物联网 (IoT)、机器学习 (ML) 和人工智能 (AI) 通过多种方式相互连接或重叠。物联网可能包含利用机器学习和人工智能的设备。AI 通常被描述为模仿智能特征的机器应用。机器学习是 AI 的一个子集，它使机器能够从其可以访问的数据中学习。
一些关键定义
基本人工智能可以用于非常狭窄的目的，在特定应用中表现出色，但最简单的形式人工智能仍然完全依赖其程序员提供基于规则的指导。基于规则的 AI 知道 “如果 X 发生，我应该做 Y。”如果出现 “X” 以外的其他情况，AI 将处于不知所措的状态，没有能力适应情况或从中吸取教训。
机器学习 AI 是本应以与人类相似的方式学习的应用程序。它吸收数据，推断理解，做出未来的决策，并根据所学知识采取未来的行动。
物联网设备在互连的传感器云中运行，在许多情况下，这些传感器由基于规则的系统中的 AI 提供支持。您的智能恒温器可以根据您的智能手机位置及其活动传感器来了解您的日程安排。然后，它可以根据这些因素调整日程安排。如果您有安全摄像头或摄像门铃，它们将在检测到运动时开始录制。这些物联网设备根据特定的触发器运行。
我们不要忘记 IIOT
当然，物联网不仅存在于您的家中。它们最大的影响可能出现在各个行业，在这些行业中，它们通常被称为IIoT（工业物联网）。各公司正在开发农业工业物联网传感器，用于监测土壤状况和湿度（温度、湿度、太阳辐射等）。
航空公司正在使用工业物联网传感器来跟踪整个机队的燃油效率，并更好地了解飞机的维护需求。制造商正在使用连接到 EAM 工厂软件的 IIoT 传感器来跟踪机械性能，并在故障发生之前自动安排维护，从而降低维修成本并延长正常运行时间。
克服复杂性
物联网和工业物联网设备和传感器的复杂性可能相差很大，从用于家庭的低成本安防或宠物摄像头到用于监控复杂机械和结构完整性的高度先进的工业传感器。
即使是相对基本的设备也可能具有某种形式的人工智能，但是可能遇到意外情况并需要做出正确选择的更高级的系统可能会受益于某种程度的机器学习。
与只寻找人类设定的特定参数的基于规则的编程系统相比，能够从故障中吸取教训并在未来识别和报告相关警告信号的工业物联网网络具有更大的潜力。
当工业物联网延伸到车辆和飞机机队或数十万英亩的农作物时，尤其如此。可以更好地对从所有这些数据中收集到的信息量进行分析和分类 收集信息的边缘机器学习 AI 而不是收集所有这些信息并将其发送（需要大量带宽）给人类以降低分析速度。
对我们来说简单的事情对机器来说很难学习
想想一个相对简单的任务，比如在办公楼里分发实体邮件。大多数任务，即使是基本任务，都可以分解为几个较小的动作，每个动作都需要完美完成才能成功完成整个任务。
负责邮件分发的机器人需要导航到邮件收发室，领取邮件，穿过大门，可能乘坐电梯，沿着隔间之间的过道导航，协调到隔间，在不撞东西或破坏包裹中的东西的情况下将邮件放在办公桌上，回到隔间，根据标签识别下一个隔间等。它还将受益于能够导航绕过可能阻塞其路径的意想不到的障碍。
在机器学习中，有几个不同的学科。强化学习或深度强化学习允许机器通过反复试验进行学习。他们在投入不足的情况下做出决策，并根据结果学习。
工业物联网、AI 和 ML 的下一步是什么
甚至还有更新的AI机器学习策略，例如多专家学习架构（MELA），它使用仿真来教授单独的神经网络特定任务。
《科学机器人》上最近的一篇研究文章， 自适应腿部运动的多专家学习，详细介绍了一组研究人员如何使用 MELA 开发一种四足机器人，该机器人更适合应对危险，这要归功于许多专业的专家系统，这些系统都经过机器学习训练，可以完成小跑、左转、右转、跌倒后恢复、翻身等任务。中央门控网络与专家网络一起进行了训练，将这些系统任务组合成一个功能齐全的整体。
机器学习——AI的一个方面——仍处于起步阶段。在某些应用中，物联网或工业物联网传感器充当这些复杂系统的眼睛、耳朵和感官输入，因为它们不断改进并不断开发新功能和现实生活中的能力。
立即联系我们，了解更多 我们如何帮助您实现 AI 和 HPC 基础设施项目目标。我们的团队设计、构建、部署和管理高性能、高可用性的企业解决方案，使客户能够实现突破性创新。
