AI lägger till smarta funktioner till IoT-plattformar

 Internet of Things mördarapp kan vara artificiell intelligens.

Även om det kan vara svårt att klassificera artificiell intelligens (AI) och dess mångfacetterade offshoot maskininlärning som verkliga applikationer, kan dessa tekniker på djupet förändra IoT-verksamheten. AI gör IoT-nätverk smartare och kan skalas efter behov utan risk för okontrollerbar tillväxt.

IoT-drift är en pågående kamp för att försöka säkerställa att de tusentals eller fler enheterna fungerar korrekt och säkert på ett företagsnätverk och att data som samlas in är både korrekta och aktuella. Medan de sofistikerade back-end-analysmotorerna gör det tunga arbetet med att bearbeta den stadiga strömmen av data, överlåts ofta till något arkaiska metoder att säkerställa kvaliteten på själva datan.

För att hjälpa till att tygla vidsträckta IoT-infrastrukturer bakar vissa IoT-plattformsleverantörer in AI/ML-teknik för att öka sina operationshanteringsmöjligheter. Några anmärkningsvärda plattformsleverantörer, som IBM och Schneider Electric, har redan loggat in år av erfarenhet av att integrera AI/ML i sina produkter, men användningen av AI/ML är långt ifrån universell bland alla IoT-plattformsleverantörer.

"Jag skulle säga att bland de hundratals IoT-plattformsleverantörerna där ute är det fortfarande ett ganska sällsynt fenomen", konstaterade Sam Lucero, chefsanalytiker, IoT-tjänster och -teknologier, på analytikerföretaget Omdia. "Det är fortfarande en utvecklingsfunktion i lösningsuppsättningarna."

Varför IoT-plattformar behöver AI/ML

Trots de begränsade produktutrullningarna hittills finns det gott om bevis för att AI/ML kommer att vara en nödvändig ingrediens i de flesta IoT-plattformar. Traditionella hanteringsverktyg kan möta kraven från större IoT-miljöer, eftersom de inte kan hålla jämna steg med nätverkens storlek och det växande antalet enheter de länkar samman.

Nuvarande verktyg som SCADA-system kanske kan tillhandahålla grundläggande övervakning av sensorer, ställdon och andra anslutna enheter, men informationen de får är i bästa fall grundläggande. Typiskt baseras data på förutbestämda trösklar, med få eller inga kvalitativa distinktioner.

Joe Berti, vice vd för AI-applikationer på IBM, ser åldrande SCADA-miljöer som en nyckelmotivation för att uppgradera till AI-infunderad IoT-hantering.

"Bara för att det finns den här massiva infrastrukturen av SCADA-system som samlar in data för kraftverk, olja och gas och tillverkning, och de har samlat in data i 10 till 15 år", sa Berti, "men de är baserade på börvärden. ”

Sådana manuella processer – särskilt att fastställa de punkter där datainsamlingsoperationer övergår från "bra" till "dåliga" - är en av nyckelfrågorna som bidrar till ineffektiva och ofta felaktiga hanteringsmetoder.

En annan bidragande faktor som gör införandet av AI brådskande är en krympande arbetsstyrka inom många branscher som förlitar sig på sina IoT-miljöer. Den kontrakterande arbetskraften – krympande till följd av pensioneringar, uppsägningar och flyttande verksamheter utomlands – lämnar en kompetenslucka som kan mildras med hjälp av smartare ledningssystem.

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

För mer om IoT-plattformar, kolla in Omdia-rapporten "Connectivity Management Platforms – 2021 Analys. "

Vad AI kan göra för IoT

Plattformsbaserad AI är fokuserad på data som flödar genom operativa planet för att säkerställa att datainsamling och andra enheter fungerar effektivt. Plattformsbaserad AI påverkar inte data som samlas in för analys.

Det är en viktig "skillnad mellan data om hur ditt system fungerar och data som ditt system tillhandahåller", säger Omdias Lucero.

På analyssidan har vissa applikationer – vanligtvis molnbaserade – också integrerade AI-tekniker, men de skiljer sig från de operativt orienterade plattformsimplementeringarna.

Med AI – särskilt maskininlärning – kan nätverksenheternas operativa hälsa övervakas baserat på realtidsdata och spåras över en tidsperiod så att en rad parametrar kan analyseras. Detta tillvägagångssätt ger mer och mer specifik information om hur enheterna fungerar jämfört med mindre informativ prestanda mätt mot förinställda riktmärken. I vissa fall kommer inmatning av redan infångad driftdata till en maskininlärningsmotor att öka dess bredd av erfarenhet och göra det möjligt för den att ge ännu mer detaljerad information.

Real-rim-aspekten är också kritisk. Idag är många IoT-administratörer överväldigade av den stora mängd information som deras nätverk ger. IBMs Berti sa att kunderna ropar på hjälp och noterade att många av dem säger: "Vi får tusentals varningar och så vi kan bara inte uppmärksamma dem - det här är buller och det är för många för oss att hantera .”

IBM:s lösning, sa Berti, kan hantera anstormningen av information och analysera den för de verkligt meningsfulla datapunkterna: "Det är i grunden AI-baserad anomalidetektering," sa Berti, "och vad vi verkligen finner är vad som verkligen fungerar annorlunda här? ”

Den nivån av datainsamling och analys ger betydligt mer insikt i nätverkets prestanda. "Det vi pratar om är att till exempel försöka upptäcka anomalier eller upptäcka användningsmönster och sedan kunna säga, OK, låt oss agera annorlunda", sa Lucero. "Låt oss ändra dessa bruksanvisningar eftersom vi får dessa data som vi bearbetar automatiskt och vi kan arbeta mer effektivt som ett resultat."

Schneider Electric tillhandahåller AI-kapacitet "helt integrerad som ett alternativ" enligt Martin Bauer, Schneiders marknadschef för EcoStruxure, som svarade på IoT World Todays frågor via e-post. "Kunder har full flexibilitet att köra EcoStruxure Machine Advisor för att samla in och visa data [insamlad från] maskiner eller för att lägga till analysalternativet för förutsägande underhåll."

IBM:s implementering använder inte AI för att bara upptäcka anomalier, den kan också initiera aktiviteter baserade på den upptäckten. "Vi stänger faktiskt slingan," sa Berti. "Vi kan skapa en arbetsorder inuti Maximo och sedan låta en tekniker titta på utrustningen." Teknikern kan använda en mobil enhet för att se informationen tillsammans med föreslagna åtgärder.

AI hjälper också till IoT-säkerhet

Med bättre data som tas emot och analyseras snabbare kan säkerhetssystem och systemoperatörer reagera snabbare när ett upplevt hot dyker upp.

Utan AI kan ett säkerhets- eller hanteringssystem bara generera en varning om en enhet inte kan fortsätta att fungera och samla in och överföra data. Men AI/ML kan upptäcka subtiliteterna i enhetens funktion som kan indikera att en enhet som uppenbarligen fungerar korrekt fungerar på ett onormalt sätt – kanske samlar in data när den inte förväntas eller fungerar utanför sitt temperaturområde.

"På kontrollplanet är användningen av ML en typ av anomalidetektering, vilket förbättrar säkerheten som ett resultat," sa Lucero.

IBMs Berti noterade att den information som samlats in och agerat av AI-stödd ledning kan hjälpa till att isolera segment av IoT-nätverket och därmed minska sårbarheter och potentiella anslutningsytor för intrångare.

Schneiders EcoStruxure-plattform utnyttjar också sin AI-expertis för att stärka nätverkssäkerheten. "Cybersäkerhet är en av de mest relevanta aspekterna i utvecklingen av vårt erbjudande", skrev Schneiders Bauer.

Lite logi krävs för att lägga till AI till IoT

Vissa användare kanske undviker att implementera eller uppgradera till en AI-förbättrad IoT-plattform, förutsatt att sådan toppmodern mjukvaruteknik kommer att kräva lika sofistikerad hårdvara, vilket skulle innebära omfattande – och dyra – enhetsuppgraderingar.

Men så är det inte nödvändigtvis fallet.

"Jag har inte hört talas om några speciella modifieringar som behöver integreras eller utvecklas på själva enheten," sa Lucero, "och om det verkligen fanns för de allra flesta IoT-enheter skulle det vara en slags deal-breaker redan från början .”

Detsamma gäller formatet på data som enheterna överför och protokollen de använder för att flytta data lång. De flesta AI-kapabla plattformar kan samla in och tolka data i en mängd olika välbekanta format med hjälp av beprövade överföringsprotokoll.

"Vi kan faktiskt acceptera vilken typ av data som helst," sa Berti. "Vad vi har gjort är att vi har skrivit kopplingar till de stora SCADA-systemen."

Att komma igång är i allmänhet inte så svårt heller. Som nämnts tidigare drar vissa AI/ML-system nytta av att kunna ta in och analysera historisk data, men det krävs vanligtvis lite utbildning för systemen eller operatörerna.

AI accelererar IoT-marknaden

Det råder ingen tvekan om att AI har blivit en integrerad del av IoT-driftshantering. Större IoT-installationer kommer att se fördelarna med AI snabbare än mindre installationer helt enkelt på grund av omfattningen och utmaningarna med att driva en stor och komplex IoT-miljö. Och även om utbudet av AI-aktiverade plattformar idag är begränsat, kommer det snart att förändras.

"Vi ser redan en konsolidering av leverantörslandskapet på gång," sa Lucero. "Jag misstänker att AI/ML kommer att vara en av de saker som hjälper till att påskynda processen."

Det är också möjligt – även om det inte händer idag – att leverantörer av AI-förbättrade plattformar kommer att göra några av dessa AI-funktioner tillgängliga för andra applikationer via API:er eller andra integrationer.

"Jag är säker på att det skulle exponeras tillsammans med andra funktioner och funktionalitet," sa Lucero, "men jag tror att det återigen är lite längre ner i fältet när det gäller direkt integration med IoT-plattformen."