RELATEED CONSULTING
免费使用
下列产品全部免费使用
服务时间:9:30-18:00
你可能遇到了下面的问题
关闭右侧工具栏
通过人工智能应用推动智能家居产品的价值
  • 发表时间:2020-08-23 22:05
  • 来源:数度域

根据parks associates的预测,到2022年,所有联网家庭设备的年销售额预计将超过5 . 2亿台。随着智能产品增加产品价值,智能家居中人工智能的具体使用案例将有助于推动新设备和服务器的采用。

除了引领采用的安全用例之外,更广泛的智能家居自动化领域还包括独立设备和智能家居系统,旨在统一对灯、锁、恒温器、娱乐设备和其他子系统的控制。

智能家居控制可以通过自安装diy系统(smartthings,wink)、安全服务提供的预安装系统(adt pulse,alarm.com)或定制安装智能家居经销商(control4,crestron)来实现。

智能家居控制也可以通过点解决方案的云到云集成或不依赖传统硬件控制器的系统(amazon alexa、google home、nest、各种wifi设备api集成)来实现。

ai可以应用于来自任何这些家庭自动化设备或系统的数据,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性和隐私性。

尽管智能家居产品和服务爆炸式增长,但安全面板和家庭控制中心等硬件控制器近年来仅出现了适度增长。

2017年第四季度,13%的美国宽带家庭报告拥有家庭控制器,到2022年,家庭控制器的年收入预计将达到270万美元。本地智能家居控制器硬件可以通过利用处理能力和内存来帮助处于边缘的人工智能,以减少延迟并提高数据安全性和隐私性。

无论是通过本地硬件还是基于云的智能,ai应用程序都将通过以下方式增强用户体验并为智能家居增值。

预测性和个性化自动化

随着人工智能分析应用于日常生活的重复模式,智能家居应用程序可以了解居住者的日常生活,并为自动化序列提供预测性建议,从而使生活更加安全、舒适和方便。

例如,在学习了包括开门、开灯和在住宅的几个房间中移动的行为模式之后,系统可以建议所有这些动作在“到达场景”中被同步和自动化,当居住者的smar tphone到达地理围栏所标识的住宅的某个附近时,该场景将被触发。

汉普顿的array通过其智能家居产品展示了这一潜力,这些产品通过array应用程序进行集成和控制。该应用程序通过电子钥匙和电子代码实现地理标志、自动化和访问管理。通过应用机器学习,居住者不需要创建场景,而只需要确认它的创建,也许通过声音更方便。

类似地,通过知道哪个乘客到达,可以针对照明、恒温器设置、娱乐偏好等触发个性化设置。机器学习可以随着居住者的行为随着时间的推移或其他环境因素的变化而调整这些设置,例如一年中的某个时间、一周中的某一天、家中是否有其他人或天气状况。

家庭、外出、睡眠和度假模式是为个性化自动化提供信息的上下文规则。机器学习对于智能自动化的主要价值在于极大地改善了用户体验,这需要所有者付出更少的努力。智能系统照顾居住者,为他们提供更高级别的保护。

更多自主设计的系统已经进入市场。经过一段时间学习居住者的模式后,一个自主系统将实现自动化,而不需要用户做任何事情。系统默认机器自主,而不是请求许可。一些消费者可能会觉得这很方便,而其他人可能不准备放弃对房子的控制。

预测维护

机器学习最初应用于企业设施管理和工业物联网,现在开始应用于消费者级连接的hvac系统、冰箱、洗衣机和烘干机的设备遥测数据。

通过预测潜在问题并进行干预,预测性维护优于反应性维护(问题发生后修复)和预防性维护(建议采取措施维护设备,但不了解设备的实际状况)。

产品性能诊断、运行时间、电力使用模式、总服务时间、过滤器或冷却液状态以及其他指标可以提供潜在维护问题的关键指标,这些问题可以在方便的时候主动解决,甚至可以预防。在大量已安装设备的数据集上应用机器学习会产生在小样本库中不可见的性能模式。

lg在去年的消费电子展上宣布,该公司将在所有产品中增加thinq人工智能功能。除了远程访问和监控、语音控制和设备间通信之外,其智能设备还能够自我诊断。

该公司声称,人工智能可以在任何智能家用电器出现维护问题之前发现问题,并自动通知用户。为了加快维修时间,该应用还会向呼叫中心或公司工程师发送维护警报。

公共云平台,如微软azure和亚马逊web服务,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应用其smartobjects机器学习平台,为连接的暖通空调和制冷机组(hvacrs)开发预测性维护分析。

该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,并强调潜在的问题。

制造商会收到关于问题、异常和异常行为以及操作问题(如温度和振动波动)的通知。随着时间的推移,机器学习被应用于故障和异常数据集,该服务可以构建预测性维护模型,该模型可以在问题发生之前发现问题,并使制造商能够采取主动措施来解决设备问题。

消费电子产品和电器的预测性维护应用为客户参与、产品开发和优化提供了长期价值,并从维修、推荐、零件和耗材(如过滤器和液体)补充中获得了新的收入。

与企业和工业物联网的预测性维护应用不同,消费产品的预测性维护应用不会产生短期运营效率、降低维护成本和卡车滚动,也不会减少停机造成的损失。

如果没有这种更直接的投资回报,维护应用程序将会经历更慢的实施。然而,前瞻性的公司会将预测性维护视为在整个产品生命周期中吸引客户的一种手段,这将不断为他们的品牌定位交叉销售和追加销售机会。

围绕人工智能驱动的特性与消费者的互动最好被温和地、渐进地对待。在用户确认了特定的行动过程或偏好之后,推荐可以导致可以导致fu ll自动化的轻推。

消费者对数据共享的控制和信心至关重要。产品或系统的智能最好作为所有者智能的延伸,提供更多的便利、安全、节约和安心。

通过人工智能应用推动智能家居产品的价值 相关的文章:

  • 人工智能仍处于形成阶段
  • 通过数字建立销售团队
  • 新的移动应用承诺提供完整的b2b电子商务体验
  • 微软提供新的开源人工智能框架
  • 通过技术对抗世界上的哈维·温斯坦
  • 人工智能集成有助于理清销售信号