｜与元宇宙相对相向的AIoT

当人们在谈论元宇宙的发展时，其实习惯于从虚拟世界来看问题：从互联网看入口，从游戏看构造，从动漫看内容，可实际上推动真正意义上的元宇宙，都不在上述，而在以「AIoT」为主导的现实世界。

在AIoT的定义下，现实世界被接入到网络中，通过人工智能赋予物品虚拟化的人格，通过传感器赋予物品感知，通过通信将物品连接，由此新建出人与物、物与物连接的数据世界，此世界即为元宇宙的“本元”。

人工智能让物具备人的智能，物联网让物和物、物和人连接；结合AI与IoT技术，通过物联网产生、收集海量的数据，并将这些数据存储于云端、边缘端，再通过大数据技术和人工智能技术，实现万物数据化、万物智联化。可以说，让物和人拥有同等的智能就是AIoT的终极目标。

可是，拥有了智能后可以干什么呢？随着AIoT的发展完善，人们逐步也有了一些共识，那就是AIoT=AI+IoT+场景，我们应该注意到，除了负责智能的AI，负责万物互联的IoT外，还需要有落地的场景，这里的场景才是AIoT应用的星辰大海。

｜AIoT的终极阻碍

在进入AIoT的星辰大海前，我们还是有一些现实问题需要解决。

回到构造层面说，数据是驱动能源，算法从数据中挖掘信息和知识帮助我们开发人工智能功能，继而智能功能加持的物联网终端成为新的场景。

新场景也孕育着新应用，同时在云端、边端和终端侧积累与存储了海量的数据，且这些数据随着时间的推移还在不断积累。海量的数据为数据分析、数据挖掘和人工智能提供了大量素材，成为和石油、煤炭一样属性的资源。

随着应用的普及而实现指数级别的增长，数据甚至能够加速再生。人类的难题不再是信息不足，而是数据爆发带来的信息冗余、信息过载，以及非结构化数据弱相关性导致的无关数据。

IoT是可以通过信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术，实时采集任何需要监控、连接、互动的物品或过程的相关信息。但是放在实际场景中，对声、光、热、电、力学、化学、生物、位置等方面的信息收集，深度、广度、颗粒度都有待在反复试验中，形成最佳实践。说白了，人类的难题是如何处理这些信息以分辨有用与无用的信息、得出有效结论、开发出新功能。

｜讯能集思AIoT解方的价值

客户背景：

中国泵行业某上市公司，拥有员工近5000人，2020年实现营业收入155.5亿元。

产品在民用给排水、农业灌溉、工业水处理、水利建设等关键领域发挥着至关重要的作用。公司系国家智能制造试点示范企业。

（“十四五”智能制造规划500家之一）

客户痛点：

• 需要抓取的原料、工序、流程数据众多，以往均为人手记录，易记错，记不全。

• 各原料、工序与流程数据间的呈高度相关性，人工无法计算，无法找到关键质量异常原因。

• 人工经验决定应变措施，无法判断措施好坏，更没有科学的依据。

我们可从项目前期调研中可知，在铸造工艺全过程对应所要收集的数据项目繁杂多样，明目众多，以最简洁维度归纳的话，可表达为原料与工艺众多，通过IoT的方式，是能够收集到生产完备的数据。但要系统层面实现能够对压力、流量、温度和振动等参数进行监测；能够对泵的轴、轴承和密封的状况进行评估；能够对故障的原因进行诊断等，则需要人工智能的深度介入，完成数据挖掘，真正地价值化。

但是在人工智能应用数据方面，项目前期遭遇了三大方面的问题：

1、算法与数据间的选择题

大多数数据集呈现的是中小型数据集，虽然在IoT的帮助下，数据会持续地产出，但是大多数据都是异构数据，需要在大批量学习下进行预处理，尤其是需要我们在算法优化与数据收集间做好选择题。

2、数据噪声、脏数据、无关特征

巨大的数据量，算法在执行时，偶有错误地添加非关联性的样本，需要进一步优化算法，排除噪声。对于源系统中的数据不在给定的范围内或对于实际业务毫无意义，或者数据格式非法，以及在源系统中存在不规范的编码和含糊的业务逻辑的数据集，统称为脏数据，则需要数据科学家从项目之初，设置数据规则排除掉。另外，无关特征的数据亦同理，只是排除环节发生在导入算法之初。

3、过度拟合

过度拟合是机器学习算法中比较突出的问题，一般有三个方式解决：简化模型、获得更多数据，减少噪声干扰。此次是讯能集思团队通过反复试验，以多种混合的处理来解决过度拟合问题。

最终以良率提升为终，针对泵厂现存生产与数据状况，讯能集思设计了基于智能网关ODIN+IoT管理平台+JarviX数据分析平台的AIoT自适应系统。

自适应系统的方法论源于AI分析方法论「精进回圈」，具体落地分为以下三步：

一、聚合

过通智能网关ODIN+IoT管理平台聚合产线工艺上的物理数据，并整合各应用数据流程数据等虚拟数据，实现对有效数据的实时监控。

二、分析

在完成数据整合后，导入JarviX数据分析全流程平台，借助算法+人工智能建模进行异常分析，找出关键因子。

我们前面所说，数据间呈现高度的关联性，是人力所不能计算的问题，在JarviX平台就能实现有效的大数据根因分析。

三、洞见

JarviX平台完成异常分析，但数据出现异常时，系统会主动预警，实时对物理产线台机的实时控制。

「聚合、分析、洞见」跑完的一轮轮中，不断迭代升级，不断让生产良率逼近最佳，因此我们也将此基于AIoT技术的反馈系统称之为“自适应系统”。

在导入本次智能工业制造自适应系统后，本阶段所收获的效益如下：

质化效益：

1、质量：工艺参数与质量检测结果关联并建立模型后，可优化工艺参数，并可快速追溯质量异常的原因；紧实率在不同温湿度条件下实现动态优化。

2、能耗：通过减少废品数量与调整出炉温度来达成。

3、人工：将人力目检全检依据检出率下降程度改为动态抽检。

量化效益：

1、与工艺相关不良减少30%

2、产品整体合格率提升1-2%

3、铸造厂电费减少3-5%

4、目检人力减少50%

案件分享到此，从技术层面总体上看，AIoT代表了一种技术融合的趋势，它结合了人工智能、大数据服务、云计算、边缘计算、物联网、通信技术等技术。

相信你也感觉到了，当下的科技革命名词太多了，我们需要在其中寻找一个标志物串联起所有的革命，AIoT技术可以说就是第四次工业革命的标志物，而它的能源驱动力，毫无疑问就是数据。这也正是讯能集思为客户带来的核心价值——以标准化方式让数据产生价值，让用户以低成本、可规模化方式在JarviX平台上开发分析应用，大幅降低分析成本。