AIoT הוא חזית ההנדסה הגדולה הבאה
פיתוח ווב ומובייל הוא בשל. תשתית ענן היא מוצר בסיסי (commodity). אם אתם רוצים למצוא בעיות קשות עם ביקוש כלכלי גבוה, הביטו בעולם הפיזי.
AIoT משלב בינה מלאכותית עם תשתית IoT. התחום הזה רק מתחיל לצמוח (scale). אם תעברו מפיתוח ווב או בקאנד ל-AIoT, ההנחות שלכם יישברו.
הקישוריות (Connectivity) לעולם אינה מובטחת. בפיתוח ווב, אתם מניחים שקריאת API עובדת. במפעל, מכשיר עשוי להיות לא מחובר (offline) במשך שעה. עליכם לנהל באפרים (buffers) מקומיים, חסרים בחותמות זמן (timestamps) ושגיאות חיישנים. המודלים שלכם חייבים לקבל החלטות למרות הכאוס הזה.
איכות הנתונים היא אתגר הנדסי. נתוני חיישנים תעשייתיים הם "מלוכלכים". חיישנים סוטים (drift) עם הזמן. הפרעות אלקטרומגנטיות יוצרות קפיצות (spikes). באגים ב-firmware יכולים להפוך קודי שגיאה לקריאות מזויפות. עליכם לבנות מנגנוני הגנה בתוך ה-pipeline שלכם לפני שכל בינה מלאכותית נוגעת בנתונים.
הסיכונים גבוהים יותר. המלצה גרועה באתר אינטרנט עולה בקליק אחד. התרעה שגויה במפעל עלולה להוביל לפציעת עובד או להשבתת מכונות ממושכת. זה משנה את האופן שבו אתם בונים עבור אמינות ומצבי כשל (failure modes).
מערכת AIoT מלאה דורשת שליטה בחמישה שכבות:
- Edge: הרצת מודלים על מיקרו-בקרים (microcontrollers) עם כוח עיבוד וזיכרון מוגבלים.
- Connectivity: ניהול פרוטוקולים כמו MQTT, LoRaWAN, או Zigbee תוך התמודדות עם פערים באות.
- Data: שימוש במסדי נתונים מסוג time-series לניהול זרמים עצומים של קריאות חיישנים.
- AI/ML: אימון מודלים על נתונים דלילים (sparse data) והתמודדות עם סביבות ויזואליות מורכבות.
- Application: שילוב דאשבורדים מודרניים עם מערכות תעשייתיות בני עשרות שנים.
הבעיות כאן מתגמלות מומחיות עמוקה. תתמודדו עם אתגרים כמו התאמת נתונים (reconciling) לאחר הפסקות קשר ארוכות ומיזוג סוגי חיישנים שונים כמו חום ורעידות.
שווקים הנדסיים מתגמלים מחסור. מפתחים שישלטו ב-edge AI ובאינטגרציה של חומרה ותוכנה יתמודדו עם מעט מאוד תחרות ועם ביקוש גבוה מאוד.
העולם הפיזי מקבל שכבת אינטליגנציה. תגיעו מוקדם.
מה הניסיון שלכם עם IoT או edge AI? מה היה האתגר הארכיטקטוני הקשה ביותר שלכם?
Optional learning community: https://t.me/GyaanSetuAi