智慧城市网

　　【安防展览网 企业关注】未来6年，预计交通和物流这两个行业的收入将大幅增长，借助传感器所收集的数据，交通和物流公司可以解决很多问题。
 

　　随着物联网覆盖范围的不断扩大，传感器产生的数据量在不断的增加，对数据实时分析的需求也在日益增长，这些都极大的刺激了AI的发展。
 

　　跟踪与AI相关行业的收入后，研究公司Tractica预测，由AI赋能的交通运输业的总收入将从今年的9730万美元增加到2025年的12.5亿美元。其中，AI对物流行业的贡献预计到同年将达到12.6亿美元，高于今年的1.518亿美元。
 

　　一、AI的采用
 

　　交通和物流公司若想要加持AI，可能需要从根本上了解AI是什么，它能做什么，以及它们需要什么才能发挥出大的价值。
 

　　任何想要部署物联网连接和架构的企业都面临着这样一个现实：物联网是一个充斥着热议的、总括性的概念语，它暗示了许多不同的东西，涵盖了各种不同的技术和应用。AI也是如此，它通常涉及规则驱动算法的概念来处理数据，从数据中学习、从数据中获得有建设性的见解，甚至是自主地对这些数据进行操作。
 

　　AI的目标是能够获取信息，这些信息可能是当前参数或历史数据，并处理信息，基于这些数据以与人类相同的方式做出决策。要明确的是，我们距离这一目标的实现还有很长的路要走。与此同时，基于AI的系统可以为人类提供数据推动的见解和建议，以便做出更好或更快的决策。但首先，AI本身需要被训练。想要利用AI的企业需要拥有一个特定应用程序设计的算法，以便可以处理、分析并继续学习的数据存储库。
 

　　物联网网络在创建这些存储库方面发挥了重要作用。物联网到就是管道，有一个平台，便可以将各种数据载入该平台，无论是传感器，摄像头还是其他IT系统。这是基础，没有数据的AI根本不存在，所以从某种意义上说，AI位于物联网的顶端，主要用于产生分析结果。
 

　　即使企业拥有现有的数据存储库，或者部署诸如物联网网络之类的基础设施来生成这些数据，它们仍然需要部署基于AI的系统和设备，以遵循一系列加权规则来生成相关建议和见解。随着AI在未来几年更广泛的应用于物联网网络架构，它们将需被人工培训和监督，以向它们提供相关规则和目标任务的知识。
 

　　快递运输走向无人化的趋势，为AI系统需要学习多少提供了一个例子。想一下，卡车司机在路上是如何做决定的，基于丰富的驾驶经验，他们知道当前面的车撞到他们时该如何反应。他们还知道，若在谷歌地图上看到前方有拥堵，会去寻找另一条路线。当然，他们也了解到，由于重量限制，不能在某些小街道上开卡车……所以，AI系统需要有一个庞大的道路规则知识库。
 

　　此外，卡车准时到达目的地，有助于保证整个供应链的按期运行。卡车司机提前到达甚至可能带来经济上的效益。向AI算法提供所需数据的一部分，是为其提供可遵循的规则，并可在需要AI对特定规则的重视程度做出调整时，对算法进行调整。
 

　　人工参与培训和微调AI算法，可以确保AI系统不会出现意外。从多年来获取有关如何到达特定目的地的数据来看，该算法如果无人监管，它可能会认为如果加速或违反交通规则，就可以更快地将卡车开往目的地。而这就需要人工在训练算法的过程中丢弃或贬值某些数据。
 

　　虽然从事AI项目的公司可能会倾向于自己培训AI系统，但与许多其他技术不同的是，AI需要不断的谨慎的训练，才能发挥出充分的价值。因此，这绝不是一种“即拿即用”的技术。交通和物流等特定垂直行业的大多数公司可能需要AI专家的协助。
 

　　这并不是说AI需要自己重新学习交通运输业的基础知识。人类在这个行业有着丰富的经验，他们发现的不仅仅是对这个行业的基本理解。AI的变革力量在于充分利用这些知识、洞察力和直觉，并使其具有弹性。
 

　　随着AI算法变得越来越擅长执行针对性的应用程序，在训练它们时对人的接触需求可能会降低。目前，一些交通和物流公司可能对自己的AI系统自主学习系统做出的决定感到不信任，但这样做有助于大限度的提高它们对特定业务的价值。
 

　　举个例子，如果想让一辆卡车穿过曼哈顿，从一个地方开往另一个地方，有很多可选择的路线。考虑到交通、建筑和其他因素，一个人很难想全所有不同的行程选择，然后找出穿过曼哈顿的有效方式。机器学习的强大之处在于，可以从所有这些不同的交叉点和变量中获取数据，并在所有这些数据点之间建立即时关联，而这是人类无法做到的。
 

　　二、AI应用于交通和物流行业的用例
 

　　交通和物流部门为AI提供了大量潜在的用例，因为它们不仅依赖复杂的机器，而且往往遵循严格的时间表，并依赖于充分的容量使用来实现大价值。
 

　　仅在运输业，就有七个不同的用例可加持AI：
 

　　交通密度预测 

　　预测性维护 

　　车辆网络和数据安全 

　　机械传感器数据融合 

　　天气预报 

　　机器/车辆目标检测/识别/回避 

　　本地化和测绘
 

　　在物流方面，除了供应链和物流，它还对后三种用例进行了预测;仓储与供应链需求预测；以及用于地理分析的卫星图像。
 

　　在所有这些领域中，物流部门的机器/车辆目标检测/识别/回避，预计将成为大的创收用例，到2025年或将达到5.84亿美元。同时，在交通方面，重要的用例是预测交通密度和预测维护，到2025年，前者的AI收入为4.39亿美元，而后者将达到3.152亿美元。
 

　　预测性维护是IBM Maximo 2月公布的核心资产绩效管理套件,作为基于AI的物联网解决方案，其目的是“近实时地从实物资产中收集数据，提供 当前运营状况的分析结果，预测潜在问题，发现问题并提供修复建议。
 

　　与此同时，在物流领域，IBM和物流巨头DHL于2018年联合推出了一份白皮书，概述了该领域的几个潜在的AI应用。其中一个重点是航空货运航线的预测网络管理。DHL创建了一个基于机器学习的工具，它可以分析58个不同的内部数据参数，提前一周预测给定车道的平均每日运输时间是上升还是下降。如果航空货运规划人员能够预测航空货运中转的时间延误，就可以主动减轻预期延误的损失，并就哪些航空公司应该运送他们的货运做出更明智的决定。
 

　　AI可以以类似的方式应用于卡车车队管理。安装在卡车不同部位的物联网传感器，可以让AI评估货车从一个地点到另一个地点所需的时间，如果无法做到这一点，就可以在两者之间的某个点准备好替换货车。如果没有计划外的停工时间，时间便可以安排得更紧凑。
 

　　虽然这些用例为交通和物流公司描绘了一幅巨大的蓝图，即AI和物联网如何结合起来改善它们的运营和流程。但改变是逐步发生的，与物联网部署一样，很多处于早期阶段的公司正在以孤立的方式部署AI。使用AI，真的需要对每个用例使用不同的算法，而且必须确保每个用例都能生成ROI(率)。要让企业和工业客户跨过概念验证阶段，仍然需要很长时间。
 

　　随着越来越多的公司部署更广泛的物联网网络，对实时数据关注的需求也越来越大。现今，这种情况可能会发生变化。AI系统能够分析更多的数据，且比任何一个人或一群人更快,但企业部署AI仍然必须接受这样一种观念,他们基本上会采用一种技术,这种技术是不可能一开始就是十分有效且有价值的。