تصور کنید: گلخانهای که خودش تصمیم میگیرد
تصور کنید یک گلخانه بتواند بدون دخالت مداوم انسان، دما، رطوبت، میزان مصرف گاز و وضعیت رشد گیاهان را اندازهگیری کند؛ سپس با کمک هوش مصنوعی، شرایط آبوهوایی ساعات آینده را پیشبینی کرده و سیستم گرمایشی را به شکلی تنظیم کند که ضمن حفظ دمای مطلوب، کمترین میزان انرژی مصرف شود.
دمای بیرون (خطچین: پیشبینی)دمای گلخانهتوان گرمایش
این فقط یک نمونه از کاربرد AIoT است؛ فناوریای که میتواند از یک مجموعه تجهیزات متصل به اینترنت، یک سیستم هوشمند و تصمیمگیرنده بسازد.
در این مقاله با مفهوم AIoT، معماری و ویژگیهای آن، کاربردهای صنعتی، پروژههای اجراشده و فناوریهای مورد استفاده آشنا میشویم.
AIoT چیست و از ترکیب چه فناوریهایی به وجود میآید؟
AIoT مخفف عبارت Artificial Intelligence of Things است؛ به معنای ترکیب هوش مصنوعی (AI) و اینترنت اشیا (IoT). برای درک بهتر این مفهوم، باید ابتدا نقش هر فناوری را جداگانه بشناسیم.
- اینترنت اشیا (IoT)
- شبکهای از تجهیزات فیزیکی، حسگرها، کنتورها، ماشینآلات و دستگاههای مختلف است که از طریق شبکههای ارتباطی به یکدیگر یا به یک سامانه مرکزی متصل میشوند. این تجهیزات میتوانند اطلاعات محیطی و عملیاتی را اندازهگیری کرده و ارسال کنند.
- هوش مصنوعی (AI)
- مجموعهای از الگوریتمها و مدلهای محاسباتی است که امکان تحلیل دادهها، شناسایی الگوها، پیشبینی رویدادها و تصمیمگیری هوشمند را فراهم میکند.
ترکیب این دو فناوری باعث ایجاد سیستمی میشود که میتواند:
- اطلاعات را از محیط واقعی دریافت کند.
- دادهها را در لحظه یا در بازههای زمانی مشخص تحلیل کند.
- رفتار آینده سیستم را پیشبینی کند.
- شرایط غیرعادی و خطاها را تشخیص دهد.
- برای بهینهسازی عملکرد تجهیزات تصمیم بگیرد.
- در صورت نیاز، دستورات لازم را به تجهیزات اجرایی ارسال کند.
تفاوت اصلی IoT و AIoT در همین مرحله آخر و توانایی تحلیل و تصمیمگیری است. در یک سیستم IoT معمولی، حسگر دما اطلاعات را اندازهگیری میکند و برای اپراتور ارسال میکند. اما در یک سیستم AIoT، الگوریتم هوش مصنوعی میتواند با بررسی دمای فعلی، دمای محیط، سابقه عملکرد تجهیزات و شرایط پیشبینیشده، زمان مناسب روشن یا خاموش شدن سیستم گرمایشی را تعیین کند.
تفاوت در مرحلهی آخر است: توانایی تحلیل و تصمیمگیری.
به عبارت ساده: IoT به سیستم امکان مشاهده میدهد؛ AI به آن امکان درک، پیشبینی و تصمیمگیری میدهد.
در یک جلسهی مشاوره، تجهیزات، حسگرها و دادههایی که امروز دارید را مرور میکنیم و میگوییم از کجا میشود یک سیستم پایش و پیشبینی ساخت که به اقدام قابلاندازهگیری برسد.
معماری و اجزای اصلی یک سیستم AIoT
یک سیستم AIoT معمولاً از چند لایه اصلی تشکیل میشود که در کنار یکدیگر، چرخه دریافت اطلاعات تا تصمیمگیری و اجرای فرمان را ایجاد میکنند.
- تجهیزات و حسگرهاSensingدما، رطوبت، فشارکنتور برق، گاز و آبارتعاش و صوتدوربین صنعتیGPS
- ارتباطاتConnectivityWi-FiLoRaWANNB-IoT4G / 5GMQTT
- پردازش لبهایEdge ComputingGatewayپردازندهی محلیهشدار بیمعطلی برای ابر
- هوش مصنوعی و تحلیل دادهAI & AnalyticsMachine LearningTime SeriesComputer VisionAnomaly Detection
- تصمیمگیری و اجراDecision & Actuationهشدارپیشنهادفرمان اجراییمحدودیت ایمنی و دخالت اپراتور
داده از حسگر تا مدلفرمان از تصمیم تا تجهیزات
۱. لایه تجهیزات و حسگرها (Sensing Layer)
این لایه شامل تجهیزاتی است که اطلاعات دنیای واقعی را جمعآوری میکنند؛ مانند:
- حسگرهای دما، رطوبت، فشار و جریان.
- کنتورهای هوشمند برق، گاز و آب.
- حسگرهای ارتعاش و صوت ماشینآلات.
- دوربینهای صنعتی و تجهیزات پردازش تصویر.
- GPS و تجهیزات موقعیتیابی.
۲. لایه ارتباطات (Connectivity Layer)
اطلاعات حسگرها باید به کمک پروتکلهای ارتباطی به سیستم پردازش منتقل شوند. مهمترین فناوریها عبارتاند از:
- Wi-Fi و Ethernet
- Bluetooth و BLE
- LoRaWAN برای ارتباطات کممصرف و دوربرد
- NB-IoT و LTE-M
- شبکههای 4G و 5G
- پروتکلهای MQTT، HTTP و CoAP
انتخاب پروتکل به عواملی مانند فاصله، حجم اطلاعات، مصرف انرژی، هزینه و سرعت مورد نیاز بستگی دارد.
۳. لایه پردازش لبهای (Edge Computing)
در این مرحله، بخشی از پردازش اطلاعات نزدیک به محل تولید داده انجام میشود؛ یعنی بهجای ارسال تمام اطلاعات به سرور مرکزی، یک Gateway یا پردازنده محلی میتواند اطلاعات را تحلیل کند. برای مثال، در یک کارخانه اگر لرزش یک موتور از محدوده طبیعی خارج شود، سیستم Edge میتواند بدون انتظار برای پاسخ سرور ابری، هشدار صادر کند. این موضوع در کاربردهایی که سرعت واکنش اهمیت دارد، بسیار مهم است.
۴. لایه هوش مصنوعی و تحلیل داده (AI & Analytics)
این لایه مغز سیستم AIoT محسوب میشود. دادههای جمعآوریشده با استفاده از الگوریتمهای مختلف تحلیل میشوند. برخی از مهمترین روشها:
- Machine Learning: یادگیری الگوها از دادههای گذشته.
- Deep Learning: تحلیل الگوهای پیچیده و دادههای حجیم.
- Time Series Forecasting: پیشبینی روندهای زمانی مانند مصرف انرژی.
- Computer Vision: تحلیل تصاویر و ویدئوها.
- Anomaly Detection: شناسایی رفتارهای غیرعادی.
- Reinforcement Learning: یادگیری بهترین تصمیمها از طریق تعامل با محیط.
- Generative AI: تعامل زبانی با دادهها و سامانههای صنعتی.
۵. لایه تصمیمگیری و اجرا (Decision & Actuation)
در این مرحله، خروجی هوش مصنوعی میتواند به شکل هشدار، پیشنهاد یا فرمان اجرایی به تجهیزات ارسال شود. برای مثال، اگر مدل پیشبینی تشخیص دهد که دمای یک محیط در دو ساعت آینده از حد مطلوب پایینتر خواهد آمد، میتواند فرمان روشن شدن سیستم گرمایشی را صادر کند.
البته در سیستمهای حساس، فرمانهای خودکار باید تحت محدودیتهای ایمنی، منطق کنترلی و امکان دخالت اپراتور قرار داشته باشند.
مهمترین ویژگیها و مزایای ترکیب هوش مصنوعی و IoT
ترکیب این دو فناوری فقط به معنای اضافه کردن یک الگوریتم هوش مصنوعی به یک دستگاه متصل به اینترنت نیست؛ بلکه تغییر در نحوه مدیریت و بهرهبرداری از سیستمهاست.
| ویژگی | توضیح و کاربرد |
|---|---|
| پایش لحظهای | مشاهده وضعیت تجهیزات و محیط در زمان واقعی |
| پیشبینی | پیشبینی خرابی، مصرف انرژی و شرایط آینده |
| تصمیمگیری هوشمند | انتخاب بهترین اقدام بر اساس شرایط موجود |
| خودکارسازی | اجرای فرمان بدون نیاز به دخالت دائمی انسان |
| بهینهسازی | کاهش مصرف انرژی، هزینه و منابع |
| تشخیص ناهنجاری | شناسایی نشتی، خرابی و رفتارهای غیرعادی |
| یادگیری مستمر | بهبود عملکرد مدل با دریافت دادههای جدید |
| مقیاسپذیری | توسعه سیستم از یک تجهیز به مجموعهای از تجهیزات |
از مهمترین مزایای اقتصادی AIoT میتوان به کاهش هزینههای عملیاتی، افزایش عمر تجهیزات، کاهش توقف تولید، کاهش مصرف انرژی، افزایش کیفیت خدمات و استفاده مؤثرتر از نیروی انسانی اشاره کرد.
نکته مهم این است که ارزش اقتصادی AIoT زمانی مشخص میشود که خروجی تحلیلها به یک اقدام قابلاندازهگیری منجر شود؛ مثلاً کاهش مترمکعب گاز مصرفی، کاهش ساعت توقف دستگاه یا کاهش هزینه تعمیرات.
کاربردهای AIoT در صنایع مختلف
الف) صنعت و کارخانهها (Smart Manufacturing)
یکی از مهمترین حوزههای استفاده از AIoT، صنعت و تولید است. در کارخانهها، حسگرهای مختلف روی ماشینآلات نصب میشوند و اطلاعاتی مانند دما، فشار، ارتعاش، جریان الکتریکی و سرعت عملکرد تجهیزات را جمعآوری میکنند. هوش مصنوعی با تحلیل این اطلاعات میتواند:
- خرابی احتمالی ماشینآلات را پیشبینی کند.
- زمان مناسب تعمیر و نگهداری را تعیین کند.
- کیفیت محصولات را با پردازش تصویر بررسی کند.
- مصرف انرژی خطوط تولید را بهینه کند.
- گلوگاههای تولید را شناسایی کند.
یکی از مهمترین کاربردهای این حوزه، Predictive Maintenance یا تعمیر و نگهداری پیشبینانه است. در روش سنتی، تعمیرات معمولاً پس از خرابی یا بر اساس زمانبندی ثابت انجام میشوند؛ اما در سیستم هوشمند، وضعیت واقعی تجهیزات بهصورت مداوم بررسی میشود تا قبل از وقوع خرابی، اقدام مناسب انجام گیرد.
ب) کشاورزی و گلخانههای هوشمند (Smart Agriculture)
در کشاورزی هوشمند، AIoT امکان مدیریت دقیق شرایط محیطی و مصرف منابع را فراهم میکند. با استفاده از حسگرهای دما، رطوبت، رطوبت خاک، نور، CO2 و سایر پارامترها میتوان شرایط گلخانه را بهصورت مداوم پایش کرد. هوش مصنوعی میتواند با تحلیل دادههای گذشته و شرایط آبوهوایی، موارد زیر را انجام دهد:
- پیشبینی نیاز آبی گیاهان.
- کنترل هوشمند سیستم آبیاری.
- تنظیم دما و رطوبت گلخانه.
- تشخیص بیماری گیاهان با پردازش تصویر.
- پیشبینی میزان محصول.
- بهینهسازی مصرف گاز و برق.
برای مثال، بهجای روشن کردن سیستم گرمایشی بر اساس یک دمای ثابت، مدل هوش مصنوعی میتواند شرایط حرارتی گلخانه، دمای بیرون، ظرفیت گرمایشی و پیشبینی هوا را بررسی کند و برنامه بهینهای برای گرمایش ارائه دهد.
ج) ساختمانهای هوشمند (Smart Buildings)
در ساختمانهای هوشمند، AIoT میتواند سیستمهای سرمایش، گرمایش، تهویه، روشنایی و تجهیزات الکتریکی را مدیریت کند. برای نمونه، سیستم هوشمند با بررسی تعداد افراد حاضر در ساختمان، دمای محیط، شرایط بیرونی و برنامه زمانی استفاده از فضاها، عملکرد موتورخانه و سیستم HVAC را تنظیم میکند. این فناوری بهخصوص در ساختمانهای اداری، بیمارستانها، مراکز تجاری و مدارس ظرفیت بالایی برای کاهش مصرف انرژی دارد.
د) صنعت انرژی (Smart Energy)
صنعت انرژی یکی از حوزههایی است که ظرفیت بسیار زیادی برای استفاده از AIoT دارد. کاربردهای مهم عبارتاند از:
- قرائت هوشمند کنتورهای گاز، برق و آب.
- تشخیص نشت و مصرف غیرعادی.
- پیشبینی مصرف انرژی.
- مدیریت هوشمند شبکههای توزیع.
- تشخیص دستکاری کنتورها.
- بهینهسازی عملکرد تجهیزات موتورخانه.
- مدیریت تولید و ذخیرهسازی انرژیهای تجدیدپذیر.
- پیشبینی تولید نیروگاههای خورشیدی و بادی.
در شبکههای انرژی، ترکیب اطلاعات کنتورها، حسگرهای فشار و دما، دادههای هواشناسی و الگوریتمهای هوش مصنوعی میتواند امکان مدیریت هوشمند و دقیقتر منابع را فراهم کند.
هـ) شهرهای هوشمند (Smart Cities)
در شهرهای هوشمند، AIoT برای مدیریت ترافیک، روشنایی معابر، کیفیت هوا، پسماند، مصرف انرژی و زیرساختهای شهری استفاده میشود. برای مثال، دوربینها و حسگرهای ترافیکی میتوانند اطلاعات حجم خودروها را جمعآوری کنند و هوش مصنوعی با تحلیل این اطلاعات، زمانبندی چراغهای راهنمایی را بهینه کند.
نمونه پروژهها و تحقیقات انجامشده در زمینه AIoT
AIoT صرفاً یک مفهوم تئوری یا فناوری آینده نیست. در سالهای اخیر، پروژههای صنعتی و پژوهشی متعددی در این حوزه اجرا شدهاند. در ادامه چند نمونه مهم را بررسی میکنیم.
۱. بهینهسازی مصرف انرژی در مراکز داده گوگل
یکی از نمونههای شناختهشده استفاده از هوش مصنوعی در مدیریت انرژی، پروژه DeepMind در مراکز داده Google است. در این پروژه، اطلاعاتی مانند دما، فشار، مصرف انرژی و وضعیت تجهیزات سرمایشی از هزاران حسگر جمعآوری شدند. الگوریتمهای یادگیری ماشین با بررسی دادههای عملیاتی، شرایط آینده را پیشبینی و اقدامهای بهینه برای تجهیزات سرمایشی را پیشنهاد میکردند. نتایج اعلامشده توسط DeepMind شامل کاهش حدود ۴۰ درصدی انرژی مصرفی برای سرمایش بود.
اهمیت این پروژه در این است که هوش مصنوعی صرفاً اطلاعات را تحلیل نمیکرد، بلکه خروجی آن برای بهینهسازی عملکرد تجهیزات واقعی مورد استفاده قرار میگرفت.
۲. سیستمهای هوشمند مدیریت انرژی ساختمان
در یک مطالعه موردی منتشرشده در سال ۲۰۲۵ در مجله Energies، کاربرد اینترنت اشیا و هوش مصنوعی در مدیریت انرژی یک ساختمان اداری بررسی شده است؛ دادههای مصرف انرژی، حضور افراد، دما و روشنایی جمعآوری و با هوش مصنوعی برای پیشبینی تقاضا و بهینهسازی مصرف انرژی تحلیل میشوند.
در این نوع سیستمها، مدلهای هوش مصنوعی برای پیشبینی مصرف و بهینهسازی سیستمهای گرمایشی و سرمایشی هم به کار میروند. یک مرور نظاممند دیگر در همین مجله (۲۰۲۵) نشان میدهد که ترکیب سیستمهای اندازهگیری هوشمند، تحلیل داده و کنترل تجهیزات میتواند نقش مهمی در مدیریت مصرف انرژی ساختمانها داشته باشد.
۳. تعمیر و نگهداری پیشبینانه در کارخانهها
در پژوهشهای مرتبط با نگهداری و تعمیرات هوشمند، از حسگرهای ارتعاش، دما، فشار و جریان الکتریکی برای بررسی وضعیت ماشینآلات استفاده میشود.
برای نمونه، در یک پروژهی پژوهشی روی دستگاه جوش لیزری پلاستیک، دادههای حسگرها با یک دستگاه لبهای جمعآوری و از طریق پروتکل MQTT به یک سرور محلی فرستاده میشوند؛ آنجا مدلهای یادگیری ماشین برای تشخیص خطا و پیشبینی وضعیت دستگاه به کار میروند.
در نمونه دیگری، نصب ۳۳ حسگر بیسیم در سه بخش یک نیروگاه برق برای پایش دما و ارتعاش تجهیزات گزارش شده است. این رویکرد به جای انتظار برای خرابی دستگاه، امکان شناسایی نشانههای اولیه مشکل را فراهم میکند.
۴. کشاورزی هوشمند مبتنی بر AIoT
در حوزه کشاورزی، تحقیقات متعددی درباره استفاده از AIoT برای کنترل شرایط محیطی، پیشبینی میزان محصول، تشخیص بیماری گیاهان و مدیریت منابع آب انجام شده است. یک مقاله مروری منتشرشده در سال ۲۰۲۴ در Journal of Network and Computer Applications، معماریها و راهکارهای AIoT در کشاورزی هوشمند را بررسی کرده است. این پژوهش کاربردهایی مانند پیشبینی عملکرد محصول، حفاظت از منابع آب و خاک، تشخیص آفات و بیماریها و مدیریت زنجیره تأمین محصولات کشاورزی را معرفی میکند.
۵. مطالعات جدید در صنعت و ساختمان
در پژوهشهای اخیر، توجه ویژهای به ترکیب AIoT با فناوریهایی مانند Digital Twin، Edge AI و یادگیری فدرال شده است. برای مثال، در مقالهای کنفرانسی (۲۰۲۵) درباره کاربرد هوش مصنوعی و IoT در راهکارهای ساختمان هوشمند ABB، موضوعاتی مانند کاهش توقف تجهیزات، بهینهسازی انرژی و چالشهای یکپارچهسازی سیستمها بررسی شدهاند.
این نمونهها نشان میدهند که جهت حرکت فناوری از پایش ساده تجهیزات به سمت سیستمهای پیشبینیکننده و تصمیمگیرنده است.
فناوریها و ابزارهای مورد نیاز برای توسعه سیستمهای AIoT
برای پیادهسازی یک محصول واقعی، باید چند حوزه دانش و فناوری در کنار یکدیگر قرار بگیرند.
| حوزه | ابزارها و فناوریهای مهم |
|---|---|
| سختافزار | ESP32, Arduino, STM32, Raspberry Pi |
| حسگرها | دما، فشار، رطوبت، جریان، ارتعاش، دبی |
| ارتباطات | MQTT, Modbus, LoRaWAN, NB-IoT |
| برنامهنویسی | Python, C/C++, JavaScript |
| هوش مصنوعی | Scikit-learn, TensorFlow, PyTorch |
| پایگاه داده | InfluxDB, PostgreSQL, TimescaleDB |
| پردازش ابری | AWS IoT، Azure IoT، سرورهای اختصاصی |
| داشبورد | Grafana, Node-RED, Power BI |
| پردازش لبهای | TensorFlow Lite, ONNX Runtime |
برای مثال، میتوان با یک ESP32 دادههای دما و رطوبت را دریافت کرد، از طریق MQTT به سرور فرستاد، اطلاعات را در پایگاه داده ذخیره کرد و با Python یک مدل یادگیری ماشین برای پیشبینی مصرف انرژی توسعه داد. این معماری حتی با تجهیزات نسبتاً ارزان نیز قابل پیادهسازی است.
چالشها و محدودیتهای توسعه AIoT
با وجود ظرفیت بالای AIoT، پیادهسازی موفق آن با چالشهایی همراه است که باید از ابتدای طراحی مورد توجه قرار بگیرند.
- کیفیت دادهها: اگر حسگرها اطلاعات اشتباه، ناقص یا نامنظم تولید کنند، خروجی مدل هوش مصنوعی نیز قابل اعتماد نخواهد بود.
- امنیت سایبری: اتصال تجهیزات صنعتی و زیرساختهای حیاتی به شبکه، خطر حملات سایبری و دسترسی غیرمجاز را افزایش میدهد.
- هزینه پیادهسازی: نصب حسگرها، تجهیزات ارتباطی، سرورها و توسعه نرمافزار ممکن است سرمایهگذاری اولیه قابلتوجهی نیاز داشته باشد.
- یکپارچهسازی تجهیزات: بسیاری از تجهیزات صنعتی قدیمی از پروتکلها و استانداردهای متفاوت استفاده میکنند و اتصال آنها به یک سامانه یکپارچه دشوار است.
- محدودیت پردازشی: همه تجهیزات IoT توانایی اجرای مدلهای پیچیده هوش مصنوعی را ندارند. به همین دلیل باید بین پردازش محلی (Edge) و پردازش ابری (Cloud) تعادل برقرار شود.
- اعتمادپذیری تصمیمها: در سیستمهای حساس مانند شبکه گاز، نیروگاهها و تجهیزات صنعتی، نمیتوان صرفاً به خروجی یک مدل هوش مصنوعی اعتماد کرد. تصمیمها باید قابل بررسی باشند و مکانیزمهای ایمنی مستقل داشته باشند.
- کمبود دادههای آموزشی: در بسیاری از صنایع، اطلاعات کافی درباره شرایط خرابی یا رفتارهای غیرعادی وجود ندارد. بنابراین توسعه مدلهای دقیق نیازمند جمعآوری داده، آزمایش و اعتبارسنجی مستمر است.
آینده AIoT؛ حرکت به سمت سیستمهای خودمختار
آینده AIoT به سمت سیستمهایی حرکت میکند که نهتنها وضعیت محیط را پایش و تحلیل میکنند، بلکه توانایی برنامهریزی، تصمیمگیری و اجرای اقدامات پیچیدهتر را نیز خواهند داشت. چند فناوری در شکلگیری این آینده نقش مهمی دارند:
- Edge AI: اجرای الگوریتمهای هوش مصنوعی مستقیماً روی تجهیزات محلی، بدون نیاز دائمی به اینترنت.
- Digital Twin: ساخت یک نسخه دیجیتال از تجهیزات یا فرآیندهای واقعی برای شبیهسازی، پیشبینی و بهینهسازی.
- Federated Learning: آموزش مدلهای هوش مصنوعی با استفاده از دادههای چندین دستگاه یا مجموعه، بدون نیاز به انتقال تمام اطلاعات خام به یک سرور مرکزی.
- Generative AI: ایجاد امکان تعامل طبیعی با سیستمهای صنعتی و استخراج اطلاعات از دادههای عملیاتی.
- Agentic AI: توسعه عاملهای هوشمندی که میتوانند با رعایت محدودیتها، وظایف چندمرحلهای را برنامهریزی و اجرا کنند.
برای مثال، در آینده یک مدیر کارخانه میتواند از یک دستیار هوشمند بپرسد: «چرا مصرف گاز کارخانه در هفته گذشته افزایش پیدا کرده است؟» سیستم با بررسی اطلاعات کنتورها، وضعیت تجهیزات، دمای محیط، ساعات کاری و سوابق تولید، علتهای احتمالی را شناسایی کرده و پیشنهادهای عملیاتی ارائه میدهد.
چرا مصرف گاز کارخانه در هفتهی گذشته افزایش پیدا کرده است؟
علتهای احتمالی
پیشنهادهای عملیاتی
در مرحله پیشرفتهتر، میتواند پس از تأیید اپراتور، تغییرات مجاز را در تنظیمات تجهیزات اعمال کند. این همان حرکت از یک سیستم مانیتورینگ ساده به یک اکوسیستم هوشمند صنعتی است.
جمعبندی
ترکیب هوش مصنوعی و اینترنت اشیا یکی از فرصتهای مهم تحول دیجیتال در صنایع مختلف است. اینترنت اشیا امکان جمعآوری و انتقال اطلاعات از محیط واقعی را فراهم میکند و هوش مصنوعی با تحلیل این اطلاعات، قابلیت پیشبینی، تشخیص ناهنجاری، تصمیمگیری و بهینهسازی را به سیستم اضافه میکند.
ارزش واقعی AIoT زمانی ایجاد میشود که دادههای جمعآوریشده به تصمیمهای مؤثر و در نهایت به بهبود عملکرد تجهیزات و فرآیندها منجر شوند.
در صنعت انرژی، ساختمان، کشاورزی، تولید و زیرساختهای شهری، این فناوری میتواند نقش مهمی در کاهش هزینهها، افزایش بهرهوری، کاهش اتلاف منابع و توسعه سیستمهای پایدار داشته باشد.
شاید مهمترین نکته این باشد که آینده اینترنت اشیا صرفاً به اتصال تعداد بیشتری از دستگاهها به اینترنت وابسته نیست؛ بلکه به توانایی این دستگاهها در تحلیل شرایط، یادگیری از گذشته و تصمیمگیری هوشمندانه بستگی دارد.
AIoT نقطه تلاقی دنیای فیزیکی و هوش دیجیتال است؛ جایی که تجهیزات دیگر فقط اطلاعات ارسال نمیکنند، بلکه به بخشی از یک سیستم هوشمند و تصمیمگیرنده تبدیل میشوند.
پرسشهای رایج دربارهی هوش مصنوعی در اینترنت اشیا (AIoT)
AIoT چیست؟
AIoT مخفف Artificial Intelligence of Things و به معنای ترکیب هوش مصنوعی (AI) و اینترنت اشیا (IoT) است. اینترنت اشیا اطلاعات را از دنیای واقعی جمعآوری میکند و هوش مصنوعی آنها را تحلیل میکند، الگوهای پنهان را تشخیص میدهد و برای بهینهسازی عملکرد سیستم تصمیم میگیرد.
تفاوت IoT و AIoT چیست؟
تفاوت اصلی در توانایی تحلیل و تصمیمگیری است. در یک سیستم IoT معمولی، حسگر دما اطلاعات را اندازهگیری و برای اپراتور ارسال میکند؛ در AIoT، الگوریتم هوش مصنوعی با بررسی دمای فعلی، دمای محیط، سابقهی تجهیزات و شرایط پیشبینیشده، زمان مناسب روشن یا خاموش شدن سیستم گرمایشی را تعیین میکند. IoT امکان مشاهده میدهد؛ AI امکان درک، پیشبینی و تصمیمگیری.
معماری یک سیستم AIoT از چه لایههایی تشکیل میشود؟
پنج لایهی اصلی: لایهی تجهیزات و حسگرها (Sensing)، لایهی ارتباطات (Connectivity) با فناوریهایی مثل LoRaWAN، NB-IoT و MQTT، لایهی پردازش لبهای (Edge Computing)، لایهی هوش مصنوعی و تحلیل داده (AI & Analytics) و لایهی تصمیمگیری و اجرا (Decision & Actuation) که خروجی را به شکل هشدار، پیشنهاد یا فرمان به تجهیزات میفرستد.
کاربردهای AIoT در صنعت کداماند؟
در کارخانهها پیشبینی خرابی ماشینآلات و تعمیر و نگهداری پیشبینانه، بررسی کیفیت محصول با پردازش تصویر و بهینهسازی مصرف انرژی؛ در کشاورزی کنترل آبیاری و دمای گلخانه؛ در ساختمانها مدیریت HVAC و موتورخانه؛ در صنعت انرژی قرائت هوشمند کنتور و تشخیص نشت؛ و در شهرها مدیریت ترافیک و روشنایی معابر.
تعمیر و نگهداری پیشبینانه (Predictive Maintenance) چیست؟
روشی که در آن وضعیت واقعی تجهیزات با حسگرهایی مثل ارتعاش، دما، فشار و جریان الکتریکی بهصورت مداوم بررسی میشود تا قبل از وقوع خرابی، اقدام مناسب انجام شود؛ به جای اینکه تعمیرات پس از خرابی یا بر اساس زمانبندی ثابت انجام شود.
برای ساخت یک سیستم AIoT چه ابزارهایی لازم است؟
سختافزاری مثل ESP32، Arduino، STM32 یا Raspberry Pi، حسگرها، پروتکلهای ارتباطی مثل MQTT و Modbus، زبانهایی مثل Python و C/C++، کتابخانههای هوش مصنوعی مثل Scikit-learn، TensorFlow و PyTorch، پایگاه دادهی زمانی مثل InfluxDB یا TimescaleDB و داشبوردی مثل Grafana. به گفتهی حامد عبدالحسینزاده، مدیر تحقیق و توسعهی وستا، این معماری حتی با تجهیزات نسبتاً ارزان هم قابل پیادهسازی است.
مهمترین چالشهای AIoT چیست؟
کیفیت دادهها، امنیت سایبری، هزینهی پیادهسازی، یکپارچهسازی تجهیزات قدیمی با پروتکلهای متفاوت، محدودیت پردازشی تجهیزات IoT، اعتمادپذیری تصمیمها در سیستمهای حساس و کمبود دادههای آموزشی دربارهی شرایط خرابی.
دربارهی نویسنده
حامد عبدالحسینزادهمدیر تحقیق و توسعه وستاکارشناسی ارشد مکانیک، طراحی کاربردی؛ متخصص پهباد و ۶ سال در تولید دستگاههای صنعتی برای اتوماسیون و بهرهوری.
منابع
- ITU-T Y.4000/Y.2060 (2012): Overview of the Internet of things
- Evans, R. & Gao, J. (2016). DeepMind AI reduces Google data centre cooling bill by 40%. DeepMind
- Rojek, I. et al. (2025). Internet of Things Applications for Energy Management in Buildings Using Artificial Intelligence—A Case Study. Energies 18(7), 1706
- Akbulut, L. et al. (2025). A Systematic Review of Building Energy Management Systems (BEMSs): Sensors, IoT, and AI Integration. Energies 18(24), 6522
- Tran Van, T. et al. (2022). IoT and machine learning enable predictive maintenance for manufacturing systems: a use-case of laser welding machine implementation. CLF 2022
- Civerchia, F. et al. (2017). Industrial Internet of Things monitoring solution for advanced predictive maintenance applications. J. Industrial Information Integration 7, 4–12
- Muhammed, D. et al. (2024). Artificial Intelligence of Things (AIoT) for smart agriculture: A review of architectures, technologies and solutions. JNCA 228, 103905
- Cardamone, M. et al. (2025). The Integration of AI and IoT in Smart Manufacturing: a Case Study on ABB's Smart Building Solutions. Procedia Computer Science 274
- Bitam, T. et al. (2025). Artificial Intelligence of Things for Next-Generation Predictive Maintenance. Sensors 25(24), 7636
در یک جلسهی مشاوره، تجهیزات، حسگرها و دادههایی که امروز دارید را مرور میکنیم و میگوییم از کجا میشود یک سیستم پایش و پیشبینی ساخت که به اقدام قابلاندازهگیری برسد.