هوش مصنوعی (AI) خود را با جریان جدید داده هایی که از دنیای فیزیکی و میلیاردها سنسور و “اشیا” که در حال گرفتن و نظارت بر همه چیز ما هستند، تغذیه می کند.
در عین حال، به محض اینکه AI شروع به شناخت جریانهای داده IoT می کند:
افزایش کارایی داده ها: هوش مصنوعی (AI) این سنسورها را در مورد اینکه چه اطلاعاتی باید گرفته و ذخیره کنند، و از همه مهمتر اینکه همه این سنسورها باید کارآمدتر و موثرتر باشد، مطلع خواهد کرد.
ذخیره هزینه ها: این منصفانه است که فکر کنیم عملکرد الگوریتم باید به طور مداوم مورد آزمایش قرار گیرد و هنگامی که به سطح مطلوب رسید با بازگشت داده های حاشیه ای نزدیک به صفر، به عبارت دیگر، نقطه ای که در آن اضافه کردن داده های بیشتر نتایج پیش بینی را بهبود نمی دهد، هوش مصنوعی (AI) ذخیره نخواهد شد و اطلاعات بیشتری نمیگیرد، در نتیجه انرژی، سرور ها، محاسبات، ابر(Cloud) و زیرساخت ها صرفه جویی خواهد شد.علاوه بر این، پیش بینی خرابی های برنامه ریزی نشده، امکان صرفه جویی دوم در هزینه ها است که هوش مصنوعی (AI) برای اینترنت اشیا (IoT) فراهم میکند.
افزایش امنیت: بدیهی است که هوش مصنوعی (AI) نه تنها قادر خواهد بود با تهدیدات بالقوه خارجی برای شبکه ی IOT رقابت کند، بلکه حتی آن را پیش بینی می کند. یک زنجیره کارهای جالبی در این زمینه انجام می دهد.
محاسبه در پرواز: محاسبات (لبه / مه) به سرعت به یک موضوع داغ تبدیل می شود، زیرا به محاسبات بر روی دستگاه اجازه می دهد که به نوبه خود زمان پاسخ را برای یک عمل کاهش دهد، مسائل مربوط به حریم خصوصی و رعایت مسائل را محدود می کند و مشکل تنگنای اتصال بزرگ را حل می کند. چند استارتاپ در حال حاضر در این مسیر کار می کنند، به عنوان مثال Foghorn، Mythic، Neural، SONM، Nebula AI و همچنین شرکت های بزرگی مانند گوگل.
با این حال، به دلیل توسعه سریع آموزش های تخصصی و تراشه های منطقی و معرفی ۵G در آینده، در اینجا به احتمال زیاد تغییر خواهد کرد. فضای ابری (cloud) برای عملیات محاسباتی فشرده هنوز لازم است و داده ها را به صورت مرکزی ذخیره می کند تا لایه اضافی امنیتی (به ویژه در مورد بلایای شبکه) را تضمین کند، اما چیپ های سفارشی و الگوریتم های محاسبات لبه می توانند اکثر عملیات را که مشتری نهایی به طور مستقیم نیاز دارد در دستگاه انجام می دهد.
