REKLAMA

Dlaczego Internet Rzeczy potrzebuje sztucznej inteligencji i uczenia maszynowego?

ARTYKUŁ SPONSOROWANY

Praktyczne aplikacje sztucznej inteligencja (AI) oraz uczenia maszynowego (ML) są w coraz większym stopniu widoczne w życiu codziennym oraz w formacie usług, z jakich korzystamy. Do znanych przykładów należą: głośny od kilku lat temat autonomicznych samochodów, ale także systemy bankowe identyfikujące anomalie transakcyjne w celu chronienia naszych finansów, czy też sklepy internetowe indywidualnie dobierające oferty dla konkretnych klientów.

Internet Rzeczy (Internet of Things, IoT) korzysta z licznych zdobyczy AI i ML, tworząc wzajemnie sprzężoną sieć komunikujących się ze sobą urządzeń, które – umieszczone w domach, biurach, samochodach i na ulicach miast – usprawniają infrastrukturę publiczną i optymalizują procesy biznesowe wielu gałęzi przemysłu. Do wspomaganych przez IoT już wspomnianych branż warto dodać również:

  • przemysł produkcyjny, gdzie inteligentne sensory monitorują poziom bezpieczeństwa i zużycia maszyn,
  • służbę zdrowia wspomaganą zaawansowanymi urządzeniami telemetrycznymi,
  • logistykę, w której coraz częściej korzysta się z możliwości śledzenia towarów w czasie rzeczywistym i dynamicznego wyznaczania najbardziej korzystnych tras.

Ta lista jest daleka od wyczerpującej, ale jasno wskazuje, że – polegając na urządzeniach IoT – w coraz większym stopniu będziemy polegać także na implementowanych w nich coraz wydajniejszych rozwiązaniach AI i ML. W przeciwnym wypadku nigdy nie bylibyśmy w stanie ustrukturyzować i efektywnie korzystać z ogromnej ilości generowanych przez nie danych.

AI oraz ML są zatem praktyczną konicznością przystosowaną by odpowiedzieć na wzrastające zapotrzebowanie klientów na zaawansowane usługi. W szczególności takie, które łączą trudne do manualnego zintegrowania „wertykale”, tak jak np. elementy bezpieczeństwa cyfrowego, optymalizacyjne i logistyczne we współczesnych przemyśle samochodowym.

Wszystkie te zaawansowane możliwości składają się na lepszą obsługę klienta, niższe koszty i bardziej korzystne rozwiązania, które przynoszą realne korzyści osobom (i firmom) decydującym się na podobne rozwiązania.

Na przykład, monitor pracy serca oparty na ML może nie tylko prowadzić pomiary istotnych parametrów, ale także uczyć się rozpoznawać, kiedy ich zmiana spowodowana jest czynnikami niezwiązanymi z chorobą. I odwrotnie – dzięki uczeniu maszynowemu dowiemy się także, zmiana których parametrów jest ściśle związana z wystąpieniem choroby. Wdrożenie podobnych rozwiązań to oczywista korzyść dla pacjentów, ale również dla szpitali, ponieważ umożliwia możliwość uniknięcia drogiej hospitalizacji oferując możliwość zaawansowanego zdalnego monitorowania stanu zdrowia.

Mimo to błędem byłoby traktowanie AI oraz ML jak panaceum na wszelkie problemy związane z potrzebą automatyzacji. Warto pamiętać, że nadal są to rozwiązania drogie w implementacji. Wprowadzanie systemów zdolnych do samodzielnego uczenia się i konstruowania reguł jest zbędna, gdy ten sam problem da się rozwiązać wdrożeniem prostego algorytmu. Każda implementacja powinna być poprzedzone dogłębną analizą problemu i wykluczeniem możliwości jego rozwiązania prostszym sposobem.

Być może teraz bardziej niż kiedyś prawdą jest to, że każdy system IT jest tylko tak dobry, jak stojący za nim ludzie, więc skorzystanie z kosztownego eksperckiego know-how, które pozwoli na testowanie i optymalizację mechanizmów ML, może łatwo okazać się niewarte zachodu. W ostatecznym rozrachunku największy sukces osiągną ci, którzy podejdą do zadania z głową: z jednej strony, nie ignorując kompletnie ogromnego potencjału tkwiącego w AI i ML, ale także nie rzucając się bezmyślnie w wir nie zmierzających do niczego wdrożeń, których cele nie zostały jasno zoperacjonalizowane.

W cyklu #Renventing Telecoms Czytaj również:

  1. Jak pokonać wyzwania projektowania i optymalizacji sieci zero-touch
  2. Przyszłość systemów OSS: inteligentne działanie i standard 5G
  3. Chmura, czyli łyk świeżego powietrza dla operatorów telekomunikacyjnych w okresie transformacji cyfrowej
  4. Aktywne zarządzanie infrastrukturą w terenie dzięki Predictive Maintenance

ARTYKUŁ SPONSOROWANY