Die künstliche Intelligenz der Dinge (AIoT): Eine leistungsstarke Kombination aus vernetzten Geräten und intelligenten Algorithmen

TL;DR: Einblicke, zusammengefasst:

• 60 % bis 73 % aller Unternehmensdaten bleiben für Analysen ungenutzt.
• Ein durchschnittliches Unternehmen verliert 12 % seines Umsatzes, weil es Gelegenheiten zur Datenanalyse verpasst.
• Durch die Kombination von KI- und IoT-Lösungen können Unternehmen auf ihre Daten zugreifen und Erkenntnisse gewinnen, die zuvor nicht verfügbar waren.
• AIoT ist eine Mischung aus künstlicher Intelligenz und dem Internet der Dinge. Die Verbindung beider Technologien ermöglicht die Schaffung effizienterer Lösungen, die einen höheren ROI erzielen.
• Die Sektoren, in denen AIoT eine breitere Anwendungsspanne gefunden hat, sind das Gesundheitswesen, die Fertigung, das Transportwesen und andere Branchen.

Was ursprünglich als Machine-to-Machine-Kommunikation begann, war fast ausschließlich auf die Telekommunikationsbranche beschränkt, das Internet der Dinge ist heute allgegenwärtig. Laut Statista wird die Zahl der mit dem Internet verbundenen Geräte bis 2025 38 Milliarden überschreiten.

Die Zahl ist jedoch fraglich, da es schwierig ist, die Grenze zu ziehen, was genau ein IoT-Gerät ist. Andere Berichte deuten also auf zurückhaltendere Zahlen hin. Stellen Sie sich vor: rund 16 Milliarden Geräte im Einsatz bis 2025.

Der steile Anstieg der Anzahl von IoT-Geräten wird zwangsläufig zu einer Zunahme der gesammelten Datenmengen führen. IDC berichtet, dass die Menge der weltweit generierten IoT-Daten bis 2025 73 Zettabyte erreichen wird. Und da wird es problematisch. Die gesammelten Informationen müssen verarbeitet und analysiert werden, um den Wert zu steigern. Die meisten Unternehmen scheitern jedoch daran, Daten zu nutzen, wobei zwischen 60 % und 73 % davon für Analysen ungenutzt bleiben.

Die gute Nachricht ist, dass Unternehmen mehr der generierten Daten in geschäftliche Erkenntnisse umwandeln können, indem sie die kombinierte Kraft von künstlicher Intelligenz und dem Internet der Dinge nutzen.

In diesem Artikel haben wir alles behandelt, was Sie über diese starke Mischung wissen müssen, die oft als künstliche Intelligenz der Dinge oder AIoT bezeichnet wird. Wenn Sie also erwägen, auf den Zug der Entwicklung des Internets der Dinge aufzuspringen, lesen Sie weiter.

Was ist AIoT genau?

Ein System der künstlichen Intelligenz der Dinge (AIoT) besteht aus zwei Komponenten: dem Internet der Dinge (IoT) und der künstlichen Intelligenz (KI).

In dieser robusten Kombination besteht die Rolle des IoT darin, strukturierte und unstrukturierte Daten zu sammeln und die Kommunikation zwischen den verbundenen Dingen und dem Benutzer zu ermöglichen.

Wenn es mit KI verstärkt wird – Algorithmen, die komplexe Abhängigkeiten in riesigen Datenmengen finden und darauf basierend bestimmte Aktionen beschreiben, vorhersagen und vorschreiben können – erhält ein IoT-System menschenähnliche Intelligenz und kann zur Lösung einer größeren Vielfalt von Aufgaben eingesetzt werden . Diese könnten das „Verstehen“ natürlicher Sprache, das Vorhersagen von Benutzerbedürfnissen und das entsprechende Anpassen des Verhaltens eines angeschlossenen Geräts und mehr umfassen.

Der AIoT-Markt ist derzeit im Aufwind. Jüngste Forschungsergebnisse gehen davon aus, dass es bis 2026 102,2 Milliarden US-Dollar erreichen wird. Und es ist vollkommen klar, warum: KI erhöht den Wert des IoT durch verbesserte Entscheidungsfindung, während das IoT eine Plattform für KI bietet, um den Wert durch Konnektivität und nahtlosen Datenaustausch zu steigern.

Wie funktioniert die Künstliche Intelligenz der Dinge?

AIoT-Systeme können auf zwei Arten implementiert werden:

• Als Cloud-basierte Systeme
• Als Edge-Systeme, die auf verbundenen Geräten ausgeführt werden.

Die Architektur eines AIoT-Systems variiert je nach Implementierungsstrategie.

Cloudbasiertes AIoT

Beim Cloud-basierten Ansatz sieht die grundlegende Architektur einer AIoT-Lösung wie folgt aus:

• Geräteschicht: verschiedene Hardwaregeräte (Mobilität, Tags/Beacons, Sensoren, Gesundheits- und Fitnessgeräte, Fahrzeuge, Produktionsanlagen, eingebettete Geräte)
• Konnektivitätsebene: Feld- und Cloud-Gateways
• Cloud-Schicht: Datenspeicherung, Datenverarbeitung (KI-Engine), Datenvisualisierung, Analytik, Datenzugriff über API
• Benutzerkommunikationsschicht*: Webportale und mobile Anwendungen*

Edge-AIoT

Mit Edge Analytics werden die gesammelten Daten näher an der Quelle verarbeitet – ob auf angeschlossenen Geräten oder auf Field Gateways.

• Erfassungsterminalebene: Verschiedene Hardwaregeräte (Mobilität, Tags/Beacons, Sensoren, Gesundheits- und Fitnessgeräte, Fahrzeuge, Produktionsanlagen, eingebettete Geräte), die über vorhandene Stromleitungen mit dem Gateway verbunden sind
• Edge-Layer: Einrichtungen zur Datenspeicherung, Datenverarbeitung (KI-Engine), Generierung von Erkenntnissen

Edge-fokussierte Implementierungen schließen das Vorhandensein der Cloud jedoch nicht aus. Die Cloud-basierte Datenspeicherung kann beispielsweise zum Sammeln von Metadaten über die Leistung des Systems oder Kontextinformationen verwendet werden, die für das Training oder Umtrainieren von Edge-KI benötigt werden (man denke an: ein Paradigma für die Erstellung von KI-Workflows, das die Cloud und den Edge umfasst, aus dem letztere besteht Geräte außerhalb der Cloud, die näher an physischen Dingen sind.)

Top-Anwendungen von AIoT in verschiedenen Branchen

Angetrieben von einer Reihe von Faktoren, wie der Verfügbarkeit neuer Softwaretools, der Entwicklung vereinfachter KI-Lösungen, der Einführung von KI in Altsysteme und Fortschritten bei der Hardware, die KI-Algorithmen unterstützt, schleicht sich die künstliche Intelligenz der Dinge in vielen Branchen ein. Hier ist eine Liste von Sektoren, die bereits die Möglichkeiten von AIoT nutzen – mit den vielversprechendsten Anwendungsfällen im Rampenlicht.

Gesundheitspflege

Diagnosehilfe

AIoT kann Gesundheitsdienstleister dabei unterstützen, präzisere diagnostische Entscheidungen zu treffen. Die intelligenten IoT-Lösungen für das Gesundheitswesen nehmen Patientendaten aus einer Vielzahl von Quellen auf – von Diagnosegeräten über Wearables bis hin zu elektronischen Patientenakten – und führen eine Queranalyse dieser Daten durch, um Ärzte bei der korrekten Diagnose eines Patienten zu unterstützen.

KI-basierte medizinische Lösungen übertreffen bereits menschliche medizinische Fachkräfte in mehreren Diagnosebereichen. Radiologen auf der ganzen Welt verlassen sich bei der Krebsvorsorge auf die Unterstützung von KI.

In einer von Nature Medicine veröffentlichten Studie übertraf AI sechs Radiologen bei der Bestimmung, ob Patienten Lungenkrebs hatten. Der Algorithmus, der anhand von 42.000 Patientenscans aus den Datensätzen klinischer Studien eines National Institute of Health trainiert wurde, entdeckte 5 % mehr Krebsfälle als seine menschlichen Gegenstücke und reduzierte die Anzahl falsch positiver Ergebnisse um 11 %. Erwähnenswert ist, dass Fehlalarme ein besonderes Problem bei der Diagnose von Lungenkrebs darstellen: Die Studie von JAMA Internal Medicine mit 2.100 Patienten gibt eine Falschalarmrate von 97,5 % an. Somit hilft KI bei der Lösung eines der entscheidenden Diagnoseprobleme.

AIoT-Systeme leisten bei der Diagnose von Brustkrebs, Hautkrankheiten und Hautkrebs gleichermaßen gute Dienste. Doch die Möglichkeiten intelligent vernetzter Systeme gehen weit darüber hinaus.

Jüngste Studien haben gezeigt, dass KI seltene Erbkrankheiten bei Kindern, genetische Krankheiten bei Säuglingen, cholesterinerhöhende genetische Krankheiten und neurodegenerative Krankheiten erkennen und den kognitiven Rückgang vorhersagen kann, der zur Entwicklung der Alzheimer-Krankheit führt.

Behandlungsstrategien verbessern und den Rehabilitationsprozess verfolgen

Nach dem gleichen Prinzip wie bei der Diagnose von Patienten können AIoT-Systeme helfen, bessere Behandlungsstrategien zu entwickeln und an die Bedürfnisse des Patienten anzupassen.

Durch die Kombination von Daten aus Behandlungsprotokollen, der Krankengeschichte und Echtzeit-Patienteninformationen von angeschlossenen Geräten und Wearables können intelligente Algorithmen Dosisanpassungen vorschlagen, die Möglichkeit ausschließen, dass ein Patient Allergien entwickelt, und eine unangemessene oder übertriebene Behandlung vermeiden. Einige der wesentlichen Bereiche, in denen AIoT die Behandlungsspanne erleichtert:

• Effektivere COVID-19-Behandlung

Durch die Überwachung von Patienten, bei denen COVID-19 diagnostiziert wurde, über AIoT-betriebene Wearables, die die Vitalfunktionen der Patienten aufzeichnen, könnten Ärzte den Patienten angemessene Vorschläge machen und so eine effektivere ambulante Versorgung ermöglichen.

• Behandlung von Krankheiten, die mit Blutgerinnung einhergehen

Angeschlossene Gerinnungsgeräte helfen dabei, das Tempo zu messen, mit dem sich Blutgerinnsel bilden, und helfen Patienten so, sicherzustellen, dass die Messungen innerhalb ihres Behandlungsbereichs liegen, und reduzieren die Anzahl der Besuche in der Praxis, da die Messungen aus der Ferne und in Echtzeit an Gesundheitsdienstleister übermittelt werden können.

• Besseres Asthma- und COPD-Management

Chronische Atemwegserkrankungen (COPDs) betreffen weltweit etwa 500 Millionen Patienten. Um die Schwere dieser Erkrankungen zu mildern, müssen sich die Patienten an eine gründliche Routine halten, und die Verwendung von Inhalatoren ist ein wesentlicher Bestandteil davon. Dennoch halten sich viele Patienten nicht an die empfohlenen Behandlungspläne. AIoT-fähige Inhalatoren, die an eine mobile App gebunden sind, helfen dabei, dies zu verhindern, indem sie Uhrzeit, Datum und Ort jeder Verwendung aufzeichnen. Die gesammelten Daten können verwendet werden, um automatische Erinnerungen für die nächste Nutzung einzurichten, Asthmaanfälle vorherzusagen und Triggerfaktoren zu identifizieren.

• Optimiertes Diabetes-Management

Allein in den USA sind 30 Millionen Menschen von Diabetes betroffen. Und für sie waren regelmäßige Glukosemessungen schon immer ein Anliegen. AIoT-fähige drahtlose implantierbare Glukosemessgeräte zerstreuen diese Bedenken, indem sie Patienten – und Ärzte – über Änderungen des Glukosespiegels der Patienten informieren.

Optimierung der Arbeitsabläufe im Krankenhaus

AIoT kann die Art und Weise, wie Krankenhäuser geführt werden, verändern und die täglichen Arbeitsabläufe in den folgenden Schlüsselbereichen verbessern:

• Wartezeiten reduzieren

Automatisierte Bettenverfolgungssysteme auf Basis von AIoT können Krankenhausmitarbeitern helfen, Notfallpatienten so schnell wie möglich aufzunehmen, indem sie benachrichtigt werden, wenn ein Bett frei ist. Die Erfahrung von Early Adoptern wie dem Mt. Sinai Medical Center in New York beweist, dass Technologie dazu beitragen kann, die Wartezeiten für 50 % der Patienten in der Notaufnahme zu verkürzen.

• Identifizieren kritischer Patienten

Die Identifizierung von Patienten, die sofortige Aufmerksamkeit benötigen, ist entscheidend für die Bereitstellung einer qualitativ hochwertigen Versorgung. Um die richtige Entscheidung zu treffen, müssen Ärzte große Mengen an Informationen analysieren und stehen dabei unter erheblichem Druck. AIoT kann dem medizinischen Personal bei der Priorisierung seiner Bemühungen helfen. Verbundene Systeme können die Vitalwerte von Patienten analysieren und Ärzte auf Patienten aufmerksam machen, deren Zustand sich verschlechtert.

Mehrere ähnliche Systeme wurden auf Intensivstationen getestet. Beispielsweise hat die University of San Francisco eine KI-Lösung pilotiert, die in der Lage ist, frühe Anzeichen einer Sepsis, einer tödlichen Blutinfektion, zu erkennen. Die Forschungsergebnisse zeigten, dass Patienten, deren Behandlungen AI umfassten, eine um 58 % geringere Wahrscheinlichkeit hatten, die Infektion zu entwickeln; und die Sterblichkeitsrate wurde um 12% reduziert.

• Verfolgung medizinischer Geräte

Mit der AIoT-fähigen Geräteverfolgung können Krankenhäuser das Risiko des Verlusts kritischer medizinischer Geräte verringern und fundiertere Entscheidungen zur Geräteverwaltung treffen, wodurch jährlich 12.000 US-Dollar pro Bett eingespart werden. Wichtige medizinische Geräte können über RFID- oder GPS-Systeme innerhalb und außerhalb des Krankenhauses verfolgt werden, während medizinisches und administratives Personal Web- und mobile Anwendungen verwenden kann, um die benötigte Ausrüstung schnell zu finden.

Herstellung

Vorausschauende Wartung ermöglichen

Mit Maschinen, die mit AIoT-Sensoren ausgestattet sind, die eine Vielzahl von Parametern messen, darunter Temperatur, Druck, Vibration, Drehzahl und mehr, können Hersteller Echtzeit-Einblicke in den Zustand ihrer Anlagen erhalten und die Wartung entsprechend dem tatsächlichen Bedarf planen.

Während einfache Analysen oft ausreichen, um Geräte zu erkennen, die sich einer kritischen Betriebsschwelle nähern, kann KI Anomalien im Voraus auf der Grundlage historischer Wartungs- und Reparaturdaten vorhersagen. Als Ergebnis der vorausschauenden Wartung können Hersteller laut einem PwC-Bericht die Betriebszeit von Anlagen um 9 % verbessern, die Kosten um 12 % senken, Sicherheitsrisiken um 14 % reduzieren und die Lebensdauer ihrer Anlagen um 20 % verlängern.

Verbesserung des Asset-Performance-Managements

Mit einem installierten AIoT-System können Hersteller regelmäßige Updates zur Leistung ihrer Anlagen erhalten und die Gründe für Leistungsänderungen aufschlüsseln. Die meisten IoT-basierten Asset-Performance-Management-Systeme ermöglichen es, automatische Warnungen zu erhalten, wenn ein Gerät von den festgelegten KPIs abweicht.

Die KI-Engine wiederum hilft dabei, die Gründe für Leistungsverschlechterungen (falls vorhanden) zu untersuchen und festzustellen, ob die gemessenen KPIs in jeder einzelnen Einstellung angemessen zu verfolgen sind. Mithilfe von Performance-Management-Software optimieren Hersteller die Anlagenauslastung und verbessern die Gesamtanlageneffektivität.

Verbesserung der Produktionsplanung mit digitalen Zwillingen

Laut Gartner können digitale Zwillinge Herstellern dabei helfen, die Produktionseffektivität um mindestens 10 % zu steigern. Eine digitale Kopie eines Assets, Systems oder Prozesses, ein industrieller, AIoT-fähiger digitaler Zwilling, kann Herstellern dabei helfen, einen durchgängigen Einblick in die Fertigungsabläufe zu erhalten und Ineffizienzen rechtzeitig zu erkennen und sogar vorherzusagen.

Fertigungsunternehmen, die digitale Zwillinge verwenden, geben an, dass sie dauerhafte Verbesserungen erzielen könnten, darunter eine Steigerung der Zuverlässigkeit von 93 % auf 99,49 % über zwei Jahre, eine Reduzierung der erhaltenen Wartung um 40 % und Einsparungen von 360.000 USD, nachdem ein Stromausfall vorhergesagt wurde.

Automatisierung von Fertigungsabläufen durch Industrierobotik

Industrieroboter gehören schon lange zum Shopfloor. Da IoT-Lösungen für die Fertigung immer zugänglicher werden, werden Roboter intelligenter und unabhängiger. Ausgestattet mit Sensoren und gestützt auf KI ist die Industrierobotik heute in der Lage, unterwegs fundierte Produktionsentscheidungen zu treffen und so die Effektivität von Fertigungseinheiten zu steigern.

Automobil und Transport

Verkehrsregelung

AIoT kann verwendet werden, um Verkehrsstaus zu verringern und die Transportqualität zu verbessern. Taipei City beispielsweise nutzte AIoT, um Signalanlagen an 25 Knotenpunkten zu überwachen und zu steuern. In diesem System sammelten intelligente Sensoren und Videokameras Echtzeitdaten über Verkehr, Personenfluss und Straßenbelegung, während KI-Algorithmen diese Daten analysierten und eine geeignete Steuerlogik anwendeten.

Der Ansatz half der Stadtverwaltung, den Verkehrsfluss zu optimieren und ein sicheres und reibungsloses Fahrerlebnis zu gewährleisten.

Selbstfahrende Fahrzeuge

Selbstfahrende Fahrzeuge und fortschrittliche Fahrerassistenzsysteme (ADAS) sind bemerkenswerte Beispiele für KI-Algorithmen, die Echtzeit-IoT-Daten interpretieren und darauf reagieren.

Selbstfahrende oder autonome Autos erstellen auf Basis der Daten einer Vielzahl von Sensoren eine Karte ihrer Umgebung. Radarsensoren überwachen beispielsweise die Position von Fahrzeugen in der Nähe; Videokameras erkennen Ampeln, Verkehrszeichen, andere Fahrzeuge und Fußgänger; Lidar-Sensoren messen Entfernungen, erkennen Straßenränder und identifizieren Fahrbahnmarkierungen.

KI-Software verarbeitet dann die Sensordaten, zeichnet einen optimalen Weg und sendet Anweisungen an die Aktuatoren des Autos, die Beschleunigung, Bremsen und Lenkung steuern. Fest codierte Regeln, Algorithmen zur Vermeidung von Hindernissen, prädiktive Modellierung und Objekterkennung helfen der Software, Verkehrsregeln zu befolgen und Hindernisse zu umfahren.

Wichtige Herausforderungen bei der AIoT-Implementierung und wie man sie löst

Von allen weltweit umgesetzten IoT-Projekten scheitern 76 %, davon 30 % bereits in der Proof-of-Concept-Phase. Um zu vermeiden, Investitionen in Initiativen zu lenken, die zum Scheitern verurteilt sind, sollten sich Unternehmen, die AIoT-Gewässer testen, der gemeinsamen Herausforderungen bewusst sein, die ihre AIoT-Implementierungen behindern können. Die Hindernisse, auf die Unternehmen am häufigsten stoßen, umfassen:

Sich auf eine AIoT-Reise begeben, ohne ein klares Ziel vor Augen zu haben. Beim Start von AIoT-Projekten können sich Organisationen in der Neuheit verfangen und die Machbarkeit ihrer Ideen nicht bewerten. Dies wiederum könnte in den letzten Phasen der Entwicklung zu unkontrollierten Kostensteigerungen und letztendlich zu unzufriedenen Stakeholdern führen. Um dies zu vermeiden, empfehlen wir, Ihr AIoT-Projekt mit einer Entdeckungsphase zu beginnen, in der Ideen geprüft und gegen die festgelegten Geschäftsziele, Kundenerwartungen und organisatorischen Fähigkeiten abgewogen werden können.

Schwierigkeiten, eine optimale Implementierungsstrategie zu wählen. Wie bereits erwähnt, können AIoT-Lösungen als Cloud-, Edge- oder Hybridsysteme implementiert werden. Wägen Sie beim Entwerfen der Implementierungsstrategie sorgfältig die Bandbreiten-, Latenz- und Geschwindigkeitsanforderungen für die zukünftige Lösung ab und ordnen Sie sie den festgelegten Kosten zu. Die Faustregel lautet für Edge-Bereitstellungen für zeitkritische Systeme, die sich über eine große Anzahl von Geräten erstrecken und sich auf die Cloud verlassen, falls minimale Latenz und hohe Bandbreite weniger kritisch sind.

Langsame Bereitstellungszyklen mit schwer abzuschätzenden Kosten. AIoT-Projekte erfordern ein langfristiges Engagement. Je nach Anwendungsfall kann der Implementierungsprozess mehrere Monate bis hin zu mehreren Jahren dauern. Da sich die Technologielandschaft schnell ändert, besteht das Risiko, dass eine Lösung veraltet ist, wenn sie vollständig betriebsbereit ist, und die Kontrolle über die Implementierungskosten verliert. Um dies zu verhindern, müssen Unternehmen agil genug sein, um unterwegs Änderungen einführen zu können.

Die Notwendigkeit, sehr heterogene und komplexe Systeme zu verbinden. Abhängig vom Umfang Ihrer zukünftigen Lösung und der Branche, in der Sie tätig sind, müssen Sie möglicherweise sehr heterogene Altgeräte mit AIoT verbinden. Es ist oft eine schwierige Aufgabe, sie zu erfüllen, und erfordert Planung und Verständnis der verfügbaren Optionen. Sie können beispielsweise Sensoren an den Altmaschinen anbringen, sie über Gateways verbinden oder sie sogar ganz ersetzen. Stellen Sie bei allen Ansätzen sicher, dass Sie frühzeitig die realisierbaren Digitalisierungsszenarien entwerfen.

Nicht genügend Daten zum Trainieren von KI-Algorithmen. Um verlässliche Erkenntnisse zu generieren, müssen KI-Algorithmen mit riesigen Datenmengen trainiert werden. Wenn sie nicht in ausreichender Menge verfügbar sind (oder verfügbar sind, aber aus Datenschutzgründen nicht verwendet werden können), müssen Sie andere Strategien anwenden, um den Mangel an Daten zu kompensieren. Zu den üblichen Methoden gehören Transferlernen (denken Sie: Verwenden eines bereits trainierten neuronalen Netzwerks, das ein ähnliches Problem löst), Datenerweiterung (Ändern der vorhandenen Stichproben, um neue Dateneinträge zu erhalten) oder der Rückgriff auf synthetische Daten.

Schwierigkeiten, eine ausreichende Leistung des AIoT-Systems zu erreichen. Die Leistung von AIoT-Systemen hängt von einer Reihe von Faktoren ab, darunter Hardwarefähigkeiten, Datenlast, Systemarchitektur, Implementierungsansatz und mehr. Um Leistungsprobleme im Betrieb zu vermeiden, planen Sie potenzielle Datenlasten im Voraus und stimmen Sie die Implementierungsstrategie entsprechend ab.

Behebung von Software- und Firmware-Schwachstellen. Viele AIoT-Projekte scheitern, weil die Sicherheit von Daten, Geräten, Servern und Kommunikationsnetzen in der Planungsphase nicht berücksichtigt wurde. Wenn Sie mit hochsensiblen Daten arbeiten, ziehen Sie hybride Bereitstellungen in Betracht, bei denen die Daten näher an der Quelle verarbeitet werden, sodass das Risiko einer Kompromittierung während der Übertragung oder in der Cloud minimiert wird.

Wenn Sie offene Fragen zur Künstlichen Intelligenz der Dinge haben oder bereits darüber nachdenken, sich auf eine AIoT-Implementierungsreise zu begeben, wenden Sie sich an unsere Experten.

Ursprünglich am 30. August 2022 unter https://itrexgroup.com veröffentlicht.