IOT，AI和83个问题
这是涵盖物联网和AI的文章集合中的第一部分。
关于问题的佛教有一个令人痛苦的问题：它说我们都有83个问题，而当我们拿走一个时，另一个似乎似乎取得了它的地方。我不了解你，但我很确定这同样适用于帕累托原则。
许多人都熟悉了帕累托原则或者80/20规则：20％的努力可以产生80％的所需值，而80％的剩余工作量可以产生20％的所需值。无论是销售，关系，学习还是艺术，这条规则都通知我们将我们的努力集中在20％的努力将推动最有影响力的成果。
但在投入更相互依存的软件世界中，80％是达到20％的前身，我们必须努力自动化，更高效因此，这些前体需要更少的时间，投资和能量。这是IoT和AI可以提供的承诺之一。
通过AI可以简化80％代表的问题，可以简化，自动化和优化。但首先，您必须具有正确的数据和上下文。
AI在制造业中
应用AI制造业被引用为共同的80/20困境，在接受IOT应用程序的高价值学习和建模之前需要收集，组织和准备数据以提高效率。战略投资和努力现在不仅可以减少这种负担，而且可以减少使用类似数据来源的未来数据科学计划。
已经证明，深度学习神经网络可以消除对特征工程的需求，这是80％的耗时贡献之一。这里的关键成分是充足的数据。制造业可以从消费者空间中学习，其中从万亿财务和消费交易中收集的大数据已被用于推动客户和产品洞察力，帮助产生巨大的价值。
制造商传感器技术的投资，数据收集，物联网和其他监测机会对于收集更多相关数据至关重要，这将导致大值添加。许多制造商都有大量的暗数据，不适当收集或管理。针对这种低悬垂的水果以及战略性的IOT应用程序可以创造艾美利益学习所需的时间爆发。
了解数据的背景是至关重要的
这对不仅收集了这个数据来说至关重要，但要考虑到这么思考的计划考虑到上下文。在操作中，大部分数据首先是用于过程控制，实时操作员洞察和法医分析的最重要。在制造的维护方面，数据通过考虑通常驻留在单独的数据源中的生产计划和客户承诺，以最有效的方式安排人员，设备和服务
甚至从IOT计划收集的数据也具有核心函数，不应在追求AI的数据收集时受到损害。例如，考虑振动分析，它是具有目标高级分析的特定数据集，该分析创建了关于被监视设备的元数据和故障预测。AI驱动的数据收集举措必须以不泥泞的方式设计。
Osyosoft最近在从其建筑管理系统（BMS）的无纪律的数据采集使整个系统崩溃时，难以理解的方式。建筑物而不是变得更有效，而不是在繁忙的工作日中间停止。类似于OSIsoft的BMS，几乎可以提供AI倡议的所有数据来源都有一个原始或核心目的，不能危害。
例如，SCADA系统具有主要功能，需要实时响应，以便保证控制操作，并且需要具体，及时数据来制定这些决策。此关键功能在数据管理系统需要收集和管理底层数据流和控制决策时创建了一组竞争需求。
最终，这是收集数据的挑战不仅在找到它，还要学习如何有效地从各种系统中收集数据而不将其核心功能有风险。
所有IOT议程网络贡献者负责其帖子的内容和准确性。意见是作者，不一定能够传达物联盟议程的思想。