Det är ingen hemlighet att tillväxten av IoT driver en explosion av data, och International Data Corporation förutspår att det år 2025 kommer att finnas mer än 41 miljarder anslutna IoT-enheter som genererar knappt 80 zettabyte data. Detta oöverträffade inflöde av data, tillsammans med utvecklingen inom AI för att extrahera insikter från den, kommer att skapa en mycket mer informerad mobilitetsindustri än någonsin tidigare. AI används vanligtvis för att automatisera kartskapande med hjälp av platsintelligensdata, vilket gör att företag kan förbättra insikterna de får genom att använda verkligt geolokaliserad AI. Detta innebär att artificiell intelligens kan förstå egenskaperna hos platsinformation och tillåter utvecklare att utnyttja denna platsinformation i sina applikationer och produkter. AI infunderad med platsdata används för att skapa mönsterigenkänning och platssignaturer från den data den samlar in, vilket kan stödja genereringen av realistiska HD-kartor och simulatorer för att visualisera dessa data. Från att förstå hur konsumenter flyttar till var det är bäst att borra efter olja skapar dessa intelligenta visualiseringar ett exponentiellt antal användningsfall inom en mängd branscher.
Värdet av att skapa pålitliga lokaliseringstjänster baserade på artificiell intelligens
AI-värdekedjan har förändrats dramatiskt de senaste åren. Vi går från traditionell maskininlärning (ML), där värdet främst ligger i lösningsmodellens arkitektur och algoritmer, till en fas där värdet ligger i att ha en referensmodell som arbetar på din data. och för att kunna få det att utvecklas, komponera det och skala det. Vi har vant oss vid standardiserade implementeringar av AI och ML för platsintelligens, och det är nu vanligt att använda sensorer, antenner eller satelliter för att producera standardupplösningskartor, som de människor har på sina smartphones. Vi går mer och mer mot High Definition (HD)-kort, som är byggda av maskiner till tjänst för maskiner, vilket gör att denna data kan distribueras för specifika användningsfall, som att bygga algoritmiska lösningar för autonom körning. Detta nya tillvägagångssätt gör att flera källor kan kombineras för att känna igen funktioner och mönster, bearbeta statiska händelser och realtidshändelser för att förutsäga beteenden och förhållanden. Ett typiskt exempel på detta är AI/ML-drivna kartor där end-to-end-processen skapar en självläkande karta som är baserad på den kontinuerliga insamlingen av "lågnivå"-observationer och kartfunktioner. "högnivå"-aggregat, som är automatiskt inlärda funktioner. Dessa arbetar unisont för att utveckla och anpassa varje element på kartan, såsom skyltar, körfält, trottoarer, och lärs in för varje geografisk region. Där det dock inte fungerar är i dess stelhet, som förnekar nyanserna kring själva datainsamlingen, vilket är anledningen till att platsdataplattformar förnyar sig för att skapa AI som är lyhörd för AI. Lokaliseringen.
AI gör förutsägelser möjliga
Enkelt uttryckt är det en AI designad för att förstå beroenden och egenskaperna hos platsinformationen den tar emot och generera mer avancerad information. Realtidssemantiska relationer mellan fysiska objekt är en nyckeldel i detta och kan användas för att bygga platsgrafer, som är geospatiotemporala representationer av världen. Dessa representationer kan användas för att göra informerade prognoser med hjälp av realtidsdata som väder-, trafik- eller sensordata. AI/ML kommer att göra det lättare att förstå plats och rörelse på ett kontextuellt sätt, vilket ger oss fundamentalt nya tillvägagångssätt som kommer att förändra hur platsinformation samlas in, representeras och används. Platsinfunderad AI kan upptäcka nya datamönster och generera mer exakta exempel på den data du samlar in. Detta innebär att det kan användas för att exponera nyckelfunktioner och sammansättas med andra data på sätt som inte är genomförbara med traditionella AI-metoder, som att använda plats-AI för att förutsäga NO2-koncentrationskorrelation med hjälp av trafikdata.
Till förmån för transport- och logistikbranschen
Data som samlas in genom artificiell intelligens kan användas för att informera och hjälpa till att fatta beslut om ett specifikt problem, vilket framgår av dess användning inom transport- och logistikbranschen. Den avgörande utmaningen som denna industri står inför är behovet av att lösa optimeringsproblemet i stor skala. Att utnyttja stora mängder data i stora leverantörskedjenätverk skapar ett många-till-många optimeringsproblem för dataleverantörer på grund av den stora mängden leverantörer, konsumenter och modaliteter som är inblandade. Även om framsteg har gjorts på detta område finns det utrymme för utveckling genom användning av platsmedveten AI. Denna teknik integreras alltmer i leverantörskedjan, vilket multiplicerar antalet gränssnitt för övervakning och övervakning. Reinforcement learning (RL) har potential att bli ett kvantsprång inom transport- och logistikbranschen. Denna teknologi möjliggör simulering och känslighetsanalys som kan användas för att skapa prediktiva modeller och simuleringar. RL kan hjälpa oss att hitta nya sätt att kontrollera flottor som möjliggör mer optimal flotttrafik. Ett exempel på dess användning kan vara planering och hantering av trafikflöden i stora smarta städer med ambitionen att minimera CO2-utsläpp, samtidigt som man garanterar maximal säker och effektiv mobilitet. Kunskapen från dessa modeller möjliggör datadrivet beslutsfattande och resultat för ett effektivt distributionsnät.
Betydande tillväxtrum
Potentialen för geolokaliseringsmedveten AI är stor, och ingen kan göra anspråk på att ha utnyttjat dess kapacitet fullt ut inom områdena transport och logistik, fordon eller smarta städer. De största framstegen inom AI/ML kanske inte sker i stängda labb, utan bara genom en kraftfull uppsättning öppna ekosystem och öppen innovation. Samarbete mellan platsplattformar och akademiska eller statliga institutioner kan spela en nyckelroll i detta avseende, eftersom AI kan utnyttjas för att främja många användningsfall för en ''smartare planet''. Platsplattformar kan implementera smarta stadsinitiativ relaterade till allmän säkerhet eller tillhandahålla förstklassig information till företag inom fordons- och mobilitetsindustrin. Denna information kan ses som en ny valuta inom mobilitetsområdet och användas för att göra betydande framsteg när det gäller att skapa viktiga och pålitliga AI-baserade lokaliseringstjänster i realtid. Dessa tjänster kommer i sin tur att förbättra molnprodukter, edge och enhetsdistributioner under många år framöver.