Nesnelerin İnterneti uygulamalarında yapay zeka genellikle veri yığınının “üst ucunda” kullanılır – genellikle birden çok kaynaktan gelen büyük veri kümelerinde çalışır. Örneğin, bir hastane ortamında yapay zeka ve RTLS tahmine dayalı analitik için kullanılabilir: Hava durumuna göre acil servis başvurularının oranını tahmin edebilir misiniz? Kullanıma bağlı olarak ekipmanın ne zaman bakım gerektirdiğini daha iyi tahmin edebilir misiniz?
Bununla birlikte, her IoT yığınının “en sonunda” yapay zeka, çok önemli bir etkiyle sensörlerin kendilerine uygulanmaya başlıyor: Yapay zeka, düşük kaliteli sensörlerin çok yüksek kaliteli performans elde etmesini sağlayarak şimdiye kadar elde edilen yatırım getirisini sağlıyor. şimdiye kadar birçok IoT çözümünde yoktu.
AI ve RTLS
Yapay zekanın sensörlerdeki bir uygulaması, gerçek zamanlı konum sistemlerindedir (RTLS). AI ve RTLS, kritik süreçleri daha iyi izlemek, optimize etmek ve otomatikleştirmek için hareket eden varlıkları takip etmek için birçok sektörde kullanılmaktadır.
Bir hastanede basit bir örnek, temiz ekipman odalarının yönetimidir – temiz ekipmanın kullanım için hazırlandığı bir hastaneye yayılmış depolama odaları. Ekipmana ihtiyaç duyan bir hemşire, ihtiyacı olan şeyi temiz bir odada tam olarak bulabilmelidir.
Bununla birlikte, temiz oda stok seviyesi doğru bir şekilde korunmazsa, ekipman mevcut olmayabilir, bu da hasta güvenliğini ve personel üretkenliğini etkileyen uzun bir aramayı zorunlu kılar ve sonuç olarak hastaneleri, bir güvenlik olduğundan emin olmak için aşırı pahalı ekipman satın almaya (genellikle iki katına) zorlar. mevcudiyet fazlalığı.
Ekipmanın yerini otomatik olarak belirleyebilseydiniz, her temiz odadaki kullanılabilir cihaz sayısını kolayca takip edebilir ve stok azaldığında otomatik olarak yenilemeyi tetikleyebilirsiniz. Bu, bir cihazın hangi odada olduğunun belirlenmesinin gerekli olduğu RTLS kullanımlarından biridir. Hasta odasında mı? O zaman mevcut değil. Temiz bir odada mı? Daha sonra mevcut cihazların sayısına katkıda bulunur.
Bir cihazın hangi odaya yerleştirildiğini çok yüksek bir güvenle belirlemek bu nedenle çok önemlidir: aradığınız üç IV pompasının aslında yan taraftaki temiz odadayken hasta odası 12’de olduğunu düşünmenize neden olan bir konum hatası mevcut pompaları fazla tahmin ederek sürecin dökümüne kadar.
RTLS ile varlığa bir mobil etiket iliştirilir ve sabit altyapı (genellikle tavanda veya duvarlarda) etiketin yerini belirler. Bunu başarmak için çeşitli kablosuz teknolojiler kullanılır ve yapay zekanın önemli bir olumlu etki yaptığı yer burasıdır. Kullanılan teknolojiler iki kamptan birine giriyor:
- Kablosuz teknolojiler yapamaz örneğin ultrason ve kızılötesi gibi duvarlara nüfuz eder. Oda düzeyinde doğruluk, her odaya bir alıcı yerleştirilerek ve mobil etiketlerin iletilmesi dinlenerek elde edilir. Etiketi duyabiliyorsanız, sizinle aynı odada olmalıdır. Oda düzeyinde doğruluk elde edilir.
- Kablosuz teknolojiler Yapmak örneğin Wi-Fi ve Bluetooth (çoğunlukla Bluetooth Düşük Enerji veya BLE) duvarlara nüfuz eder. Alıcılar bina boyunca yerleştirilmiştir ve etiketlerin konumunu algoritmik olarak belirlemek için alınan etiket iletimlerinin sinyal gücünü ölçer.
Ortak sorunlar
Kamp # 1 ile ilgili problemler – duvara nüfuz etmeyen teknolojiler – çok çeşitlidir. Birisi kapıyı açık bıraktığında ne olur? (Çoğu hastanede ortak bir politika). Duvar olmadığında bir cihazın yerini nasıl belirlersiniz? (Ekipman genellikle açık alanlarda depolanır).
Cevap, her odaya bir cihaz yerleştirmek için zaten çok maliyetli olan gereksinime daha fazla altyapı cihazı eklemektir;
2. Kamp çok daha az altyapı gerektirir ve fiyat açısından daha caziptir, ancak sınırlamalar vardır. Birden fazla sabit alıcıda tek bir etiketten alınan sinyal gücünün ölçülmesi, etiket konumunun deterministik bir hesaplamasını destekler. Sinyal gücünün mesafeye göre nasıl düştüğüne ilişkin jenerik modeller kullanılarak, kabaca bir aralık tahmini yapılabilir ve üç aralık tahmini, bir 2B konum tahmini verir. Yazılımdaki coğrafi sınırlar, bu 2B koordinatları oda doluluğuna çevirir.
Sorun şu ki, sinyallerin aralığın üzerine düşme şekli karmaşık ve kaotiktir ve yalnızca sinyal blokajından (duvarlar, ekipman, insanlar) değil, aynı zamanda çoklu sinyal yansımalarının etkileşimlerinden de etkilenir (“çok yollu sönümleme”). Net sonuç, konumun 8 ila 10 metre veya daha kötü bir doğrulukla belirlendiğidir – bir nesnenin hangi odada olduğunu belirlemek için neredeyse yeterli değildir.
Makine öğrenme
Makine öğrenimi geçmişine sahip olanlar bir fırsat yakalamış olabilir: Bir nesnenin hangi odada olduğunu belirlemek bir çözüm değildir. izleme sorun ama bir sınıflandırma sorun. Tüm tezahürlerde olduğu gibi, yeni nesil RTLS şirketlerinin sorunu yeni bir ışık altında görmek için algoritmalarından geri adım atması gerekti. Yapay zeka burada RTLS’yi dönüştürüyor.
1. Kamp ile aynı seviyede performans elde etmek için 2. Kampın düşük maliyetli teknolojilerinden yararlanabilseydiniz ne olurdu? Tüm değeri maliyet olmadan teslim edebilseydiniz ne olurdu? BLE sensörlerinden yararlanarak ve makine öğrenimi uygulayarak, yapay zekanın partiye getirdiği şey tam olarak budur.
Sinyal gücüne dayalı olarak çok zayıf aralık tahminleri yapmak için çemberlerin içinden atlamak yerine, neden bir sınıflandırma algoritması eğitmek için bir özellik olarak sinyal gücünden yararlanmıyorsunuz? Sinyaller birden çok duvara nüfuz ettiğinden, tek bir etiket, birkaç sabit altyapı cihazından gelen sinyalleri duyabilir ve oda doluluğu hakkında çok yüksek bir güven çıkarımına yol açacak çok sayıda özellik sağlar. AI, kurulum sırasında bir kez eğitilir ve Oda 1’i Oda 2’den vb. ayırmak için yeterli özellikleri öğrenir.
Bu, çok derin bir sonucu olan düşüncede temel bir değişimdir. Geleneksel Wi-Fi ve BLE sistemleri için, binalardaki kaotik sinyal yayılımı, sinyal gücünde büyük farklılıklar yaratarak menzil tahmin algoritmalarını karıştırır.
Sonuç, çok zayıf bir doğruluktur, ancak bunun tersine, bir yerden diğerine sinyal gücündeki aynı değişiklik, tam olarak ML’yi bu kadar güçlü bir araç yapan özellik varyasyonudur. Geleneksel yaklaşımları ezen sinyal yayma özellikleri, bir yapay zekayı beslemek için ihtiyaç duyduğunuz tam yemdir.
RTLS, bulut boyutlu beyinlerde çalışan gelişmiş makine öğrenimi algoritmalarının, nesne konumuna yönelik bir sınıflandırma yaklaşımı benimsediği yeni bir çağa girdi. Yapay Zeka ve RTLS’nin sonucu, kritik süreçleri iyileştiren ve hastanelerin daha iyi hizmet sunmasına ve daha iyi sonuçlar elde etmesine olanak tanıyan yüksek performanslı, düşük maliyetli sensörlerdir – hepsi de daha düşük bir maliyetle.
Source: www.iotforall.com