Слияние искусственного интеллекта и «Интернета вещей»
Введение
Хотя концепция «Интернета вещей» (IoT) существует уже давно, она, особенно в свете нашего быстрого технологического развития, постоянно претерпевает эволюцию. Можно сказать, что IoT является воплощением постепенного слияния физического и цифрового миров, поскольку данные собираются от все более растущего числа устройств и затем объединяются в так называемые «большие данные». Количество таких устройств «Интернета вещей», по оценкам экспертов и аналитиков, к 2020 г. достигнет уже 50 миллиардов.
Однако при попытке передачи собранных IoT-устройствами данных в централизованное хранилище, например такое как облако, возникает проблема с задержкой их передачи. Во многих отношениях, даже несмотря на то, что скорость соединения постоянно увеличивается, характеристики этого процесса не соответствуют имеющемуся росту данных. Если передавать данные «сырыми», то есть необработанными, всем скопом, то задержка увеличится и, следовательно, общая производительность системы при этом пострадает.
Обработка данных — одна из тех областей, в которой ИИ может внести значительный вклад. Кроме того, он открывает пути к внедрению технологических инноваций в различных сферах, от оптимизации движения городского транспорта до повышения уровня общественной безопасности и улучшения предоставления финансовых услуг.
Для реализации AIoT необходимы компоненты, которые могут справиться со сложными и разнообразными условиями на краю сети. Периферией, как известно, может быть буквально что угодно — от бортовых транспортных средств и самолетов до заводов или нефтяных установок, находящихся в пустыне. Все это требует гибкого и адаптируемого подхода к производству компонентов для решения указанной проблемы. Важным моментом также является то, что ИИ обещает максимально устранить влияние человеческого фактора на принятие решений. Это оказывает большее давление на системных интеграторов: им необходимо обеспечить особый контроль качества функционирования системы, поскольку у аварии в системах с искусственным интеллектом не всегда есть явный виновник или видимая причина.
В данной статье под искусственным интеллектом подразумевается так называемый ограниченный, или узкий, ИИ (Narrow AI). Имеется в виду программа или система, которая способна выполнять набор конкретных задач без прямого участия человека. Такой ИИ существенно отличается от ИИ общего назначения (General AI), то есть того искусственного интеллекта, который мы привыкли видеть в фильмах и сериалах, обладающего человеческими автономными возможностями.
Наглядный пример сферы применения ограниченного ИИ — это распознавание текста, изображений и речи, которое мы можем реализовать с помощью нейронных сетей и машинного обучения. Такой искусственный интеллект запоминает в ходе обучения тысячи, если не миллионы, различных итераций данных и способен правильно определять изображение или находящийся в зоне его действия объект (рис. 1).
Независимо от того, насколько сложными становятся предсказания подобного ИИ, он все еще ограничен узкой функцией. Если что-то выходит за пределы заданных параметров, ИИ становится практически бесполезным. Например, искусственный интеллект, обученный распознавать написанные цифры, может освоить эту задачу и легко вытеснить людей из данной сферы деятельности, поскольку будет работать эффективнее, без усталости и перерывов, но от него совершенно не будет толка, если ему без переобучения дадут такую задачу, как, например, идентификация букв.
Что касается концепции пограничных (периферийных) вычислений, то первоначальная идея IoT заключалась в том, чтобы данные для обработки и последующего анализа отправлялись в некое центральное устройство или в облако. Однако поскольку количество устройств увеличивается в геометрической прогрессии, многие приложения уже достигли предела своих возможностей, и весь этот большой объем данных, передаваемых туда и обратно, приводит к проблемам с недопустимыми задержками принятия решений и ответной реакции.
Пограничные вычисления решают эту проблему, обрабатывая «большие данные» непосредственно на краю сети (рис. 2). Таким образом, устройство может самостоятельно определить, что необходимо отправить в облако, а что можно отфильтровать, как цифровой мусор. По сути, эта концепция предлагает перемещение вычислительной мощности на «край» сети — туда, где Интернет подключается к различным устройствам.
Проблемы
Ограничения технологии «Интернета вещей»
IoT-устройства в чистом виде собирают данные только с небольшими или конкретно заданными объемами вычислений. Для дальнейшего анализа данные отправляются в облако. Однако в таких посылках не все данные имеют одинаковую ценность. Возьмем, к примеру, видеоматериалы для системы безопасности: системе необходимы кадры, в которых движутся люди либо те или иные объекты, в то время как снимки неменяющегося фона особого интереса явно не представляют. Отправка всех данных, полученных при съемке, в облако для анализа приведет к занятию полосы пропускания канала передачи, которую можно было бы использовать с большей пользой.
Вычислительная мощность и работа в жестких условиях
Перенос или внедрение ИИ на периферию может потребовать достаточно много вычислительных ресурсов. Обеспечить необходимую производительность помогут стандартные устройства хранения данных и памяти, но проблема в том, что коммерчески доступные компоненты такого типа, как правило, плохо приспособлены для работы в жестких условиях среды, обычно имеющей место в пограничных приложениях. Например, при мониторинге дорожного движения в месте расположения IoT-устройств возможны циклические изменения температуры при переходе от дня к ночи и от лета к зиме. Кроме того, автомобильные системы должны выдерживать удары и вибрацию, а промышленные — противостоять повышенному уровню загрязнения и т. д.
Решения
Платформа искусственного интеллекта
Говоря о симбиозе, названном AIoT, мы обычно имеем в виду ИИ-платформу (AI platform), расположенную на периферии сети. Обычно такое решение принимает форму небольшого индустриального компьютера (IPC) со встроенным процессором индустриального класса. Однако для анализа данных в реальном времени такой процессор нуждается в адекватной поддержке в виде флэш-памяти и дискового накопителя.
Память и хранение данных
Чтобы решить проблемы внедрения ИИ в пограничных приложениях, как уже было сказано выше, необходимы устройства хранения данных и памяти индустриального класса (рис. 3). В первую очередь следует изучить и выявить риски, присутствующие в каждом конкретном месте сбора данных. Это позволит выполнить компоненты в соответствии с четкими требованиями определенного приложения. Рассмотрим несколько примеров реализации предложенных решений.
Примеры внедрения
Системы наблюдения за движением транспорта
Наши города растут в трех измерениях, не только разрастаясь в ширину и длину, но и стремясь вверх за счет увеличения высоты зданий. Однако дороги пока еще ограничены в основном двумя измерениями, что по мере роста городов влечет за собой умножение транспортных пробок и в итоге может привести к транспортному коллапсу.
Мониторинг и изменение потока трафика на основе данных в реальном времени может значительно повысить эффективность функционирования транспортной системы и сократить заторы. Это можно сделать с помощью подключенных систем наблюдения, определенным образом размещенных по всему городу (рис. 4).
В подобном проекте первый этап анализа выполняется локальными ИИ-платформами на краю такой сети. Он включает распознавание транспортных средств и оценку насыщения транспортных потоков. Таким образом, каждая установка может самостоятельно определять, как обрабатывать данные, чтобы узнать, увеличивается ли количество транспортных средств и существует ли риск возникновения заторов. Затем все важные данные отправляются на централизованную платформу (или в облако), где на их основе могут быть приняты такие меры, как перенаправление трафика, изменение ограничений скорости и регулировка светофора.
Управление автопарком
Наблюдение за большим парком транспортных средств может быть весьма сложной и трудоемкой задачей, но есть много способов оптимизировать с помощью ИИ такие операции, как сокращение расходов на горючее, техническое обслуживание транспортных средств, смягчение риска небезопасного вождения и т. д.
Современные системы позиционирования в основном зависят от GPS, что неизбежно приводит к определенным проблемам. Так, например, въезд в туннель или подземный паркинг делает GPS почти бесполезным, и система слежения не будет знать, где находится такой автомобиль. Подобные нарушения происходят и в городах при движении внутри зданий или в других местах с плохим спутниковым покрытием. Системе, основанной на GPS, также бывает сложно определить высоту, на которой находится автомобиль.
Однако есть и другие источники данных, которые могут предоставлять информацию о местоположении транспортного средства. В частности, можно постоянно отслеживать и регистрировать скорость автомобиля и все повороты. Бортовая платформа на основе ИИ может рассчитать положение транспортного средства в любой момент времени: таким образом эти параметры компенсируют неполные данные от GPS. Эта технология называется автомобильным навигационным счислением (Automotive Dead Reckoning, ADR). Наконец, данные могут быть переданы через беспроводные сети обратно оператору.
Роботы автономной доставки
Когда мы устраняем человеческий фактор из транспортных средств, главная проблема, с которой мы сталкиваемся, — это постоянно меняющаяся картина движения, что чревато разными неожиданностями. Из-за этого автономное транспортное средство должно быть в состоянии принимать то или иное решение буквально за доли секунды, чтобы среагировать на любое внезапное изменение на его пути. Если мы полагаемся только на свои чувства, то у робота есть множество датчиков, собирающих всевозможные данные, которые, в свою очередь, должны быть соответствующим образом обработаны и сложены в согласованную картину, отображающую общую ситуацию в любой момент времени движения по маршруту. В этом случае полагаться на облако безнадежно, поскольку задержка наверняка будет означать, что к тому времени, когда данные будут готовы и решение будет принято, будет уже слишком поздно.
Однако нельзя забывать о том, что встроенная ИИ-платформа, которая выполняет все эти сложные вычисления, зависит от компонентов, работающих при любых погодных и физических условиях без какого-либо снижения производительности. Во избежание несчастных случаев с участием автономных транспортных средств целесообразно, чтобы оборудование работало с минимальной вероятностью отказа и с достаточным для конкретного применения резервированием.
Заключение
Искусственный интеллект уже стал нормой в нашем мире, и, поскольку его роль в «Интернете вещей» становится все более важной, нам нужно искать «умные» решения, которые облегчат их слияние. Кроме того, ИИ скоро будет готов вытеснить человека-оператора из многих сфер деятельности, что еще сильнее подчеркивает необходимость в надежных системах, способных справиться с любой соответствующей этой экосистеме проблемой.
Использование ИИ-платформ наряду с решениями для хранения данных и памяти индустриального класса — это способ гарантировать, что оборудование готово к выполнению поставленных задач, и это является одним из ключевых моментов в создании «Интернета вещей» будущего.