МЕТОДИКА ОПТИМІЗАЦІЇ ПЕРЕДАЧІ ДАНИХ В IOT-МЕРЕЖАХ З ВИКОРИСТАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ
DOI: 10.31673/2412-4338.2024.031219
Анотація
Інтернет речей (IoT) та штучний інтелект (ШІ) є двома найактуальнішими і найобговорюванішими темами у світі технологій. Ці дві інноваційні технології мають великий потенціал для симбіозу, що робить важливим їхнє інтегроване використання для створення нових можливостей для корпоративних користувачів. ШІ і IoT мають тісний зв'язок: штучний інтелект здатний швидко обробляти та аналізувати величезні обсяги даних, які генеруються з розумних пристроїв. Завдяки методам машинного навчання можна виявляти закономірності та аномалії в даних, які включають інформацію про температуру, вологість, тиск, якість повітря, звук і вібрацію. Поєднання цих двох технологій формує інтелектуальні зв’язані системи, де ШІ виступає в ролі «мозку», а IoT – «тілом». Пристрої IoT здійснюють збір і передачу даних з різних джерел, що забезпечує навчання ШІ і його здатність оптимізувати різноманітні процеси. Завдяки цим можливостям, системи IoT можуть не лише навчатися, але й приймати обґрунтовані рішення у процесах управління даними та їх аналізу, що, в свою чергу, підвищує загальну продуктивність. Оптимізовані методи, які стали можливими завдяки застосуванню штучних нейронних мереж, IoT та хмарних сервісів, мають значний вплив на аналіз та обробку інформації в реальному часі в багатьох сферах. Мультихомінг – це тип мережі, який поєднує різноманітні мережеві технології в єдине середовище, що дозволяє ефективно управляти великими обсягами даних. Сьогодні обробка та моніторинг цих даних у мультихомінгових мережах вимагають менших витрат ресурсів і знижують ризики безпеки, підвищуючи ефективність обробки та моніторингу інформації. Використання систем, що базуються на ШІ у поєднанні з великими даними, а також інтегрованими системами IoT та ШІ, може забезпечити значні переваги у різних аспектах діяльності підприємств. Це може включати покращення процесів прийняття рішень, оптимізацію ресурсів, підвищення якості обслуговування клієнтів та розвиток нових бізнес-моделей. Інтеграція цих технологій відкриває нові горизонти для інновацій та розвитку у багатьох галузях, від промисловості до охорони здоров'я та міського управління.
Ключові слова: Інтернет речей, штучний інтелект, мультихомінгові мережі, штучна нейронна мережа, штучний інтелект речей, алгоритм Левенберга-Марквардта, правило Баєса.
Список використаної літератури
1. AI and IOT - What is Their Relationship and How Do They Work Together? [Електронний ресурс]. URL: https://www.totalphase.com/blog/2023/12/ai-and-iot-what-is-their-relationship-and-how-do-they-work-together/ 2. K. A. Bryan and J. S. Gans, “A theory of multihoming in rideshare competition,” Journal of Economics and Management Strategy, vol. 28, no. 1, pp. 89–96, 2019. 3. C. Cennamo, H. Ozalp, and T. Kretschmer, “Platform architecture and quality trade-offs of multihoming complements,” Information Systems Research, vol. 29, no. 2, pp. 461–478,
2018.
4. S. Madden, “From databases to big data,” IEEE Internet Computing, vol. 16, no. 3, pp. 4–6, 2012.
5. Z. Zhang, “Artificial neural network,” in Multivariate Time Series Analysis in Climate and Environmental Research, pp. 1–35, Springer, Cham, 2018.
6. Q. Xu, Z. Su, Q. Zheng, M. Luo, B. Dong, and K. Zhang, “Game theoretical secure caching scheme in multihoming edge computing-enabled heterogeneous networks,” IEEE Internet of Things Journal, vol. 6, no. 3, pp. 4536–4546, 2018.
7. H. Gao, Y. Xu, X. Liu et al., “Edge4Sys: a device-edge collaborative framework for MEC based smart systems,” in 2020 35th IEEE/ACM International Conference on Automated Software Engineering (ASE), pp. 1252–1254, New York, NY, USA, 2020.
8. AIoT: навіщо Інтернету речей потрібен штучний інтелект [Електронний ресурс]. URL: https://iotji.io/aiot-navischo-internetu-rechei-potriben-shtuchnyi-intelekt/
9. D. Ferraioli, A. Meier, P. Penna, and C. Ventre, “Automated optimal OSP mechanisms for set systems,” in International Conference on Web and Internet Economics, pp. 171–185, Springer, Cham, 2019.
