Inteligența Internetului Obiectelor (IoT)

Inteligența ambientală și controlul autonom nu fac parte din conceptul original al internetului obiectelor. Nici inteligența ambientală și controlul autonom nu necesită neapărat structuri de internet. Cu toate acestea, există o schimbare în cercetare (de către companii precum Intel) pentru a integra conceptele IoT și control autonom, cu rezultatele inițiale în această direcție considerând obiectele ca forță motrice pentru IoT autonom. O abordare în acest context este învățarea prin consolidare profundă, în care majoritatea sistemelor IoT oferă un mediu dinamic și interactiv. Antrenarea unui agent (adică un dispozitiv IoT) pentru a se comporta inteligent într-un astfel de mediu nu poate fi abordată de algoritmi convenționali de învățare automată, cum ar fi învățarea supravegheată. Prin abordarea de învățare prin consolidare, un agent de învățare poate simți starea mediului (de exemplu, sesizarea temperaturii casei), poate efectua acțiuni (de exemplu, pornirea sau oprirea HVAC) și poate învăța prin maximizarea recompenselor acumulate pe care le primește pe termen lung.

Inteligența IoT poate fi oferită la trei niveluri: dispozitive IoT, noduri Edge/Fog și cloud computing. Nevoia de control și decizie inteligentă la fiecare nivel depinde de sensibilitatea la timp a aplicației IoT. De exemplu, camera unui vehicul autonom trebuie să detecteze obstacole în timp real pentru a evita un accident. Această luare rapidă a deciziilor nu ar fi posibilă prin transferul datelor de la vehicul la instanțe cloud și prin returnarea predicțiilor înapoi la vehicul. În schimb, toate operațiunile ar trebui efectuate local în vehicul. Integrarea algoritmilor avansati de învățare automată, inclusiv învățarea profundă, în dispozitivele IoT este un domeniu activ de cercetare pentru a face obiectele inteligente mai aproape de realitate. Mai mult, este posibil să obțineți cea mai mare valoare din implementările IoT prin analiza datelor IoT, extragerea informațiilor ascunse și predicția deciziilor de control. O mare varietate de tehnici de învățare automată au fost utilizate în domeniul IoT, de la metode tradiționale, cum ar fi regresia, mașina vectorială de suport și pădure aleatoare, până la cele avansate, cum ar fi rețelele neuronale convoluționale, LSTM și autoencoderul variațional.

În viitor, Internetul obiectelor poate fi o rețea nedeterministă și deschisă în care entitățile auto-organizate sau inteligente (servicii web, componente SOA) și obiectele virtuale (avatare) vor fi interoperabile și capabile să acționeze independent (urmându-și propriile lor obiective sau comune) în funcţie de context, circumstanţe sau medii. Comportamentul autonom prin colectarea și raționamentul informațiilor de context, precum și capacitatea obiectului de a detecta schimbări în mediu (defecțiuni care afectează senzorii) și de a introduce măsuri adecvate de atenuare constituie o tendință majoră de cercetare, necesară în mod clar pentru a oferi credibilitate tehnologiei IoT. Produsele și soluțiile IoT moderne de pe piață folosesc o varietate de tehnologii diferite pentru a sprijini o astfel de automatizare conștientă de context, dar sunt necesare forme mai sofisticate de inteligență pentru a permite unităților de senzori și sistemelor ciberfizice inteligente să fie implementate în medii reale.

(Include texte traduse și adaptate din Wikipedia de Nicolae Sfetcu)