破壞本地射頻頻譜，這意味著可以部署更多有用的傳感器，以提高現場的生產率和舒適度。諸如墻壁開關、環境傳感器，甚至路邊的垃圾傳感器等日常用品，都能以極具吸引力的成本和性能點，并入自動化和監控生態系統中。
