Сеть контроля полива из 2000 датчиков покроет 3 млн гектара полей в Австралии

6 декабря 2018
датчики контроля полива Австралия

Сеть контроля полива из 2000 датчиков покроет 3 млн гектара полей в Австралии

Австралийская компания NNNCo создает сети IoT,  которые помогают фермерам выращивать продукцию и увеличивать прибыль. Датчики следят за погодой и осадками, анализируют  состав почвы и спутниковые данные. Компания планирует развернуть новую…

Австралийская компания NNNCo создает сети IoT,  которые помогают фермерам выращивать продукцию и увеличивать прибыль. Датчики следят за погодой и осадками, анализируют  состав почвы и спутниковые данные. Компания планирует развернуть новую сеть размером с 3 млн гектаров на хлопковых полях Австралии.

Сеть предоставляет фермерам информацию о влажности почвы, используя метеорологические данные и данные полученные из датчиков — почвенных зондов, датчиков дождя. Это позволяет оптимизировать режим полива и рассчитать необходимое количество воды.

«В день, когда хлопок подвергается стрессу из-за недостатка или избытка влаги, производитель теряет $100 за гектар. Мы помогаем фермерам создавать графики и применять нужное количество воды для сельскохозяйственных культур в нужное время, оптимизируя таким образом производительность и прибыль» — говорят представители компании.

Кроме того, технологии анализируют спутниковые снимки, наполненность баков с водой и количество топлива в комбайнах, что упрощает планирование посева и сбора урожая и сокращает время работы.

Первые 2000 датчиков появятся на полях в Новом Южном Уэльсе и Квинсленде. В основе сети — технологии передачи данных LoRaWAN.

В NNNCo считают, что создание сетей IoT, которые будут охватывать широкую местность, полезнее, чем изолированное использование сенсоров отдельными фермерскими хозяйствами. Распространение датчиков обеспечит получение большого количества информации и будет ценнее для отрасли в целом.


Интересные статьи:

Одноразовые IoT-датчики из бумаги и пластика начнут встраивать в упаковку и одежду

5 декабря 2018
Одноразовые IoT-датчики из бумаги и пластика

Одноразовые IoT-датчики из бумаги и пластика начнут встраивать в упаковку и одежду

Журнал IEEE Spectrum выпустил материал о том, что происходит на рынке IoT, и как создание одноразовых датчиков из бумаги и пластика преобразит интернет вещей. Дешевые датчики будут использоваться в медицине,…

Журнал IEEE Spectrum выпустил материал о том, что происходит на рынке IoT, и как создание одноразовых датчиков из бумаги и пластика преобразит интернет вещей. Дешевые датчики будут использоваться в медицине, пищевой промышленности и производстве одежды.

IHS Markit, компания, которая занимается анализом и прогнозированием в электронной промышленности, полагает, что глобальный объем IoT-устройств увеличится в четыре раза с 2017 по 2030 год, с 27 миллиардов подключенных устройств до 125 миллиардов.

Сегодня датчики для приложений IoT основаны на MEMS (микроэлектромеханических системах). Датчики MEMS используют микроскопические механические структуры, которые реагируют на движение, звук, давление, свет или даже газы.

Бумажный датчик для измерения уровня сахара в крови
Бумажный датчик для измерения уровня сахара в крови

Новые материалы для датчиков

Для одноразового использования в пищевой упаковке, медицинских тестах и одежде, где продукт может стоить менее 10 долларов нужно, чтобы датчики стоили очень мало.  Производство будет выгодным, если стоимость материала, на котором крепятся микросхемы, не будет превышать $0.0004. Дешевле всего печатать MEMS на бумаге или пластике.

Ученые в разных странах уже начали разработку датчиков из новых материалов. Например, исследователи из Нью-Йорка сделали бумажный датчик, который реагирует на порчу продуктов изменением цвета. Наноструктуры из неорганических химических веществ реагируют на газы и меняют цвет пропорционально их концентрации.

Используя трафаретную и струйную печать для нанесения восков и проводящих чернил, исследователи Whitesides смогли создать бумажные микрожидкостные датчики, химические датчики, датчики влажности и даже датчики силы для медицинской диагностики. Люди могут использовать их самостоятельно, а затем безопасно утилизировать, например, сжигая.

Бумажная батарея с бактериями
Бумажная батарея с бактериями

В Нью-Йорке создали бумажную батарею с необычным источником электронов — бактериями.  А команда проекта PlasticArmPit из Великобритании разрабатывает первый гибкий пластиковый сенсорный чип с технологиями машинного обучения, который сможет распознавать запахи.

Если ученым удастся реализовать проекты, однажды люди смогут купить рубашку с детектором запахов пота и упаковку продуктов, которая покажет, можно ли есть сосиски или всё же стоит их выбросить. И это может произойти уже в ближайшем будущем. Производство и тестирование первых чипов PlasticArmPit запланировано на 2019 год.

 

Стартап из Лондона превращает в интерфейс любую поверхность

21 ноября 2018
startup interface

Стартап из Лондона превращает в интерфейс любую поверхность

Стартап из Лондона HyperSurfaces превращает любую поверхность в пульт управления. С помощью датчиков и машинного обучения они готовы сделать из «объекта из любого материала, любой формы и размеров» пользовательский интерфейс.…

Стартап из Лондона HyperSurfaces превращает любую поверхность в пульт управления. С помощью датчиков и машинного обучения они готовы сделать из «объекта из любого материала, любой формы и размеров» пользовательский интерфейс.

Технология основана на комбинации нейронных сетей, обучавшихся с учителем или с частичным привлечением учителя, которые мгновенно распознают вибрационные паттерны тактильных команд, таких как человеческие шаги и прикосновения, и затем преобразуют их в цифровые команды. Интерфейс способен распознавать человека, дающего команды, чтобы отличить его, например, от ребенка или домашнего животного.

Вот некоторые из примеров интерфейса, которые создают разработчики HyperSurfaces:

  • деревянный кухонный стол, который можно использовать для управления освещением или комнатной температурой;
  • пол, который может определить, является ли злоумышленник в вашем доме просто кошкой или потенциальным вором;
  • поверхность двери, которая превращается в один большой интерфейс;
  • внутренняя поверхность дверцы автомобиля, которая действует как пульт управления без кнопки.

Технология объединяет данные с вибрационных сенсоров с алгоритмами нейронных сетей, работающими на выделенных микрочипах. Датчики принимают на вход только вибрации.

интерфейс из любой поверхности
Датчик на двери

«Каждый раз, когда мы взаимодействуем с объектом, мы создаем отличительный вибрационный паттерн, который специализированные датчики в сочетании с нашими запатентованными алгоритмами превращают в цифровые команды», — сказал Бруно Замборлин, который возглавляет международную команду разработчиков, разделенную между Лондоном и Лос-Анджелесом.

Вся обработка данных выполняется в реальном времени на самом чипе, а это означает, что после того, как модель будет загружена в однокристальную систему, она будет работать без доступа к внешним системам, таким как обработка данных в облаке.

Разработка системы продолжается, но вы можете увидеть, как вскоре будет выглядеть будущее интерфейса в промо-видео ниже:

«HyperSurfaces стремится революционизировать то, как мы живем, смешивая мир данных внутри любого объекта вокруг нас», — говорится в пресс-релизе компании. «Потребительская электроника, IoT, розничная торговля, транспорт, расширенная реальность, умные объекты, все эти области потенциально могут быть изменены навсегда».

Итоги EmTech 2018: как корпорации и стартапы уже используют и планируют применять AI

20 сентября 2018

Итоги EmTech 2018: как корпорации и стартапы уже используют и планируют применять AI

Ежегодная конференция EmTech 2018 от MIT проходила с 11 по 14 сентября в MIT Media Lab в Кембридже. Спикеры из Boeing, IBM, Amazon и инновационных стартапов поделились, как в их…

Ежегодная конференция EmTech 2018 от MIT проходила с 11 по 14 сентября в MIT Media Lab в Кембридже. Спикеры из Boeing, IBM, Amazon и инновационных стартапов поделились, как в их компаниях используют искусственный интеллект и машинное обучение для улучшения безопасности и оптимизации рабочего процесса на производствах.

Итак, главные технологические тенденции в области искусственного интеллекта.

Авиация

Boeing, ведущая аэрокосмическая компания, говорит об инвестициях в технологии будущего, подразумевая разработку искусственного интеллекта. «Boeing уже использует искусственный интеллект, однако сейчас его роль ограничена» — рассказал технический директор компании Грег Хислоп. Корпорация прогнозирует глобальную нехватку пилотов, поэтому основная задача ИИ сейчас — помогать пилотам, особенно тем, у кого меньше опыта, справляться со сложностями и обеспечивать безопасность.

Автомобилестроение

Роботы поднимают, перемещают, собирают автомобили на заводах, однако риск травм для человека слишком велик, поэтому машины работают отдельно от людей. Это очень замедляет производство. «Чтобы работник мог подходить к роботу, он не только должен быть в безопасности, он должен чувствовать себя в безопасности», — сказала Клара Ву, вице-президент Veo Robotics.

Используя 3D-датчики и технологии компьютерного зрения, автомобильный стартап создает роботов, которые смогут безопасно работать рядом с людьми.

Энергетика

Президент Uptake (компания разработывает и внедряет AI на производстве) Ганеш Белл поделился, как они анализируют данные в транспортной и энергетической отрасли и используют ИИ, чтобы предупреждать аварии на производствах. Так, проанализировав данные об энергии, разработчики обнаружили больше ста способов срыва ветровой турбины. «Если предупредить людей о том, почему что-то может пойти не так, время простоя оборудования уменьшится, и будет произведено больше энергии» — отмечает учёный.

Сельское хозяйство

Алгоритмы машинного обучения помогают модернизировать сельское хозяйство. «В ближайшие пять-десять лет мы увидим значительный рост в области разработки датчиков для сбора данных на фермах» — считает Сэм Этингтон, главный научный сотрудник Climate Corporation. По данным корпорации, фермеры, которые используют их ПО, собирают дополнительно 400 кг зерна с одного гектара земли.

Общественная безопасность

Фей Фанг — ассистент профессора из Университета Карнеги-Меллона, рассказала, как ИИ, который она разработала, используется каждый день для защиты 60000 пассажиров на паромах в Нью-Йорке. Алгоритм создает безопасные маршруты для катеров береговой охраны, оставляя их непредсказуемыми, и помогает предотвращать нападения на паромы. «Отзывы потрясающие. Мы защищаем паромы в зонах повышенного риска. Маршрут охранных катеров строится случайным образом, затрудняя планирование нападений».

На конференции также обсуждались вопросы организации и подсчета голосов на выборах, внедрение блокчейна в банковскую систему, летающие автомобили, профилактика и лечение заболеваний. Все выступления кратко приведены на странице конференции. Следующая конференция MIT EmTech Next пройдёт 11-12 июня 2019 в MIT Media Lab в Кембридже.


Интересные статьи:

Фермеры, использующие машинное обучение, собирают дополнительные 400кг зерна с гектара

18 сентября 2018

Фермеры, использующие машинное обучение, собирают дополнительные 400кг зерна с гектара

Алгоритмы машинного обучения помогают модернизировать сельское хозяйство: фермеры уже используют программное обеспечение, чтобы выбирать семена, рассчитывать количество удобрений, обнаруживать признаки болезни растений. На конференции EmTech MIT 2018 представители компании Climate Corporation…

Алгоритмы машинного обучения помогают модернизировать сельское хозяйство: фермеры уже используют программное обеспечение, чтобы выбирать семена, рассчитывать количество удобрений, обнаруживать признаки болезни растений. На конференции EmTech MIT 2018 представители компании Climate Corporation рассказали, как они используют машинное обучение в сельском хозяйстве. 

Информация собирается датчиками, установленными на сельскохозяйственном оборудовании и в полях, а затем анализируется в облаке. Другие инструменты — дроны, спутники и камеры помогают фермерам обнаруживать ранние признаки заболевания растений и вовремя на них реагировать. По данным Climate Corporation, фермеры которые используют их ПО собирают дополнительно 400 кг с одного гектара земли.

«В ближайшие пять-десять лет мы увидим значительный рост в области разработки датчиков для сбора данных на фермах», — считает Сэм Этингтон, главный научный сотрудник корпорации.

Climate Corporation принадлежит немецкому химико-фармацевтическому гиганту Bayer и разрабатывает программное обеспечение, которое помогает фермерам понять, какие сельскохозяйственные культуры будут давать больший урожай или какое количество удобрений нужно для почвы при определённых погодных условиях.

Машинное обучение не только помогает фермерам зарабатывать больше, но также может стать важным инструментом для удовлетворения глобальных потребностей в продовольствии, поскольку изменение климата создает неустойчивые условия для развития сельского хозяйства.

По материалам MIT Technology Review.


Интересные статьи:

Интернет вещей ускорил развитие AI в геометрической прогрессии

7 июня 2018
internet of things

Интернет вещей ускорил развитие AI в геометрической прогрессии

Мы все знакомы с термином «искусственный интеллект». Возможно, из таких популярных фильмов, как «Терминатор», «Матрица», «Особое мнение». Но вы, наверняка, также слышали и о таких понятиях, как «Машинное обучение» (ML — Machine Learning) и «Глубокое…

Мы все знакомы с термином «искусственный интеллект». Возможно, из таких популярных фильмов, как «Терминатор», «Матрица», «Особое мнение». Но вы, наверняка, также слышали и о таких понятиях, как «Машинное обучение» (ML — Machine Learning) и «Глубокое обучение» (DL — Deep Learning), которые часто путают с понятием искусственного интеллекта. В результате, разница между AI, ML и DL могла потеряться.

Начнем с краткого объяснения этих понятий и их отличий. Затем поговорим о том, как связаны AI и IoT и как технологии, сплетаясь в одно целое, заложили основу для прогресса.

В чем же разница между AI, ML и DL?

Впервые термин «искусственный интеллект» ввел в 1956 году американский информатик Джон Маккарти.

Искусственный интеллект — это машина, способная выполнять задачи, характерные для человеческого интеллекта: планирование, распознавание объектов и звуков, обучение и решение задач.

По масштабу области применения AI можно разделить на две категории: общие и узкие. Общий AI будет иметь все характеристики человеческого интеллекта, включая упомянутые выше возможности. Узкий AI виртуозно владеет некоторыми аспектами человеческого интеллекта, а в других областях — полный ноль. Например, AlphaGo.

Машинное обучение (Machine learning, ML)

Machine Learning — это способ получения AI. Фразу придумал Артур Самуэль, пионер в области искусственного интеллекта, в 1959 году. Он определил ML как «способность учиться, не будучи явно запрограммированным». Вы можете получить AI и без использования машинного обучения, но для этого потребуется написать миллионы строк кода со сложными правилами и деревьями решений.

Поэтому в отличие от «жесткого кодинга» ПО с инструкциями для выполнения конкретной задачи, т.е. прямого решения задачи, ML — это процесс «обучения» алгоритма. «Обучение» предполагает подачу огромного количества данных в алгоритм, что позволяет алгоритму самостоятельно корректироваться и улучшаться.

machine learning instruments
Инструменты машинного обучения

Машинное обучение используется, например, для совершенствования компьютерного зрения (способность машины распознавать объект на изображении или видео). Для этого нужно собрать базу изображений, затем разметить на них объекты. Например, можно отобрать изображения, на которых есть кошка. Сравнивая фото с/без кошки алгоритм построит модель, которая точно пометит картинку, как содержащую кошку. Как только уровень точности станет достаточно высоким, можно делать вывод, что машина «узнала», как выглядит кошка.

Глубокое обучение (Deep Learning, DL)

Deep Learning — один из многих подходов к Machine Learning.Другие подходы включают в себя обучение на основе дерева решений, индуктивное логическое программирование, кластеризацию, обучение с подкреплением, байесовские сети и другие.

Deep Learning основан на структуре и функциональности мозга, а именно на нейронных сетях. Нейросети (Artificial Neural Networks, или искусственные нейронные сети) — это алгоритмы, которые имитируют биологическую структуру мозга.

neural network
Слева — нейронная сеть, справа — глубокая нейронная сеть

Нейросети состоят из «нейронов», которые имеют дискретные слои и соединения с другими «нейронами». Каждый слой выделяет определенную функцию для изучения, как кривые/ребра при распознавании изображений. Именно это расслоение дает Deep Learning его название. Глубина создается использованием нескольких, а не одного слоя.

AI и Internet of Things неразрывно связаны между собой

Интернет вещей (Internet of Things, IoT)  —  это устройства, которые находятся в сети и взаимодействуют между собой с участием или без участия человека. Устройства генерируют большие данные, которые могут быть использованы другими устройствами.

Связи между AI и IoT очень похожи на связи между мозгом и телом человека.Через органы чувств наше тело собирает сенсорную информацию: мы видим, слышим, чувствуем прикосновения. Далее эта информация поступает в мозг для обработки, и мозг дает сигнал на дальнейшее действие. Например, если коснемся горячего предмета, то мы моментально отдергиваем руку.

Все подключенные устройства, которые составляют Internet of Things, похожи на наше тело, они посылают сигналы о том, что происходит в мире. Искусственный интеллект, понимая эти данные, определяя, какие действия выполнять, подобен нашему мозгу. И подключенные устройства IoT снова похожи на наше тело — выполняют физические действия или общаются с другими.

Синергетический эффект

В последние годы машинное обучение и глубокое обучение привели большому скачку в развитии AI. Как упоминалось выше, ML и DL требуют огромного количества данных для работы, они собираются миллиардами датчиков и поступают в Internet of Things. Таким образом, IoT создает датасеты для улучшения AI.

Улучшение AI будет также способствовать внедрению Internet of Things, создавая “добродетельный” цикл, в котором обе области будут интенсивно развиваться. AI дает возможность IoT быть полезным.

С промышленной точки зрения AI применяется для прогнозирования и анализа производственных процессов, чтобы добиться большей эффективности.

Теперь потребителям нет необходимости приспосабливаться к технологиям, технологии сами адаптируются под нас. Вместо того чтобы нажимать, вводить текст и искать, мы просто спрашиваем у машины, что нам нужно. Например, информацию о погоде или маршруте.

Совершенствование технологий направлено на производство более дешевых и мощных устройств, что позволило сделать рывок в развитии AI в последние годы. Например, новейшие батареи могут служить годами без необходимости подключения к источнику питания. Беспроводная связь, обусловленная появлением смартфонов, позволила отправлять большие объемы данных по низким ценам, позволяя датчикам отправлять информацию в облако. В свою очередь, облако позволяет хранить терабайты данных и обрабатывать их с “бесконечной” вычислительной способностью.

Конечно, проблемы взаимодействия AI с обществом до конца не изучены. Но по тому, c какой скоростью растут прогресс и внедрение AI и IoT, это влияние будет увеличиваться в геометрической прогрессии.

Кадр из фильма “Космическая одиссея 2001”
Кадр из фильма “Космическая одиссея 2001”

Перевод — Айсылу Фарвазова

Оригинал