加入收藏 | 设为首页 | 会员中心 | 我要投稿 潍坊站长网 (https://www.0536zz.cn/)- 科技、建站、经验、云计算、5G、大数据,站长网!
当前位置: 首页 > 站长资讯 > 动态 > 正文

到2025年智慧城市将成为常态

发布时间:2021-02-21 16:55:41 所属栏目:动态 来源:互联网
导读:商业世界中的大多数物联网架构都很复杂。至少,它们通常需要某种智能网关来过滤和聚合来自传感器网络的数据,或者根据数据采取实时措施。最复杂的物联网环境具有更多的层来处理复杂的业务规则和事件、安全性、大量数据和冗余。 分布式计算体系结构以及网络将

商业世界中的大多数物联网架构都很复杂。至少,它们通常需要某种智能网关来过滤和聚合来自传感器网络的数据,或者根据数据采取实时措施。最复杂的物联网环境具有更多的层来处理复杂的业务规则和事件、安全性、大量数据和冗余。

分布式计算体系结构以及网络将体系结构联系在一起的方式非常重要。这是边缘计算和5G进入的地方。

边缘计算有什么优势?

边缘计算涵盖了许多行业和应用,包括物联网。边缘计算是关于以最有效的方式分发应用数据和服务。这通常意味着更靠近用户或边缘设备进行配置。在物联网环境中,这可能意味着要在传统数据中心之外定位智能网关甚至计算机集群。它还包括更传统的分布式计算形式,例如远程分支机构和分布式零售。

边缘计算已从较窄的IoT概念演变而来的一种方式是,认识到边缘计算必须成为组织更广泛的混合云策略的一部分。从边缘设备到网络再到集中式数据中心,此策略需要在整个混合云中保持一定的一致性。

设计用于边缘计算的体系结构需要考虑诸如带宽、延迟、网络可靠性和成本之类的参数。重要的物联网项目一直都是这种情况。但是,在企业IT架构的背景下考虑权衡取舍就意味着要考虑除特定的IoT孤岛之外的更多运营问题。

5月在虚拟的MIT企业论坛关联事物事件上的最新讨论很好地说明了这种广泛的想法。 PTC的CTO和IoT总经理Joe Biron指出,IoT通常涉及IT和OT的融合。这可能意味着将计算机放在要监视和控制的设备附近。

“我想在工厂里把所有装备都拿出来吗?也许要集中训练?房间里的麻烦在于,分布式架构必须尽可能地自动化。” Biron说。

边缘IT和OT的融合也带来了其他挑战。 Biron指出,诸如边缘网关之类的设备可能每三年就会以与常规IT设备类似的方式换掉。结果,没有必要构建超出该时间范围的功能。

另一方面,专用硬件(例如ATM)的较长生命周期应该使您考虑使用通信链路(例如5G)和其他关键技术来对设计进行过时验证,而无论您是否可以立即充分利用它们。

5G




5G牌照发放一周年之际,通信行业以多种形式展示了5G发展成果。总体来看,这一年我国5G发展确实取得了远超预期的成绩,尤其在行业应用领域,示范应用案例频出,有一些已经成功落地。在通信世界全媒体6月5日举办的“新基建5G发展论坛之5G行业应用分论坛”上,来自运营商、行业客户和系统方案提供商的演讲嘉宾分享了众多5G行业应用案例,并针对5G行业应用面临的挑战和未来发展趋势进行了深入探讨。


 

虽然必须编写的规则数量取决于您希望系统处理的操作数量(例如,20个操作意味着手动编写和编码至少20条规则),但是基于规则的系统通常工作量较小,成本较高-有效且风险较小,因为这些规则不会自行更改或更新。但是,规则可以通过只能执行其编写内容的严格智能来限制AI功能。

机器学习系统

相比之下,虽然可以将基于规则的系统视为具有“固定的”智能,但是机器学习系统是自适应的,并试图模拟人类的智能。仍然存在一层基础规则,但是机器无需人工编写固定集,而是能够自行学习新规则,并丢弃不再起作用的规则。

在实践中,机器可以通过多种方式学习,但是监督训练(当向机器提供要训练的数据时)通常是机器学习程序的第一步。最终,机器将能够自行解释,分类和执行带有未标记数据或未知信息的其他任务。

从组织的AI策略开始:

人工智能的预期收益很高,因此公司在执行早期做出的决定对于成功至关重要。Foundational正在根据AI在实现的基本业务目标调整您的技术选择。您要解决什么问题,或者要面对挑战?

实施基于规则或机器学习系统的决定将对公司AI程序的发展和扩展产生长期影响。在评估哪种方法最适合您的组织时,请考虑以下比较合适的做法:

选择基于规则的方法很有意义:

  • 固定结果:当结果数量很少或固定时。例如,只有两种状态可以按下“添加到购物车”按钮,无论是按下还是不按下。尽管可以使用机器学习来检测用户是否按下了按钮,但是应用这种类型的方法没有任何意义。
  • 错误的风险:错误的惩罚过高,不会冒误报的风险,因此,应仅执行100%准确的规则。
  • 不为ML计划:如果维护系统的人员不具备机器学习知识,并且企业没有计划继续前进。

何时应用机器学习:

  • 简单规则不适用:当没有容易定义的使用简单规则解决任务的方法时
  • 更改速度:当情况,方案和数据的更改速度快于不断编写新规则的能力时。
  • 自然语言处理:要求理解语言或自然语言处理的任务。由于有无数种表达方式,因此即使不是完全不可能的话,为普通语言编写规则也是不现实的。机器学习的天生,自适应智能针对规模进行了优化。

人工智能的承诺是真实的,但是对于许多组织而言,挑战是从哪里开始。如果您属于此类,请首先确定基于规则的方法还是ML方法最适合您的公司组织。



 

(编辑:潍坊站长网)

【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容!