當我們被吸引到科幻世界時，人工智能和機器學習(AI/ML)的概念會讓人聯(lián)想到Neo，Trinity和Morpheus在黑客帝國電影中與機器作戰(zhàn)的場景。

　　然而，在現(xiàn)實生活中，AI/ML幫助開發(fā)人員創(chuàng)建更好、成本更低的物聯(lián)網(wǎng)終端節(jié)點，這將使他們的產(chǎn)品所在的生態(tài)系統(tǒng)受益。AI/ML的好處遠不止是在終端節(jié)點進行更好的決策;一些優(yōu)化會給所有相關(guān)人員帶來有價值的好處，包括消費者、開發(fā)人員和操作員。

　　AI和ML

　　AI/ML不是一個新概念，但傳統(tǒng)上是通過耗能巨大，價格昂貴的平臺(許多用戶一次共享)來使用它。由于集中式數(shù)據(jù)中心開始建立和使用對數(shù)據(jù)的存儲和計算功能越來越依賴，因此集中化的數(shù)據(jù)中心使他們可以承受有限的CapEx和OpEx成本上漲。這是因為數(shù)據(jù)中心現(xiàn)象允許技術(shù)部門共享服務(wù)器，公用事業(yè)，冷卻，房地產(chǎn)和安全性。此外，它還提供了根據(jù)需要擴展和縮減資源的能力，例如所需的計算和存儲量。由于成本的共通性，AI/ML等新技術(shù)可以更快地實現(xiàn)。

　　為了避免不必要的非關(guān)鍵數(shù)據(jù)移動，AI正在向邊緣設(shè)備返回計算能力，從而影響開發(fā)人員利用人工智能和數(shù)據(jù)分析技術(shù)。

　　全球分布的數(shù)據(jù)中心的互聯(lián)也為科技行業(yè)提供了使用地區(qū)性設(shè)施的能力。一家總部位于美國的物聯(lián)網(wǎng)公司可以向歐洲消費者提供服務(wù)，而不會導(dǎo)致大西洋彼岸的延遲。數(shù)據(jù)在各大洲之間傳輸和路由，或者與地區(qū)隱私和數(shù)據(jù)保護法律的細微差別相抵觸。如果你認為在燈被點亮之前有兩秒延遲的照明開關(guān)不會符合消費者的期望，因此很難取得商業(yè)成功，那么這樣的要求就很重要。

　　數(shù)據(jù)中心和云使新的國內(nèi)和國際商機成為可能。開發(fā)商已經(jīng)建立了新的機制來節(jié)省消費者和企業(yè)實體的資金。

　　酒店的制冰機可能需要維修，運營商不再需要推著維修車去營業(yè);運營商只需要派一輛維修車，因為他們知道需要維修，從而為公司節(jié)省了數(shù)萬美元的運營費用。

　　非關(guān)鍵數(shù)據(jù)的不必要移動

　　在設(shè)備發(fā)生故障之前，使用AI/ML查看這些微小的特征碼可能很復(fù)雜，因為相關(guān)的特征碼可能很微小，因此很微妙。這些變化可能是泵電機的振動，也可能是換熱器或冷凝器的輕微溫度變化：某些個人可能無法識別甚至無法看到的東西。聯(lián)網(wǎng)制冰機的例子似乎并不能推動許多開發(fā)商將其理解為一個問題的數(shù)量，但考慮到這些問題或應(yīng)用于倉庫或酒店照明的商業(yè)模式。一個倉庫里可能有成千上萬個燈泡，每個燈泡都放在貨架或機器上，需要移動這些燈泡來更換燈泡，而這又意味著可能在最關(guān)鍵的時刻停止生產(chǎn)線。

　　預(yù)測性維護和云分析正在成為一項大業(yè)務(wù)，AI/ML提供了一種對其生成的數(shù)據(jù)執(zhí)行自動評估的簡單方法。盡管如此，這些新的商業(yè)模式確實導(dǎo)致了海量數(shù)據(jù)的產(chǎn)生。這反過來又帶來了新的有趣的技術(shù)挑戰(zhàn)，開發(fā)人員和運營商現(xiàn)在需要應(yīng)對這些挑戰(zhàn)。

　　這些問題似乎是表面上的擴展問題——增加更多服務(wù)器、增加更多存儲和其他基于數(shù)據(jù)中心的消耗品，但解決這些問題并不能解決數(shù)據(jù)管道另一端形成的越來越多的問題。

　　在大多數(shù)應(yīng)用中，數(shù)據(jù)是由某種形式的傳感器產(chǎn)生的，這需要功率和帶寬。帶寬還會根據(jù)設(shè)施的互聯(lián)網(wǎng)上行鏈路和射頻頻譜進行消耗。發(fā)送可能代表“不變”的海量數(shù)據(jù)是昂貴的;無線電消耗大量電力，在繁忙的射頻頻譜中，它們通過傳輸重試消耗的能量甚至更多。更多的傳感器導(dǎo)致射頻環(huán)境更加繁忙，需要更多的電池維護。除了圍繞電池壽命和本地帶寬的問題外，一些應(yīng)用程序可能更容易受到由此產(chǎn)生的安全問題的影響。大量數(shù)據(jù)可能會形成模式，如果被攔截，那些懷有惡意的人可能會利用這些模式。

　　邊緣計算

　　阻礙這些問題的趨勢是將大量決策返回到終端節(jié)點，將放射性降低到只確定為更重要的數(shù)據(jù)。這降低了功耗、帶寬和數(shù)字簽名。將決策返回到結(jié)束節(jié)點的警告可能意味著結(jié)束節(jié)點處理、存儲和功耗的增加。物聯(lián)網(wǎng)似乎陷入了一個限制其可及性和市場增長的惡性循環(huán)。

　　人工智能領(lǐng)域的創(chuàng)新使得更小的微控制器(如ARMCortex-M)的使用成為可能，并為flash和RAM調(diào)用更小的內(nèi)存資源。在執(zhí)行復(fù)雜算法時，用于在系統(tǒng)中執(zhí)行AI的代碼大小也可以比傳統(tǒng)編碼小得多，以解決任何現(xiàn)實生活中的角落情況。這也使得固件更新更小，開發(fā)更快，更容易在大型傳感器群中分布。

　　許多開發(fā)人員在終端節(jié)點傳感器產(chǎn)品中利用AI來增強他們的設(shè)計，改善消費者和運營商的體驗。AI技術(shù)的例子可以通過開發(fā)工具包快速原型化。

　　套件可用于演示泵監(jiān)控系統(tǒng)?？s小無線傳感器的尺寸，延長其壽命，并采用更好的安全性，所有這些都不會破壞帶有噪聲的本地射頻頻譜，這意味著可以部署更多有用的傳感器，以提高工作效率和舒適性。日常產(chǎn)品，如墻壁開關(guān)，環(huán)境傳感器，甚至路邊垃圾傳感器，可以包括在自動化和監(jiān)測生態(tài)系統(tǒng)在一個有吸引力的成本和性能點。