IoT的增长助推了数据爆炸，这已不是秘密，国际数据公司(International Data Corporation)预测，到2025年，将有超过410亿个联网的IoT设备生成近80兆字节的数据。前所未有的数据涌入，再加上AI的发展以从中提取见解，将打造出一个比以前信息灵通得多的移动行业。
(资料图)
通常将AI部署为使用位置情报数据自动创建地图，从而为企业提供机会，通过使用真正的位置感知AI增强其获取的见解。这意味着AI能够理解位置信息的属性，并允许开发人员将这些位置洞察力运用到他们的应用程序和产品中。
注入了位置数据的AI用于从其收集的数据创建模式识别和位置签名，这可以支持生成高清地图和逼真的模拟器以可视化此数据。从了解消费者的移动方式，到了解在哪里钻探石油的最佳方式，这些智能可视化技术正在众多行业中创建成倍数量的用例。
人工智能价值链在过去几年中发生了巨大变化。我们正在从传统的机器学习(ML)转移到一个阶段，在这个阶段中，价值主要围绕解决方案模型架构和算法，而ML的价值在于使基准模型可以处理您的数据并能够对其进行演化，组合和扩展。
我们已经习惯了AI和ML的标准化部署以获取位置情报，现在传感器，天线或卫星用于生成标准清晰度地图(例如人们在智能手机上的地图)已变得司空见惯。我们越来越多地转向由机器构建以服务机器的高清(HD)地图，这使得可以针对特定用例部署此数据，例如构建用于自动驾驶的算法解决方案。这种新方法可以合并多个源以识别特征和模式，同时处理静态和实时事件以预测行为和条件。
一个典型的例子是AI / ML支持的地图，其中端到端过程创建了一个自我修复地图，该地图依赖于连续收集“低级”观察值和“高级”聚合地图特征，这两者都是自动学习的功能。这些工具协同工作以发展和适应每个地图特征，例如标志，车道，人行道，并针对每个地理区域进行学习。但是，它的不足之处在于它的刚性，因为它否定了围绕数据本身收集的细微差别，这就是位置数据平台正在创新以创建位置感知型AI的原因。
人工智能使预测成为可能
简而言之，这是旨在了解其接收到的位置信息的依存关系和属性并生成更高级见解的AI。跨物理对象的实时语义关系是其中的关键元素，可用于构建位置图，该位置图是世界的地理时空表示。
这些表示可用于通过使用实时数据(例如天气，交通或传感器数据)做出明智的预测。AI / ML将以上下文方式促进对位置和运动的理解，这将从根本上为我们提供改变位置信息的收集，表示和利用方式的新方法。
注入位置数据的AI可以发现新的数据模式，并为其收集的数据生成更准确的样本。这意味着它可以用来暴露关键特征并以传统AI方法无法实现的方式与其他数据组成，例如使用位置AI来预测交通数据中NO2浓度的相关性。
使运输和物流业受益
通过AI收集的数据可用于为特定问题提供信息并帮助做出决策，如在运输和物流行业中的使用所见。该行业面临的关键挑战是需要解决大规模优化问题。在大型供应链网络中利用大量数据会给数据提供者带来多对多的优化问题，这是因为提供者，消费者和方式的数量庞大。尽管在这个领域取得了进展，但通过使用位置感知的AI仍有发展空间。这项技术越来越多地嵌入到整个供应链网络中，从而增加了用于跟踪和监视的接口数量。
强化学习(RL)在运输和物流行业中具有巨大的飞跃潜力。该技术支持仿真和灵敏度分析，可用于创建预测模型和仿真。RL可以帮助我们找到控制车队的新方法，从而使车队交通更为优化。其用途的一个示例可能是在最大的智能城市中规划和管理交通流量，以最大程度地减少CO2排放，同时还保证最大的安全性和高效移动性。从这些模型中学到的见解可实现数据明智的决策和结果，从而形成有效的分销网络。
巨大的增长空间
位置感知型AI的潜力是巨大的，没有人能声称在运输和物流，汽车或智慧城市空间中充分利用了其功能。AI / ML的最大进步可能不会发生在封闭的实验室中，而只能通过强大的开放生态系统和开放创新来实现。
位置平台与学术机构或政府机构之间的协作可以在其中发挥关键作用，因为可以利用AI来推动“智能地球”的许多用例。定位平台可以部署与公共安全相关的智慧城市计划，或者为汽车和移动性行业的公司提供主要见解。这些见解可被视为移动领域中的一种新货币，可用于在构建可靠且关键的实时基于AI的位置情报服务方面取得重要进展。反过来，这些服务将在未来几年内增强跨云，边缘和设备部署的产品。
