德勤報告表示物聯網變得更加智能。公司正在將人工智能(特別是機器學習)整合到他們的物聯網應用程序中，并觀察功能的增長，包括提高運營效率并幫助避免意外停機。關鍵：洞察數據。

ITH是一波投資，一系列新產品和企業部署的崛起，人工智能正在物聯網(IoT)中掀起一陣熱潮。制定物聯網戰略，評估潛在的新物聯網項目或試圖從現有物聯網部署中獲得更多價值的公司可能需要探索人工智能的作用。

信號

以人工智能為重點的物聯網創業公司的風險投資正在快速增長：2017年前8個月，這個類別的初創公司籌集了7.05億美元

以人工智能為重點的物聯網創業公司并購數量增加：2017年前8個月為21個，2016年為24個，高于2015年的11個

包括亞馬遜，通用電氣，IBM，微軟，甲骨文，PTC和Salesforce在內的IoT平臺供應商正在整合AI功能

跨行業的大型組織已經在利用物聯網來借助或探索人工智能的力量，提供新產品并更高效地運營

Gartner預測，到2022年，超過80%的企業物聯網項目將包含一個AI組件，今天只有10%

AI是解鎖物聯網潛力的鑰匙

人工智能在物聯網應用和部署中扮演著越來越重要的角色，這一領域的公司行為顯然發生了變化。使用AI的物聯網初創企業的風險投資大幅增加。在過去的兩年里，公司已經收購了數十家在人工智能和物聯網交叉點工作的公司。物聯網平臺軟件的主要供應商現在提供集成的AI功能，如基于機器學習的分析。

人工智能在物聯網中扮演著主要角色，因為它能夠快速從數據中獲取洞察力。機器學習是一項人工智能技術，它可以自動識別模式并檢測智能傳感器和設備生成的數據中的異常情況，諸如溫度，壓力，濕度，空氣質量，振動和聲音等信息。各公司發現機器學習可以比傳統的商業智能工具在分析物聯網數據方面具有顯著優勢，包括能夠比基于閾值的監控系統提前20倍和更高的準確度進行運營預測。而其他人工智能技術，如語音識別和計算機視覺可以幫助從過去需要人工評估的數據中獲得見解。

AI和物聯網技術的強大組合幫助公司避免意外停機，提高運營效率，啟用新產品和服務，并加強風險管理。

避免昂貴的非計劃停機時間

在一些行業中，設備故障導致的意外停機可能造成嚴重損失。例如，根據一項研究，海上石油和天然氣經營者每年平均損失3800萬美元。另一個消息估計，對于工業制造業來說，意外停機時間每年花費500億美元，設備故障導致42%的停機。

使用預測性維護分析功能提前預測設備故障，以便安排有序的維護程序，可以減少非計劃停機的破壞性經濟性。例如，在制造業中，德勤發現預測性維護可以將維護計劃縮短20-50%，將設備正常運行時間和可用性增加10-20%，并將整體維護成本降低5-10%。

由于人工智能技術，特別是機器學習，可以幫助識別模式和異常情況，并基于大量數據進行預測，因此它們在實施預測性維護方面尤其有用。例如，領先的韓國煉油商SK Innovation通過使用機器學習預測連接的壓縮機預計故障可節省“數十億韓元”。同樣，意大利列車運營商Trenitalia希望避免意外停機，并節省8-10%的年度維護成本13億歐元。與此同時，法國電力公司EDF集團已經通過機器學習驅動的設備故障預警節省了超過100萬美元。

提高運營效率

人工智能驅動的物聯網可以做的不僅僅是幫助避免意外停機。它還可以幫助提高運營效率。這部分得益于機器學習的力量，以產生快速、準確的預測和深刻見解，以及AI技術能夠使越來越多的任務自動化完成。

例如，對于Hershey來說，在生產過程中管理其產品的重量至關重要：重量精度每提高1%，就意味著可以為14,000加侖的Twizzlers等一批產品節省超過500,000美元的成本。該公司使用物聯網和機器學習來顯著是減少生產過程中的重量變化。第二個數據被捕獲和分析，重量變化可以通過機器學習模型進行預測，每天可以進行240個工藝調整，而安裝ML驅動的IoT解決方案前每天僅有12個。

基于人工智能的預測也有助于谷歌削減40%的數據中心冷卻成本。該解決方案通過對設施內傳感器數據進行培訓，預測下一小時的溫度和壓力，以指導限制功耗的操作。

機器學習產生了深刻的見解，說服一家船隊運營商采取反直覺行動，為他們節省了大筆資金。從船載傳感器收集的數據被用來識別清洗船體的成本和燃油效率之間的相關性。分析表明，通過每年清洗船體兩次而不是每兩年清潔船體(從而將清潔費用翻兩番)，由于燃油效率更高，最終可節省40萬美元。

實現新的和改進的產品和服務

物聯網技術與人工智能相結合，可以為改進并最終實現全新的產品和服務奠定基礎。例如，對于通用電氣的無人機和基于機器人的工業檢測服務，公司希望AI能夠實現檢測設備的導航自動化，并從他們捕獲的數據中識別缺陷。這可能會導致更安全，更精確，并且為客戶提供便宜高達25%的檢查。在醫療保健方面，費城托馬斯杰佛遜大學醫院試圖通過自然語言處理改善患者體驗，使患者能夠控制房間環境并通過語音命令請求各種信息。

與此同時，勞斯萊斯計劃盡快推出具有物聯網功能的飛機發動機維護服務新產品。該公司計劃使用機器學習來幫助其發現模式并確定將出售給航空公司的運營見解。汽車制造商Navistar正在研究實時連接車輛數據的機器學習分析，以實現車輛健康診斷和預測性維護服務的新收入流。根據Navistar技術合作伙伴Cloudera的說法，這些服務幫助近30萬輛汽車減少了高達40%的停機時間。

加強風險管理

將物聯網與AI結合在一起的許多應用程序，正在幫助企業更好地理解和預測各種風險，以及自動執行快速響應，使他們能夠更好地管理工作人員安全，財務損失和網絡威脅。

例如，富士通已經在使用機器學習技術來分析連接可穿戴設備的數據，以評估其工廠工人可能會在一段時間內積累的潛在熱應力。印度和北美的銀行已經開始對ATM機中聯網監控攝像頭的可疑活動進行實時識別。汽車保險公司進步正利用機器學習對聯網汽車的數據進行分析，從而準確地為其基于美國的保費定價，從而更好地管理承保風險。拉斯維加斯已經轉向了一種機器學習解決方案，以確保其智能城市計劃的安全，旨在實時檢測和應對威脅。

對企業的影響

對于不同行業的企業，人工智能有望提升物聯網部署所創造的價值，從而實現更好的產品和運營，從而在業務績效中發揮競爭優勢。

考慮新的基于物聯網項目的高管們應該意識到，預測功能的機器學習現在已經與大多數橫向和工業物聯網平臺集成在一起，如微軟 Azure 物聯網，IBM 沃森物聯網T，亞馬遜AWS物聯網，通用電氣Predix和PTC ThingWorx。

越來越多的交鑰匙，捆綁或垂直物聯網解決方案利用機器學習等AI技術。例如，對于連接汽車的使用案例，寶馬的CarData平臺可以訪問車主分享的數據以及IBM 沃森物聯網的AI功能。在消費品和零售業中，一些補貨自動化和優化解決方案使用機器學習來預測需求并優化庫存水平。汽車保險行業的遠程信息處理解決方案提供商正在整合機器學習，以創建更準確的風險模型并預測索賠行為。

使用人工智能技術可能會從物聯網部署中獲得更多價值，而這些部署并非是在設計時考慮到使用人工智能而設計的。例如，一家匈牙利石油和天然氣公司將機器學習應用于柴油生產過程中已經收集到的傳感器數據。該分析使公司能夠更準確地預測燃料的硫含量，并幫助識別過程改進，現在每年為該公司節省超過600,000美元。主要的橫向和工業物聯網平臺 —— 企業可能已經在使用 —— 正在提供新的基于人工智能的功能，可能有助于提升現有部署的價值。

物聯網的未來就是AI

很快就很難找到一個不能使用AI的物聯網實現。國際數據公司IDC預測，到2019年，AI將支持“所有有效的”物聯網工作，如果沒有人工智能，部署的數據將具有“有限的價值”。越來越多的物聯網供應商提供至少基本的AI支持。各行業的先鋒公司已經在其物聯網部署中獲得了AI的好處。如果你的公司有實施基于物聯網的解決方案的計劃，那么這些計劃也應該包括人工智能。