Integracja AI i IoT

IoT to sieć wzajemnie połączonych urządzeń, które komunikują się ze sobą i innymi systemami za pośrednictwem Internetu, umożliwiając automatyzację procesów i zdalne zarządzanie. Urządzenia takie jak czujniki, termostaty i sprzęt domowy wysyłają dane do systemów centralnych. Tam dane są analizowane, a następnie wykorzystywane do poprawy komunikacji między ludźmi i rzeczami. IoT znajduje zastosowanie w wielu obszarach, w tym w inteligentnych domach, przemyśle, transporcie, ochronie zdrowia i rolnictwie, przyczyniając się do większej efektywności i komfortu użytkowników.

Integrating the IoT with AI increases its capabilities. Unlike a traditional IoT, which is primarily focused on connectivity and basic data collection, an integrated IoT uses AI for real-time data processing, predictive analysis and faster decision making.

The IoT uses federated learning, an approach where machine-learning models are trained on data distributed among multiple devices or locations without the need to send the data to a central server. Instead, they remain on the users’ devices and only updates such as neural network weights are modelled and sent to a central server, where they are collected to create a global model. The most problematic issues with the IoT stem from personal data protection. However, federated learning increases data security thanks to the fact that nothing but data updates are shared.

Jak zaznaczyłem na początku tego artykułu, integracja IoT i AI zmienia sposób działania kluczowych sektorów gospodarki. Po połączeniu tych technologii, wynikająca z tego siła może być wykorzystywana w wielu obszarach, co pokażę w kolejnych częściach artykułu. Przytoczone statystyki pochodzą z opracowania „Exploring the Role of Artificial Intelligence in Internet of Things Systems: A Systematic Mapping Study” autorstwa Umaira Khadama, Paula Davidssona i Rominy Spalazzese.

IoT, AI i technologie big data otwierają drogę do zdalnej diagnostyki i leczenia. Wywołuje to istotną transformację systemu ochrony zdrowia, zwiększając zarówno jakość, jak i skuteczność świadczonych usług medycznych. Urządzenia IoT wyposażone w AI, takie jak czujniki ubieralne, wspierają diagnostykę, automatyzację czynności rutynowych oraz podejmowanie decyzji na podstawie danych.

Jednym z kluczowych aspektów zastosowania AI w ochronie zdrowia jest rozpoznawanie wzorców. Obejmuje to rozpoznawanie zdarzeń (50%), uwierzytelnianie (32%) oraz diagnostykę (14%). AI odgrywa również istotną rolę w zarządzaniu danymi, obejmującym redukcję szumu danych (42%), usuwanie danych wrażliwych (33%) oraz uzupełnianie brakujących danych (25%). Integracja IoT i AI nie tylko umożliwia efektywniejsze monitorowanie stanu zdrowia pacjentów, ale również wprowadza bardziej zaawansowane systemy wsparcia diagnostycznego. To z kolei przekłada się na lepsze wyniki leczenia i skuteczniejsze zarządzanie placówkami medycznymi.

Rolnictwo to kolejny obszar, w którym integracja IoT i AI przyczynia się do znaczącego wzrostu efektywności. W tym sektorze AI wspiera decyzje dotyczące alokacji zasobów (64%), nadzoru (27%) oraz planowania (9%). Systemy AI zintegrowane z IoT wspomagają zarządzanie glebą, w tym jej ochronę oraz odpowiednie metody przygotowania. Umożliwiają one również monitorowanie stanu uprawy, wykrywanie chorób oraz zwalczanie chwastów.

Decyzje operacyjne to główny aspekt wsparcia AI w rolnictwie, stanowiąc aż 91%, przy czym decyzje strategiczne odgrywają mniejszą rolę (9%). Zarządzanie danymi w rolnictwie obejmuje usuwanie danych wrażliwych (38%), uzupełnianie brakujących danych (37%) oraz redukcję szumu danych (25%). Rozpoznawanie wzorców, takie jak wykrywanie zdarzeń (50%), uwierzytelnianie (33%) oraz rozpoznawanie obiektów (17%), pomaga w monitorowaniu warunków atmosferycznych oraz przeciwdziałaniu zagrożeniom dla uprawianych roślin. Integracja AI i IoT umożliwia inteligentne zarządzanie zasobami i minimalizuje straty, sprawiając, że rolnictwo staje się bardziej zrównoważone i opłacalne.

Energetyka jest trzecim obszarem, w którym AI i IoT odgrywają istotną rolę w zarządzaniu i zwiększaniu efektywności operacyjnej. Głównym zadaniem AI jest wspieranie procesu podejmowania decyzji, skoncentrowane na wszystkich decyzjach dotyczących zagadnień operacyjnych (100%). Rozpoznawanie wzorców obejmuje wykrywanie zdarzeń (71%) oraz uwierzytelnianie (29%), wspierając monitorowanie sieci energetycznych i identyfikację anomalii. W tym sektorze kluczowe znaczenie ma również alokacja zasobów, z wykorzystaniem zintegrowanego AI i IoT na poziomie ponad 80%.

Czwartym kluczowym obszarem jest przemysł, gdzie IoT i AI zmieniają sposób zarządzania procesami produkcyjnymi i logistycznymi. W tym sektorze AI odpowiada głównie za rozpoznawanie wzorców, obejmujące rozpoznawanie zdarzeń (27%), diagnostykę (27%), uwierzytelnianie (27%) oraz rozpoznawanie obiektów (13%).

Wsparcie decyzyjne to druga najczęstsza funkcja AI w przemyśle, przy czym decyzje operacyjne dominują nad strategicznymi, odpowiednio na poziomie 86% i 14%. Zarządzanie danymi w postaci uzupełniania brakujących danych (43%), redukcji szumu danych (29%) oraz usuwania danych wrażliwych (28%) ma kluczowe znaczenie dla lepszego zarządzania informacją i optymalizacji procesów.

Transport to piąty kluczowy obszar zastosowania IoT i AI. W tym przypadku głównym zadaniem AI jest rozpoznawanie wzorców, obejmujące rozpoznawanie zdarzeń (40%), uwierzytelnianie (40%) oraz diagnostykę (20%). Decyzje dotyczące alokacji zasobów (75%) oraz kontroli (25%) mają kluczowe znaczenie dla obszarów takich jak zarządzanie ruchem, optymalizacja trasy oraz, co być może najważniejsze, poprawa bezpieczeństwa.

Integracja AI i IoT w transporcie umożliwia dynamiczne reagowanie na zmieniające się warunki na trasie, a także wspiera zarządzanie flotą. Zarządzanie danymi w tym obszarze obejmuje redukcję szumu danych (33%), usuwanie danych wrażliwych (33%) oraz uzupełnianie brakujących danych (33%).

Integracja IoT i AI w transporcie umożliwia rozwój inteligentnych systemów zarządzania ruchem oraz pojazdów autonomicznych, przyczyniając się do zwiększenia efektywności i bezpieczeństwa w tym sektorze.

Rozwój technologii cloud computing i edge computing umożliwił przetwarzanie i analizę ogromnych ilości danych generowanych przez IoT, rozwiązując wiele problemów związanych z masowym wolumenem informacji. Integracja tych technologii oznacza nie tylko możliwość przetwarzania danych w czasie rzeczywistym i ich precyzyjnej analizy, lecz również odpowiada na wyzwania związane z ogromnymi transferami danych, opóźnieniami i wymaganą mocą obliczeniową.

Cloud computing zapewnia scentralizowany zasób do przechowywania, przetwarzania i analizowania ogromnych ilości danych generowanych przez urządzenia IoT. Jest to szczególnie przydatne w sytuacjach, gdy powstają duże zbiory danych, jak w przypadku smart cities, przemysłowego internetu rzeczy (IIoT) czy systemów opieki zdrowotnej. Integracja AI ze środowiskiem cloud zwiększa potencjał IoT w wielu obszarach, między innymi:

• skalowanie modeli; platformy cloud umożliwiają wdrażanie dużych i złożonych modeli AI, zdolnych do jednoczesnego przetwarzania danych z wielu urządzeń IoT;
• agregacja danych; centralne systemy cloud zbierają rozproszone dane z urządzeń IoT, a następnie stosują zaawansowaną analitykę i algorytmy uczenia maszynowego, aby wyciągać wnioski;
• zdalny dostęp; rozwiązania cloud zapewniają globalny dostęp do systemów IoT;
• redukcja kosztów; cloud computing wykorzystuje wspólne zasoby obliczeniowe, ograniczając potrzebę kosztownej infrastruktury lokalnej.

Edge computing uzupełnia cloud computing, przenosząc przetwarzanie danych bliżej urządzeń IoT, co redukuje konieczność przesyłania dużych ilości danych do chmury. Takie podejście jest odpowiednie w sytuacjach, gdy firmie zależy na niskich opóźnieniach, większym bezpieczeństwie danych pod kątem prywatności oraz ograniczonej przepustowości sieci. Do zalet edge computing należą:

• przetwarzanie w czasie rzeczywistym; urządzenia edge mogą przetwarzać dane lokalnie, umożliwiając natychmiastową reakcję w każdej sytuacji wymagającej szybkiego działania. Z tego powodu technologia edge jest wykorzystywana w pojazdach autonomicznych i automatyzacji przemysłowej;
• prywatność i bezpieczeństwo; dane wrażliwe mogą być analizowane lokalnie, co minimalizuje ryzyko naruszeń podczas transferu;
• redukcja opóźnień; eliminując potrzebę wysyłania danych do zdalnych serwerów cloud, edge computing zapewnia szybszą reakcję i transfer danych;
• oszczędność energii; edge computing zmniejsza zużycie energii poprzez ograniczenie transmisji danych.

Dzięki zaawansowanej analityce danych sztuczna inteligencja umożliwia IoT uczenie się i adaptację do wykrytych wzorców, co zwiększa jego efektywność i funkcjonalność. Dla przykładu, w artykule zatytułowanym „Navigating the nexus of AI and IoT” Agostino Marengo cytuje A. Kannammal i S. Chandię, zauważając, że „w inteligentnych miastach systemy IoT oparte na AI umożliwiają analizę strumieni danych z różnych czujników, co poprawia planowanie urbanistyczne, zarządzanie ruchem i alokację zasobów”. W sektorze opieki zdrowotnej integracja AI i IoT ułatwia wykrywanie wzorców w danych pacjentów, co prowadzi do tworzenia bardziej spersonalizowanych planów leczenia oraz prognozowania potencjalnych problemów zdrowotnych.

Integracja AI i IoT przekłada się na lepszą wydajność i mądrzejsze podejmowanie decyzji. Nie powinno więc zaskakiwać, że zainteresowanie tym rozwiązaniem stale rośnie. Globalny rynek IoT-AI, wart 10,3 mln USD w 2022 roku, ma osiągnąć wartość 91,7 mld USD do 2032 roku, ze średnią roczną stopą wzrostu na poziomie 24,8%.

Najnowocześniejsza analityka danych, w szczególności oparta na AI, całkowicie zmienia sposób, w jaki dane w systemach IoT są zbierane i interpretowane. Te ulepszenia umożliwiły wprowadzenie analiz w czasie rzeczywistym oraz przewidywanie przyszłych zdarzeń, co znacząco rozszerzyło potencjalne zastosowania dużych zbiorów danych.

Marengo przytacza badanie przeprowadzone przez Salah Uddin et al., które stanowi praktyczną ilustrację możliwości IoT-AI w zakresie przewidywania zdarzeń. Badacze stworzyli inteligentny system uprawy roślin w pomieszczeniach, a ich badania dowiodły, że analiza predykcyjna w IoT może skutecznie wspierać zarządzanie zasobami.

Urządzenia IoT są wzajemnie połączone, co oznacza, że każdy problem z ochroną prywatności może wywołać poważne konsekwencje. To sprawia, że odpowiednie środki bezpieczeństwa stanowią kluczowy aspekt środowiska AI-IoT. Ochrona prywatności obejmuje zabezpieczanie danych przed nieuprawnionym dostępem oraz kwestie etyczne i prawne dotyczące własności i wykorzystania danych. Znalezienie równowagi między wykorzystaniem danych przez aplikacje AI a ochroną danych użytkowników jest wyzwaniem, ponieważ budowanie zaufania użytkowników ma kluczowe znaczenie.

Integracja internetu rzeczy (IoT) i sztucznej inteligencji (AI) zmienia sposób funkcjonowania różnych sektorów gospodarki. Wykorzystanie zaawansowanej analityki i przetwarzania w czasie rzeczywistym sprawia, że integracja AI i IoT umożliwia bardziej efektywne zarządzanie zasobami, lepszą diagnostykę i usprawnioną automatyzację procesów. Technologie chmurowe i przetwarzanie brzegowe (edge computing) mogą wspierać tę integrację, umożliwiając przetwarzanie dużych ilości danych przy minimalnym opóźnieniu. Sektory takie jak ochrona zdrowia, rolnictwo, energetyka i transport już wykorzystują potencjał tej integracji, co przekłada się na bardziej zrównoważony rozwój i wzrost wydajności. Największym wyzwaniem pozostaje jednak ochrona prywatności i bezpieczeństwo danych — kwestie, o których należy pamiętać podczas projektowania i wdrażania systemów opartych na integracji AI i IoT.

1. Davidsson P., Khadam U., Spalazzese R.. Exploring the Role of Artificial Intelligence in Internet of Things Systems: A Systematic Mapping Study, „Sensors” Volume 24, Issue 20;
2. Chandia S., Kannammal A.. Applications of AI and IoT for smart cities, cited in Agostino Marengo, Navigating the nexus of AI and IoT: A comprehensive review of data analytics and privacy paradigms, „Internet of Things” Volume 27, October 2024;
3. Allayear S.M., Asaduzzaman M., Farzana R., Samaun Hasan M., Salah Uddin M., Rahman M., , Implementation of smart indoor agriculture system and predictive analysis, cited in Morengo, ibid.
4. Oracle, Internet of Things.

Przetłumaczone z języka polskiego przez Caryl Swift