為什么物聯網需要AI

在我最近在紐約就供應鏈中的AI問題進行的一次談話中，提到的一個關鍵問題是“你在談論機器人嗎?”

你知道，人工智能已被浪漫化為這個抽象的術語，讓你想起行走的機器人做你家務的圖像，而你卻只是高枕無憂。

但它究竟意味著什么，該術語實際上來自哪里?人工智能包含機器學習和大數據流程的新范例，使您能夠從歷史數量的預先存在的數據流程和實時觀察的組合中獲得預測性見解。要獲得真正的AI，您需要訓練大量的數據集(包括歷史和實時)，實現一些基線，使用增量信息實現深度學習，并開始發現預測價值。

人工智能通常與物聯網(IOT)協同工作，物聯網包括可穿戴設備和連接家用設備等設備。簡單來說，IoT收集信息，但AI是從該信息為分析和決策提供動力的引擎。

物聯網連接不同的設備，如可穿戴設備，可以擴展連接幾乎無限數量的設備，連續流數據。AI處理數據，對此數據進行推斷，并最終實時提供建議。

讓我們看看保險業的一些例子

2012年左右，當我在Humana時，我們工作的一個項目是老年人(65歲以上)住在自己的家中。我們想了解如何降低跌倒的發生率并預測需要緊急服務的可能性。我們需要實時做到這一點，這樣我們才能事先采取行動，改善老年人的健康狀況并節省成本。有了預先存在的索賠數據，我們需要了解基線 - 例如，在家中發生的典型活動。這里的物聯網設備通過使用移動傳感器發揮作用。

在老年人的許可下，我們在家中安裝了多個移動傳感器，特別是在廚房，浴室和起居室等區域。這些傳感器通過在一段時間內收集房間中的生物識別數據基線開始，然后實時地將數據存儲在云中。為了促進深度學習(這是AI的一種形式)，先前保險索賠的預先存在的數據與實時數據并排分析。這使得很容易發現異常并對其采取行動，并提供了預測緊急事件發生前概率的見解。

第二個例子，也來自保險業，發生在2006年左右。我們正在為技術評估創建預警系統。醫療設備價格昂貴，并不總是有效。因此，通常需要進行成本效益分析，以證明其相對于其他選項的使用。例如，減肥手術可能花費10,000美元，但它仍然是實驗性的，特別是當您考慮患者及其健康狀況時。它沒有達到相對于其成本的功效。

最終，我們需要預測患者將尋求探索相對于替代選擇的程序，了解這種程序基于健康狀況的有效性，并了解有效簽約的提供者定價基準。擁有數百萬個此類程序的索賠數據(歷史)，其中一些包括可穿戴設備的數據(計步器，健身追蹤器數據)，結合實時電子裁決(實時支付)和提供者辦公室訪問觀察，我們能夠開始自動化減肥手術替代品的推薦過程

AI中的許多這些進步來自人工神經網絡(或人工神經網絡)。受人類大腦的啟發，它可以松散地模擬生物大腦解決問題的方式，系統可以自我學習和訓練自己，而不是響應編程。使用神經網絡，算法首先由人類訓練。隨著時間的推移，算法開始做出自己的假設，更少依賴人類培訓師，并解決復雜的問題。

最終，物聯網還不夠。必須有一個增加的智能，一個人工智能，旨在解決問題，而不僅僅是處理數據或提供儀表板。必須有數據和行動。