ناوبری خانه‌های هوشمند از طریق هوش مصنوعی، ارزش آنها را بالا می‌برد

اتصال خانه‌های هوشمند و هوش مصنوعی یک موضوع کلیدی در افزایش کیفیت زندگی نوع بشر به شمار می‌رود.

فروش سالانه تمام دستگاه‌های متصل شده به خانه‌های هوشمند تا سال 2022 به بیش از 520 میلیون دستگاه بالغ خواهد شد. استفاده از هوش مصنوعی در خانه‌های هوشمند کمک می‌کند تا دستگاه‌های جدید و خدمات نوینی به زندگی انسان افزوده شود زیرا نتایج هوشمند، کیفیت زندگی و محصولات تولیدی را افزایش خواهد داد. علاوه بر مصارف امنیتی که منجر به ارتقا ناوبری منازل می‌شود، بخش وسیع خودکار سازی خانه‌های هوشمند شامل دستگاه‌های جدا از هم در سیستم های خانه‌های هوشمند است که به دنبال یکپارچه سازی خود هستند. این موارد شامل کنترل چراغ‌ها، قفل‌ها، ترموستات‌ها، وسایل سرگرمی و سایر زیر سیستم‌های ضروری می‌شود.

برای کنترل هوشمندانه این سیستم‌ها موارد بسیاری را شاهد هستیم. اما فرایند یکپارچه سازی ممکن است از طرق مختلفی صورت گیرد. یکی از راه حل‌ها یکپارچه سازی ابری است. از طریق یکپارچه سازی ابری می‌توان به ابعاد راه حل‌های مقطعی ارائه شده توسط نرم افزارهایی که به کنترل کننده‌های سخت افزاری سنتی مشهور هستند اشاره نمود. از جمله این سیستم‌ها می‌توان به Amazon Alexa، Google Home، Works with Nest و Integration APIs WiFi اشاره کرد. هوش مصنوعی می‌تواند به داده‌های هر یک از این دستگاه‌ها یا سیستم‌های خودکار خانگی برای پیش بینی رفتار کاربران، داده‌های تعمیر و نگهداری وسایل و سیستم‌ها یا کمک به افزایش امنیت و حریم خصوصی کمک کند.

با وجود انفجار محصولات و خدمات خانه‌های هوشمند، کنترل کننده‌های سخت افزاری مانند پانل‌های امنیتی و هاب‌های کنترل خانگی در سال‌های اخیر رشد کمی داشته‌اند. در سال 2017، 13 درصد از خانوارهای دارای اینترنت پر سرعت ایالات متحده، مالکیت یک کنترلر خانگی را گزارش کردند و انتظار می‌رود تا سال 2022، درآمد سالانه حاصل از فروش کنترلرهای خانگی به 2.7 میلیون دلار برسد. سخت افزارهای کنترل کننده داخلی خانه‌های هوشمند می‌تواند به کمک هوش مصنوعی با استفاده از قدرت پردازش و حافظه کافی به کاهش تاخیر امور و افزایش امنیت و حفظ حریم خصوصی مالکین کمک کند. هنگامی که سخت افزار یا هوش مبتنی بر تکنولوژی ابر فعال می‌شود، برنامه‌های هوش مصنوعی تجربه مفید کاربران را افزایش داده و به برخی از روش‌های زیر ارزش خانه‌های هوشمند بالا می‌رود.

پیش بینی و تنظیم شخصی سازی شده خودکار امور

هوش مصنوعی به عنوان ابزار تجزیه و تحلیل هوشمند به الگوهای تکراری زندگی روزانه ما توجه کرده و نرم افزار خانه هوشمند می‌تواند برنامه‌های ساکنان را یاد گرفته و توصیه‌های مورد نیاز را به منظور خودکار سازی فرایندهای یک زندگی امن و راحت ارائه دهند. به عنوان مثال، پس از یادگیری یک الگوی رفتار که شامل باز کردن درب، روشن شدن نور و حرکت از طریق چند اتاق خانه، سیستم می‌تواند توصیه کند که تمام این اقدامات در لحظه صحنه ورود بصورت خودکار و هماهنگ انجام شود. یا زمانی که صورت شما در نزدیکی خانه‌تان شناسایی شد امور به صورت خودکار توسط سیستم شناسایی چهره انجام شود.

به طور مشابه، با دانستن اینکه چه کسی وارد می‌شود، تنظیمات شخصی می‌تواند برای روشنایی، تنظیمات ترموستات، تنظیمات سرگرمی و غیره انجام شود. فرایند یادگیری ماشین می‌تواند این تنظیمات را تغییر دهد. به دلیل این که رفتار ساکنین در طول زمان تغییر می‌کند یا سایر عوامل جاری مانند زمان و حضور دیگران در منزل و یا شرایط آب و هوایی، عملکرد سیستم نیز تغییر می‌کند. حالت‌های خانه، دور از خانه، خواب و تعطیلات بخش‌های اولیه‌ای هستند که شخصی سازی خودکار نرم افزار را تنظیم می‌کند. مقدار اولیه‌ای برای خودکار سازی این سیستم‌ها در نظر گرفته شده که یک تجربه بهبود یافته عمومی است. سپس مالک سیستم با رفتار خود سیستم یادگیری ماشین را وادار به تغییرات به نفع کاربر می‌کند. یک سیستم هوشمند قوی از رفتار کاربران خارجی تاثیر پذیری نداشته و سطح حفاظتش بیشتر برای مالکین تعریف می‌شود.

بیشتر سیستم‌های بازار به طور مستقل طراحی شده‌اند. پس از یک دوره کوتاه یادگیری الگوهای ساکنین، یک سیستم مستقل خودکار بدون نیاز به تنظیمات کاربری برای مالکین فراهم می‌آید. سیستم به جای درخواست مجوز، به طور خودکار به انجام امور می‌پردازد. برخی از مصرف کنندگان ممکن است این مسئله را بسیار راحت پذیرا باشند، در حالی که دیگران ممکن است نخواهند کنترل قسمت‌های زیادی از خانه را در دستان خود نداشته باشند.

تعمیرات پیش بینی شده

یادگیری ماشین در اصل برای مدیریت سیستم تاسیسات و اینترنت اشیا اعمال می‌شود. این سیستم از داده‌های دریافتی از سیستم‌های تهویه مطبوع، یخچال و فریزر و ماشین لباسشویی و خشک کن استفاده می‌کند. پیش بینی مشکلات، تعمیر و نگهداری آن به مراتب هزینه‌های کمتری نسبت به تعمیرات پس از ایجاد مشکل دارد. البته تعمیر و نگهداری پیشگیرانه و اقدامات توصیه شده برای حفظ دستگاهها می‌بایست از اطلاعات ناشی از شرایط واقعی دستگاه برنامه ریزی شود. تشخیص عملکرد دستگاه‌ها، زمان اجرا، الگوهای مصرف برق، کل زمان سرویس دهی، وضعیت فیلتر یا خنک کننده و سایر معیارها می‌تواند شاخص‌های کلیدی مربوط به مسائل تعمیر و نگهداری را شامل شود که هر کدام می‌توانند به طور هم زمان یا تک به تک فعال شده و در سیستم اختلال ایجاد کنند. یادگیری ماشین بر سراسر مجموعه‌ای از داده دستگاه‌های نصب شده اعمال می‌شود که الگوهای عملکردی را در مقیاس‌های کوچک مشاهده نمی‌کنند.

ال جی در CES سال گذشته اعلام کرد که این شرکت سیستم هوش مصنوعی ThinQ خود را برای تمامی محصولاتش فعال خواهد کرد. این قابلیت‌ها همراه با دسترسی و نظارت از راه دور، کنترل صدا و ارتباطات بین دستگاه‌ها خواهد بود و دستگاه‌های هوشمند ال جی قادر به تشخیص آن هستند. هوش مصنوعی می‌تواند مسائل مربوط به تعمیر و نگهداری را قبل از اینکه اتفاقی در هر یک از لوازم خانگی هوشمند زیر سیستم خود رخ دهد، شناسایی کرده و به طور خودکار به کاربر اطلاع دهد. برای تسریع زمان تعمیر، برنامه هشدار تعمیر و نگهداری را به مرکز سرویس و مهندسین مربوطه در شرکت ارسال می‌کند.

سیستمهای ابری عمومی مانند لاجورد مایکروسافت (Microsoft Azure) و وب سرویس‌های آمازون، ابزارهای یادگیری ماشین را که برای انواع مختلفی از موارد پیشگیرانه مانند تعمیر و نگهداری استفاده می‌شوند، ارائه می‌دهند. برنامه‌های کاربردی نیز میزان جریان، درجه حرارت، فشار و ارتعاش را در زمان واقعی اندازه گیری می‌کند، سپس اطلاعات مربوط به وقایع تشخیصی HVACR را برای تعیین روند و الگوها و تجزیه و تحلیل و مسائل بالقوه برجسته می‌کند. به سازنده نیز درباره مسائل، ناهنجاری‌ها و رفتارهای غیر طبیعی و همچنین مسائل عملیاتی مانند دما و نوسانات ارتعاش اطلاع داده می‌شود. همانگونه که یادگیری ماشین در طول زمان به مجموعه داده‌های گسسته و ناشناخته اعمال می‌شود، سرویس می‌تواند مدل‌های تعمیر و نگهداری را پیش بینی کرده و سرویس خود را پیش از آنکه اتفاقی رخ دهد، اعمال کند. سازنده می‌تواند اقدامات پیشگیرانه‌ای برای حل مسائل مربوط به تجهیزات فعال کند.
برنامه‌های تعمیر و نگهداری پیش بینی شده برای لوازم الکترونیکی و لوازم مصرفی ارزش بلند مدتی را برای تعامل با مشتریان، توسعه محصول و بهینه سازی و درآمد سازی جدید از تعمیرات، ارجاع خرابی‌ها، فروش قطعات یدکی و دوباره پر کردن مواد مصرفی مانند فیلترها و مایعات ایجاد می‌کند. برخلاف برنامه پیش بینی کننده نگهداری شرکت‌های تجاری و صنعتی در حوزه اینترنت اشیا، مواردی که برای محصولات مصرفی کارایی کوتاه مدت ندارند، هزینه‌های تعمیر و نگهداری و حمل و نقل را کاهش می‌دهند و یا میزان خرابی‌های کلی را کاهش می‌دهند. البته این برنامه‌های تعمیر و نگهداری بدون بازده فوری به اجرا درخواهد آمد. با این حال، شرکت‌های پیشرو در این زمینه، تعمیرات پیش بینی شده را به عنوان ابزار تعامل با مشتری در طول چرخه عمر محصول می‌بینند که به طور مداوم برندهای خود را برای ارائه خدمات متقابل و فرصت‌ها، پیشرو قرار‌ می‌دهند.
تعامل با مصرف کنندگان در زمینه ویژگی‌های هدایتی هوش مصنوعی بهینه‌تر است. توصیه‌ها اغلب می‌تواند در طول زمان به روز شود که می‌تواند به خودکار سازی کامل منجر شود. البته بعد از اینکه کاربر دوره‌های خاصی از فعالیت یا تنظیمات را تایید کرده باشد. کنترل مصرف کننده و اعتماد در به اشتراک گذاری اطلاعات بسیار مهم است. هوش یک محصول یا سیستم به عنوان یک فاکتور مهم برای گسترش اطلاعات هوشمند به شمار می‌رود که راحتی، ایمنی، صرفه جویی و آرامش بیشتر را فراهم می‌سازد.

منبع: جی اس ام