AI tilføjer Smarts til IoT-platforme

 Internet of Things' dræberapp er muligvis kunstig intelligens.

Selvom det kan være en strækning at klassificere kunstig intelligens (AI) og dens mangefacetterede offshoot machine learning som ægte applikationer, kan disse teknologier dybt ændre IoT-operationer. AI gør IoT-netværk smartere og i stand til at skalere efter behov uden risiko for ukontrollerbar vækst.

IoT-drift er en vedvarende kamp for at forsøge at sikre, at de tusindvis eller flere enheder kører korrekt og sikkert på et virksomhedsnetværk, og at de data, der indsamles, er både nøjagtige og rettidige. Mens de sofistikerede back-end-analysemotorer gør det tunge løft ved at behandle den konstante strøm af data, sikrer sikring af, at kvaliteten af ​​selve dataene ofte overlades til noget arkaiske metoder.

For at hjælpe med at tøjle spredte IoT-infrastrukturer bager nogle IoT-platformsleverandører i AI/ML-teknologi for at booste deres operationsstyringskapaciteter. Nogle bemærkelsesværdige platformsleverandører, såsom IBM og Schneider Electric, har allerede logget mange års erfaring med at integrere AI/ML i deres produkter, men brugen af ​​AI/ML er langt fra universel blandt alle IoT-platformsleverandører.

"Jeg vil sige på tværs af hundredvis af IoT-platformsleverandører derude, er det stadig et ret sjældent fænomen," bemærkede Sam Lucero, chefanalytiker, IoT-tjenester og -teknologier, hos analytikerfirmaet Omdia. "Det er stadig en udviklingsfunktion i løsningssættene."

Hvorfor IoT-platforme har brug for AI/ML

På trods af de begrænsede produktudrulninger til dato, er der rigeligt med beviser for, at AI/ML vil være en nødvendig ingrediens i de fleste IoT-platforme. Traditionelle administrationsværktøjer kan imødekomme kravene fra større IoT-miljøer, da de ikke er i stand til at følge med selve størrelsen af ​​netværkene og det voksende antal enheder, de forbinder.

Nuværende værktøjer som SCADA-systemer kan muligvis give grundlæggende overvågning af sensorer, aktuatorer og andre tilsluttede enheder, men den information, de modtager, er i bedste fald grundlæggende. Typisk er dataene baseret på forudbestemte tærskler med få eller ingen kvalitative forskelle.

Joe Berti, vicepræsident for AI-applikationer hos IBM, ser aldrende SCADA-miljøer som en nøglemotivation for at opgradere til AI-infunderet IoT-administration.

"Bare fordi der er denne massive infrastruktur af SCADA-systemer, der indsamler data for forsyningsselskaber, olie og gas og produktion, og de har indsamlet data i 10 til 15 år," sagde Berti, "men de er baseret på sætpunkter. ”

Sådanne manuelle processer – specifikt at etablere de punkter, hvor dataindsamlingsoperationer skifter fra "gode" til "dårlige" - er et af de centrale spørgsmål, der bidrager til ineffektive og ofte unøjagtige styringsmetoder.

En anden medvirkende faktor, der øger behovet for at indføre kunstig intelligens, er en svindende arbejdsstyrke på tværs af mange industrier, der er afhængige af deres IoT-miljøer. Den kontraherende arbejdsstyrke – der skrumper som følge af pensioneringer, afskedigelser og skiftende operationer i udlandet – efterlader et ekspertisehul, som kan afbødes ved hjælp af smartere ledelsessystemer.

<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<

For mere om IoT-platforme, tjek Omdia-rapporten "Connectivity Management Platforms – 2021 Analyse".

Hvad AI kan gøre for IoT

Platformbaseret AI er fokuseret på de data, der flyder gennem operationsplanet for at sikre, at dataindsamling og andre enheder fungerer effektivt. Platformbaseret AI påvirker ikke de data, der indsamles til analyse.

Det er en vigtig "forskel mellem data om, hvordan dit system fungerer, og de data, dit system leverer," sagde Omdias Lucero.

På analysesiden har nogle applikationer - typisk cloud-baserede - også integrerede AI-teknologier, men de er forskellige fra de operationelt orienterede platformsimplementeringer.

Med AI – især maskinlæring – kan netværksenheders driftstilstand overvåges baseret på realtidsdata og spores over en periode, så en række parametre kan analyseres. Denne tilgang giver mere og mere specifik information om, hvordan enhederne fungerer sammenlignet med mindre informativ ydeevne målt i forhold til forudindstillede benchmarks. I nogle tilfælde vil feeding af allerede registrerede operationelle data i en maskinlæringsmotor øge dens bredde af erfaring og give den mulighed for at give endnu mere detaljeret information.

Real-rime-aspektet er også kritisk. I dag er mange IoT-administratorer overvældet af den store mængde information, som deres netværk frembringer. IBM's Berti sagde, at kunder råber på hjælp, og bemærkede, at mange af dem siger: "Vi får tusindvis af advarsler, og så vi kan bare ikke være opmærksomme på dem - det er støj, og det er for mange for os at håndtere. ."

IBM's løsning, sagde Berti, kan håndtere angrebet af information og analysere det for de virkelig meningsfulde datapunkter: "Det er dybest set AI-baseret anomalidetektion," sagde Berti, "og det, vi virkelig finder, er, hvad der virkelig fungerer anderledes her? ”

Det niveau af dataindsamling og analyse giver betydeligt mere indsigt i netværkets ydeevne. "Det, vi taler om, er at forsøge at for eksempel opdage anomalier eller opdage brugsmønstre og derefter være i stand til at sige, OK, lad os handle anderledes," sagde Lucero. "Lad os ændre disse betjeningsvejledninger, fordi vi får disse data, som vi behandler automatisk, og vi kan arbejde mere effektivt som et resultat."

Schneider Electric leverer AI-kapaciteter "fuldt integreret som en mulighed" i overensstemmelse med Martin Bauer, Schneiders EcoStruxure-marketingchef, som svarede på IoT World Todays spørgsmål via e-mail. "Kunder har den fulde fleksibilitet til at køre EcoStruxure Machine Advisor for at indsamle og vise data [indsamlet fra] maskiner eller tilføje analysemuligheden til forudsigelig vedligeholdelse."

IBM's implementering bruger ikke AI til kun at opdage uregelmæssigheder, den kan også igangsætte aktiviteter baseret på denne detektering. "Vi lukker faktisk løkken," sagde Berti. "Vi kan oprette en arbejdsordre inde i Maximo og derefter få en tekniker til at se på udstyret." Teknikeren kan bruge en mobilenhed til at se oplysningerne sammen med foreslåede afhjælpninger.

AI hjælper også med IoT-sikkerhed

Med bedre data modtaget og analyseret hurtigere, kan sikkerhedssystemer og systemoperatører reagere hurtigere, når en opfattet trussel dukker op.

Uden AI genererer et sikkerheds- eller administrationssystem muligvis kun en advarsel, hvis en enhed ikke fortsætter med at fungere og indsamler og overfører data. Men AI/ML kan detektere finesserne i enhedens drift, hvilket kan indikere, at en enhed, der tilsyneladende fungerer korrekt, opfører sig på en unormal måde - måske indsamler data, når det ikke forventes, eller fungerer uden for sit temperaturområde.

"På kontrolplanet er brugen af ​​ML en form for anomalidetektion, hvilket forbedrer sikkerheden som et resultat," sagde Lucero.

IBM's Berti bemærkede, at den information, der indsamles og reageres på af AI-støttet ledelse, kan hjælpe med at isolere segmenter af IoT-netværket og dermed reducere sårbarheder og potentielle vedhæftede overflader for indgribere.

Schneiders EcoStruxure-platform udnytter også sin AI-ekspertise for at styrke netværkssikkerheden. "Cybersikkerhed er et af de mest relevante aspekter i udviklingen af ​​vores tilbud," skrev Schneiders Bauer.

Lidt indkvartering påkrævet for at tilføje AI til IoT

Nogle brugere vil måske undlade at implementere eller opgradere til en AI-forbedret IoT-platform, idet de antager, at en sådan avanceret softwareteknologi vil kræve lige så sofistikeret hardware, hvilket ville betyde omfattende – og dyre – enhedsopgraderinger.

Men det er ikke nødvendigvis tilfældet.

"Jeg har ikke hørt om nogen specielle modifikationer, der skal integreres eller udvikles på selve enheden," sagde Lucero, "og virkelig, hvis der var for langt de fleste IoT-enheder, ville det være en slags deal-breaker lige fra starten. ."

Det samme gælder formatet på de data, enhederne transmitterer, og de protokoller, de bruger til at flytte dataene længe. De fleste AI-kompatible platforme kan indsamle og fortolke data i en række velkendte formater ved hjælp af gennemprøvede transmissionsprotokoller.

"Vi kan faktisk acceptere enhver form for data," sagde Berti. "Det, vi har gjort, er, at vi har skrevet stik til de store SCADA-systemer."

Det er generelt heller ikke så svært at komme i gang. Som nævnt tidligere har nogle AI/ML-systemer fordel af at kunne indtage og analysere historiske data, men der kræves typisk lidt træning af systemerne eller operatørerne.

AI accelererer IoT-markedet

Der er ingen tvivl om, at AI er blevet en integreret del af IoT-driftsstyring. Større IoT-installationer vil se fordelene ved AI hurtigere end mindre installationer, blot på grund af omfanget og udfordringerne ved at drive et stort og komplekst IoT-miljø. Og selvom rækken af ​​AI-aktiverede platforme i dag er begrænset, vil det snart ændre sig.

"Vi ser allerede en konsolidering af leverandørlandskabet i gang," sagde Lucero. "Jeg formoder, at AI/ML vil være en af ​​de ting, der hjælper med at fremskynde processen."

Det er også muligt – selvom det ikke sker i dag – at leverandører af AI-forbedrede platforme vil gøre nogle af disse AI-funktioner tilgængelige for andre applikationer via API'er eller andre integrationer.

"Jeg er sikker på, at det ville blive afsløret sammen med andre funktioner og funktionalitet," sagde Lucero, "men jeg tror, ​​at det igen er lidt længere nede i feltet med hensyn til direkte integration med IoT-platformen."