首页 信息互动 > 正文

科技信息: 通过人工智能应用提升智能家居产品价值

21世纪是科技高速发展的时代,互联网渐渐走入人们的生活。互联网就像一张网。把我们紧紧联系起来,现在的衣食住行都离不开互联网科技,下面分享一篇关于互联网科技的文章给大家。

基于ParksAssociates的预测,预计到2022年,所有已连接的家庭设备的年度销售额预计将超过520万台。智能家庭中人工智能的具体使用案例将有助于推动采用新的设备和服务,因为智能结果提高了产品价值。

除了安全使用情况之外,这是采用的主要驱动程序,更广泛的智能家庭自动化部分包括独立设备和智能家庭系统,这些系统寻求统一灯光、锁、恒温器、娱乐设备和其他子系统的控制。

智能家庭控制可以通过自行安装的DIY系统(SmartThings、Wink)、安全服务(ADT脉冲、Alarm.com)提供的支持安装的系统、或自定义安装智能家庭经销商(Control4、Crestron)来实现。

智能家庭控制也可以通过点解决方案的云到云集成,或者不依赖传统硬件控制器的系统来实现(AmazonAlexa,GoogleHome,与Nest,各种WiFi设备API集成一起工作)。

AI可以应用于来自这些家庭自动化设备或系统中的任何一个的数据,以预测和预测用户行为、提供维护数据、或帮助提高数据安全和隐私。

尽管智能家居产品和服务的激增,但诸如安全面板和家庭控制集线器之类的硬件控制器近年来仅表现出适度增长。

2017年第四季度,13%的美国宽带家庭报告了家庭控制器的所有权,到2022年,家庭控制器的年收入预计将达到270万美元。本地智能家庭控制器硬件可以利用处理能力和存储器来帮助边缘的AI,以减少等待时间并提高数据安全性和私密性。

无论是本地硬件还是基于云的智能,AI应用程序都会增强用户体验,并以以下几种方式向智能家庭添加价值。

由于AI-PoweredAnalytics适用于日常生活的重复模式,智能家庭应用程序可以学习居住者的“例程”,并对自动化序列提出预测建议,使生活更加安全、安全、舒适和方便。

例如,在学习了一个行为模式之后,该行为模式包括门解锁、打开的灯以及通过家庭的几个房间的移动,系统可以建议所有这些动作在一个"到达场景"中同步和自动化,当乘员的智能手机在某个接近家庭的某个位置时,如地理区域所识别的。

Hampton阵列展示了它的智能家庭产品的潜力,这些产品通过阵列应用程序集成和控制。该应用程序能够通过e-key和e-code进行地理定位、自动化和访问管理。通过应用机器学习,乘员不必创建场景,而是确认创建它,甚至更方便地通过语音来创建。

同样,通过知道哪些乘员到达,可以为照明、恒温器设置、娱乐偏好等触发个性化设置。机器学习可以调整这些设置,因为乘员的行为会随着时间的变化或其他相关因素的影响而发生变化,例如一年中的时间、一周中的一天、家中其他人的出现或天气状况。

家庭、外出、睡眠和休假模式都是指教个性化自动化的上下文RUBrics。用于智能自动化的机器学习的主要价值在于极大地改善了用户体验,该用户体验需要所有者的更少努力。智能系统负责居住者,并向他们提供更高的防护等级。

更自主设计的系统已经进入市场。在对乘员的模式进行短暂的学习之后,自主系统将在不要求用户做任何事情的情况下启用自动挖掘。系统默认为机器自主,而不是请求权限。一些消费者可能会发现这是非常方便的,而另一些消费者可能不愿意放弃对家庭的控制。

机器学习最初应用于企业设施管理和工业互联网,开始应用于来自消费者级连接HVAC系统、冰箱和洗衣机和干燥器的设备遥测数据。

通过预测潜在的问题和干预,预测性维护提供了对反应性维护的益处(发生问题后修复)和预防性维护(建议采取的措施来维护设备,但未由设备的实际情况通知)。

产品性能诊断、运行时间、功率使用模式、服务总小时数、过滤器或冷却剂状态以及其他指标可提供潜在维护问题的关键指标,这些问题可以在方便的时间主动解决,甚至可以被阻止。跨大型数据集应用的机器学习产生在小样本库中不可见的性能模式。

LG去年宣布,该公司将向其所有产品添加其ThinQ人工智能能力。随着远程访问和监控、语音控制和设备间通信,它的智能设备能够自我诊断。

AI可以在其任何智能家电上出现之前检测维护问题,并自动通知用户,该公司声称。为加快维修时间,应用程序还将向呼叫中心或公司的工程师发送维护警报。

公共云平台(如MicrosoftAzure和AmazonWebServices)提供了为不同类型的预测性维护用例预配置的机器学习工具。

同样,Mnubo已经应用其SmartObjects机器学习平台开发了用于连接加热、通风、空调和制冷单元(HVAC R)的预测维护分析。

应用程序实时测量流量、温度、压力和振动水平,然后存储和分析HVACR的诊断事件数据,以确定趋势和模式,并突出潜在问题。

制造商被告知问题、异常和异常行为,以及诸如温度和振动波动等操作问题。随着机器学习随着时间的推移而被应用到故障和异常数据集,服务可以构建预测维护模型,该模型可以在发生之前关注问题,并使制造商能够采取主动措施来解决设备问题。

消费电子和电器的预测维修应用为客户参与、产品开发和优化提供了长期价值,并从维修、推荐、部件和补充过滤器和液体等消耗品中获得了新的收入。

与企业和工业物联网的预测维护应用不同,用于消费品的应用不会产生短期运营效率,不会降低维护成本和卡车卷,也不会减少停机所造成的损失。

如果没有这个更直接的ROI,维护应用程序将经历较慢的实施。然而,正向思维公司将看到预测性维护作为在整个产品生命周期内与客户进行接洽的一种手段,这将持续地定位他们的品牌以实现交叉销售和追加销售机会。

在AI驱动的特征周围与消费者的交互最好是温和地和增量地处理的。建议可以导致在用户确认了某些动作或偏好之后能够导致完全自动化的Nuges。

消费者控制和对数据共享的信心至关重要。产品或系统的智能作为所有者的智能的扩展,提供了更多的便利、安全、节约和心灵的和平。

BradRussell是在ParksAssociates的连接家的董事。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。