ما هو إنترنت الأشياء؟ ومستقبله!
“إنترنت الأشياء” – IoT ، الموصوف تقنيًا على أنه جهاز إلكتروني مزود بأجهزة استشعار ، يرسل البيانات ويتلقى التعليمات بفضل اتصال الإنترنت. لوصف بمصطلحات غير تقنية ، مليارات الأجهزة المادية (المزودة بجهاز استشعار) متصلة بالإنترنت في جميع أنحاء العالم. إنترنت الأشياء لديها تطبيقات متنوعة في جميع القطاعات ، لتمكين وإثراء حياة الإنسان على هذا الكوكب.
على سبيل المثال ، لنأخذ هاتفًا ذكيًا ، فأنت تستمع إلى الأغاني باستخدام سماعات أذن متصلة بهاتف ذكي أثناء انشغالك بأشياء أخرى (القيادة) ، وهناك إنترنت الأشياء مدعوم من (الذكاء الاصطناعي) AI. تخيل مستشعرات إنترنت الأشياء في سماعات الأذن ، والتي يمكنها أخذ بيانات معدل ضربات القلب الخاصة بك وبمساعدة الذكاء الاصطناعي يمكنها التنبؤ بمشاعرك. بناءً على هذه المشاعر ، يمكن لهاتفك الذكي اختيار أفضل أغنية مخزنة في مكان ما في العالم. هناك عدة ملايين من الأغاني حول العالم ولا يحتاج هاتفك الذكي إلى مساحة تخزين فائقة لتخزين جميع الأغاني أو إما قوة حوسبة فائقة لنموذج الذكاء الاصطناعي المطبق لاستشعار المشاعر. كل ما تحتاج إلى التأكد منه هو أنه متصل بالإنترنت.
وفقًا لـ Business Insider ، سيكون هناك أكثر من 41 مليار جهاز إنترنت الأشياء بحلول عام 2027 ، ارتفاعًا من حوالي 8 مليارات في عام 2019. تم إنشاء هذا الاستطلاع من خلال ردود 400 من كبار المديرين التنفيذيين حول العالم. تشمل هذه الشركات Alibaba و Alphabet و Amazon و Apple و VMWare و Verizon وما إلى ذلك. وتنص كذلك على أنه بحلول عام 2027 ، ستصل جميع الأجهزة المتبقية للوصول إلى الإنترنت ، وسوق إنترنت الأشياء ينمو إلى أكثر من 2.4 تريليون دولار سنويًا.
يمكن لإنترنت الأشياء جنبًا إلى جنب مع أكثر التقنيات ديناميكية للذكاء الاصطناعي (AI) أن يجعل نظام إنترنت الأشياء نفسه أكثر ذكاءً ويمكنه بسهولة محاكاة نشاط الإنسان.
دور الذكاء الاصطناعي في إنترنت الأشياء
“AI + IoT = AIoT”
يُعرّف الذكاء الاصطناعي بأنه عملية جعل الآلات ذكية بما يكفي للقيام بالمهام دون أي تدخل بشري. تجمع جميع أجهزة إنترنت الأشياء معًا بيانات ضخمة ، ومن ناحية أخرى لبناء نموذج ذكاء اصطناعي حديث ، فإنه يحتاج إلى بيانات ضخمة. وبالتالي ، فإن الجمع بين هاتين الطريقتين الديناميكيتين يجعل إنترنت الأشياء الرتيب في إنترنت الأشياء الذكي (مهام ذكية دون تدخل بشري). يمكن أن يكون المزيج القوي بين إنترنت الأشياء والذكاء الاصطناعي إنجازًا كبيرًا في حياة البشر.
لذلك ، عندما نتحدث عن الذكاء الاصطناعي (AI) ، يلعب التعلم الآلي (ML) والتعلم العميق (DL) دورًا أكثر حيوية نظرًا لأن DL و ML هي مجموعات فرعية من AI.
التعلم الآلي (ML): يحتوي التعلم الآلي على خوارزميات أو تقنيات تعلم الآلة في شكل برنامج كمبيوتر يتعلم الأفكار من البيانات بشكل متكرر أو بمفرده أو باستخدام مجموعة القواعد التي نذكرها. هناك ثلاثة أنواع رئيسية من خوارزميات التعلم الآلي وهي: التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف. دعونا نرى بعض خوارزميات التعلم الآلي أو النماذج المستخدمة في إنترنت الأشياء.
الانحدار: الانحدار هو المفهوم الأساسي في التعلم الآلي. يقع ضمن فئة التعلم الخاضع للإشراف حيث يتم تدريب النموذج باستخدام بيانات الإدخال (ميزة مستقلة) وتسميات الإخراج (ميزة تابعة). يتم تطبيق الانحدار على الطبيعة المستمرة للبيانات. هناك نوعان من الانحدار وهما الانحدار الخطي والانحدار غير الخطي.
يتم تطبيق الانحدار الخطي عندما يكون هناك خطي في بيانات الإدخال. على سبيل المثال ، عندما يتم تغيير المدخلات x يجب أن يكون هناك تغيير محتمل في الناتج y. المعادلة التي يستخدمها نموذج الانحدار الخطي للتدريب معطاة بـ Y = 1 + θ 2 X 1 . على سبيل المثال ، خذ انبعاثات ثاني أكسيد الكربون في المركبات بناءً على حجم المحرك وعدد الأسطوانات. معدل الانبعاث له علاقة خطية مع حجم المحرك وعدد الاسطوانات.
الانحدار غير الخطي ، على سبيل المثال ، ضع في اعتبارك بيانات الدخل المحلي الإجمالي للصين (GDI) سنويًا. هنا الميزة المستقلة في البيانات هي سنوات والميزة التابعة أو المتغير المتوقع هي GDI. من هذه البيانات يمكننا أن نرى العلاقة غير الخطية بين المتغيرات. يتم إعطاء معادلة الانحدار غير الخطي بواسطة Y = 1 + θ 2 (X 1 ) 2 .
التصنيف: التصنيف هو أسلوب تعلم خاضع للإشراف. يتم استخدامه في تصنيف مجموعة العناصر غير المعروفة إلى مجموعة منفصلة من الفئات. تتعرف خوارزمية التصنيف على العلاقة بين متغير ميزة الإدخال والمتغير المستهدف ذي الاهتمام. المتغير الهدف قاطع مع قيم discreate. خوارزميات التصنيف الشهيرة المستخدمة على نطاق واسع هي K-Nearest Neighbours ، وشجرة القرار ، والانحدار اللوجستي ، وآلة المتجهات الداعمة.
التجميع: التجميع يعني العثور على المجموعات في مجموعة بيانات ، بأسلوب غير خاضع للإشراف. يتم تعريف الكتلة على أنها مجموعة من نقاط البيانات أو الكائنات في مجموعة البيانات التي تشبه كائنات أخرى في مجموعة ، وتختلف عن نقاط البيانات في مجموعة أخرى. خوارزميات التجميع المستخدمة على نطاق واسع هي مجموعات K-mean ، والتجميع الهرمي والتجميع القائم على الكثافة.
التعلم العميق (DL): التعلم العميق هو مجال فرعي للتعلم الآلي ، تم تصميمه بإلهام من الدماغ البشري ويسمى باسم الشبكة العصبية الاصطناعية (ANN). وبالتالي ، فإن التقدم في الشبكات العصبية العميقة يجعل التفاعل في بيئة معقدة بشكل أسرع من البشر أكثر تعقيدًا.
الشبكة العصبية الاصطناعية: تم إنشاء الشبكة العصبية الاصطناعية بشكل أساسي من ثلاث طبقات ، وهي طبقة إدخال ، وطبقة مخفية ، وطبقة إخراج. يتم ضرب المدخلات من الطبقة الأولى (طبقة الإدخال) بالوزن والتحيز الإضافي. التحيز والأوزان عشوائية في البداية. ثم تمر هذه القيم من خلال بعض وظائف التنشيط (ReLU ، Sigmoid ، Tanh ، إلخ) ثم تنتقل إلى الطبقة التالية حتى طبقة الإخراج. يمكن تكرار هذا التكرار للعملية حتى نحصل على الأداء / الدقة المثلى.
تطبيقات التعلم الآلي لإنترنت الأشياء
يوجد اليوم العديد من خوارزميات ML المطبقة في إنترنت الأشياء. تعتمد تطبيقات ML هذه بشكل كبير على المجال المطبق. هناك عدة أسباب وراء تأثير التعلم الآلي على إنترنت الأشياء. ولكن ما الذي يحدث أولاً إذا تم تنفيذ إنترنت الأشياء بدون ML؟ يجب أن يواجه إنترنت الأشياء العواقب التالية عندما يتم تنفيذه فقط بدون ML. يتضمن ذلك تكامل البيانات من مصادر متعددة ، وإدارة الأجهزة ، والتعامل مع حجم ضخم من البيانات والتحكم في إصدار التطبيقات.
يتعامل إنترنت الأشياء مع الربط البيني للأجهزة بهدف رئيسي هو مشاركة المعلومات (البيانات). كانت هذه البيانات هي السبب القياسي الذي يجعل ML أكثر قوة ، مما يزيد من كفاءة إنترنت الأشياء. العوامل الرئيسية التي يساهم بها التعلم الآلي في إنترنت الأشياء هي: تحليل البيانات والتنبؤ بالأحداث المستقبلية ، وتحويل البيانات الأولية إلى تنسيق يمكن فهمه من قبل الإنسان ، ونظام توصية في الوقت الفعلي ، وصيانة الأجهزة (IoT) ، وما إلى ذلك.
عملية جعل إنترنت الأشياء ذكيًا وتحليل البيانات الضخمة التي تنتجها مليارات من هذه الأجهزة تجد تطبيقًا في عدة مجالات. هذه المجالات هي السيارات ذاتية القيادة ، والأجهزة القابلة للارتداء ، والأتمتة الصناعية ، والزراعة ، والرعاية الصحية ، والتسوق بالتجزئة.
الأتمتة الصناعية: عندما يتعلق الأمر بخطوط الإنتاج في الصناعات ، فإنك تحتاج إلى مساعدة من الروبوتات الآلية. تسمى الروبوتات التي تعمل جنبًا إلى جنب مع البشر باسم الروبوتات التعاونية أو الكوبوتات. العيب الرئيسي لهم هو أنهم يعملون دون معرفة أي عقبات (بشرية) موجودة في بيئتهم. يمكن أن يتسبب هذا الموقف في إصابة مميتة أو الوفاة في حالة. من أجل التخفيف من الأضرار الجسدية التي تلحق بالبشر أو لجعل الروبوتات ذكية بما يكفي لإدراك بيئة العمل الخاصة بهم ، هناك حاجة لأنظمة أمان معينة. يأتي تطبيق خوارزميات ML / DL مع إنترنت الأشياء ، في تطوير نظام أمان ذكي قائم على رؤية الكمبيوتر للروبوتات التعاونية.
الزراعة: عدد سكان العالم مستمر في النمو ، في الثمانين سنة القادمة سيكون هناك 3.6 مليار نسمة إلى السكان الحاليين ، لذلك سيكون هناك طلب متزايد على الغذاء. وبالتالي ، تعمل إنترنت الأشياء والذكاء الاصطناعي معًا على تحسين الإنتاج الزراعي باستخدام التقنيات التالية ،
- أدوات الزراعة الدقيقة باستخدام بيانات الأقمار الصناعية. تم استخدام هذه التقنية لتقليل استخدام الأسمدة التي تحتوي على النيتروجين ولزيادة غلة المحاصيل.
- مراقبة المحاصيل باستخدام البيانات من الكاميرات وأجهزة الاستشعار يمكن مراقبة حالة المحاصيل وتحليلها. توفر خوارزميات التعلم الآلي باستخدام هذه البيانات تحديثًا في الوقت المناسب للمزارع حول حالة المحصول.
- مكافحة الآفات التي تعمل بالذكاء الاصطناعي ، وأجهزة الاستشعار الدقيقة لإنترنت الأشياء إلى جانب حلول التحكم بالذكاء الاصطناعي تجعل المزارعين قادرين على معالجة النباتات بشكل فردي وحمايتها من أي أمراض وآفات محتملة.
السيارات ذاتية القيادة: السيارات ذاتية القيادة هي مستقبل السيارات. من خلال الجمع بين إنترنت الأشياء (أجهزة الاستشعار والكاميرات و LiDAR و RADAR) والشبكة العصبية العميقة ، من الممكن جعل السيارة تقود بمفردها. هناك بحث وتطوير نشط يجري في هذا المجال ، تقوم به شركات مثل Tesla و Google و Uber و Volvo ، إلخ.
الأجهزة القابلة للارتداء والرعاية الصحية: يمكن للأجهزة القابلة للارتداء جمع بيانات معدل ضربات القلب الخام وتخطيط كهربية الدماغ وحركة جسم الإنسان بمساعدة مستشعرات إنترنت الأشياء المضمنة فيها. يمكن ترجمة استرجاع هذه المقاييس إلى معلومات أكثر دقة وتفصيلاً ، من خلال تطبيق الذكاء الاصطناعي ، من أجل زيادة الوعي بالظروف الصحية واللياقة البدنية ، والكشف المبكر عن الأمراض وتجنب المخاطر المحتملة في نظام القلب والأوعية الدموية.
البيع بالتجزئة الذكي: اجعل تسوقك أكثر ذكاءً! من خلال الجمع بين إنترنت الأشياء والذكاء الاصطناعي ، يحصل المستهلك على تجربة أكثر ذكاءً في التسوق عبر الإنترنت وكذلك في التسوق دون اتصال بالإنترنت. بمساعدة الذكاء الاصطناعي ، يمكن أيضًا أن يساعد بائع التجزئة على فهم نمط شراء المستهلك. قدمت شركة H&M متعددة الجنسيات لبيع الملابس بالتجزئة لعملائها تجربة تسوق جديدة مع مفهوم المرآة الذكية.
