除了傳感器、攝像頭、網(wǎng)絡基礎設施和計算機等智能物聯(lián)網(wǎng)的物理基礎設施外，還有一些要素是成功部署的關鍵 :

思考并實時分析。使用事件流處理來分析運動中的各種數(shù)據(jù)，并確定哪些是相關的。

能夠在云端、網(wǎng)絡邊緣或設備本身等應用程序需要的地方部署智能。

結合 AI 技術。對象識別或處理自然語言等 AI 功能具有非常高的價值，并能在協(xié)同作用中發(fā)揮關鍵作用。

統(tǒng)一完整的分析生命周期，對數(shù)據(jù)進行流化、過濾、評分、存儲相關內容、分析并使用結果持續(xù)改進系統(tǒng)。

1. 實時分析

事件流處理在處理物聯(lián)網(wǎng)數(shù)據(jù)時起著至關重要的作用，因為它能夠做到 :

檢測感興趣的事件并觸發(fā)適當?shù)牟僮鳌Ｊ录骺梢蕴幚韺崟r精確定位中的復雜模式，例如它可對個人移動設備的操作或銀行交易期間的異?；顒舆M行快速檢測。

監(jiān)控匯總信息。事件流可以持續(xù)處理來自監(jiān)控設備和傳感器的數(shù)據(jù)，查找出可能存在問題的趨勢、相關性或異常。智能設備可以采取補救措施，例如通知操作員、移動負載或關閉電機。

清理并驗證傳感器數(shù)據(jù)。當傳感器數(shù)據(jù)延遲、不完整或不一致時，可能是由于許多因素共同作用導致的。嵌入到數(shù)據(jù)流中的各種技術可以檢測并解決此類數(shù)據(jù)問題，還能對即將發(fā)生的傳感器故障或網(wǎng)絡錯誤導致的臟數(shù)據(jù)進行清洗。

實時預測和優(yōu)化運營。高級算法可以持續(xù)對流數(shù)據(jù)進行評分，以便在瞬間做出決策。例如，可以在數(shù)據(jù)環(huán)境中分析有關火車的到達信息，并延遲另一趟火車的出發(fā)時間，以保證乘客不會錯過換乘。

2. 在應用程序需要的地方部署智能

前面描述的案例需要不斷變化和移動的數(shù)據(jù) ( 例如自動駕駛車輛內駕駛員的地理位置或溫度 ) 以及其他離散數(shù)據(jù) ( 例如客戶概況和歷史購買數(shù)據(jù) ) 。這一現(xiàn)實要求分析以不同的方式應用于不同的目的。例如 :

高性能分析可以對靜態(tài)、云端或存儲中的繁重數(shù)據(jù)進行高效處理。

流分析可對運動中的大量不同數(shù)據(jù)進行分析，這些數(shù)據(jù)中可能只有少量是我們需要的并只有短暫的價值，因此速度十分重要，例如發(fā)送有關即將發(fā)生的碰撞或組件故障的警報。

邊緣計算使系統(tǒng)能夠在源頭立即對數(shù)據(jù)進行操作，而無需暫停獲取、傳輸或存儲數(shù)據(jù)。

在應用程序需要的地方部署智能是一種多相分析方法，要記住的關鍵原則是，并非所有數(shù)據(jù)點都是相關的，也不是所有數(shù)據(jù)點都需要發(fā)送并永久存儲。分析基礎架構必須靈活且可擴展，以支持當前和未來的所有需求。

3. 協(xié)同 AI 技術

要用 AIoT 實現(xiàn)高的回報，除了部署單一的 AI 技術外，還需要考慮其他方面。例如，可以采用多種 AI 功能協(xié)同工作的平臺，將機器學習與自然語言處理和計算機視覺等進行協(xié)同工作。

舉例來看，一家大型醫(yī)院的研究診所結合了多種形式的 AI，為其醫(yī)生提供診斷指導。該診所使用深度學習和計算機視覺對 x 線片、CT 掃描和核磁共振成像進行識別，以確定結節(jié)和其他與人類大腦和有關的區(qū)域。該檢測過程使用深度學習技術和卷積神經(jīng)網(wǎng)絡，這是一類通常用于分析視覺圖像的機器學習。這種檢測過程使用到了深度學習技術和卷積神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡是一種通常用于分析視覺圖像的機器學習。

然后，該診所使用一種完全不同的 AI 技術――自然語言處理，建立一個基于家庭病史、藥物、既往疾病和飲食的患者檔案，它甚至可以解釋心臟起搏器等物聯(lián)網(wǎng)數(shù)據(jù)。該工具將自然語言數(shù)據(jù)與計算機視覺相結合，使醫(yī)務人員在寶貴的工作時間內工作效率大大提高。

4. 統(tǒng)一完整的分析生命周期

為了從互聯(lián)的世界中獲得價值，AIoT 系統(tǒng)首先需要訪問各種不同的數(shù)據(jù)來感知正在發(fā)生的重要事項。接下來，它必須從豐富的數(shù)據(jù)環(huán)境中提取對數(shù)據(jù)的理解。后，無論是提醒操作員、提供報價還是修改設備操作，它都必須得到快速的結果。