Introduktion till djupteknologier
PREVENT Projektet
Start
Definition och omfattning av djupteknologier
"Djupteknologi" (Deep technology) omfattar avancerad teknologi som tacklar komplexa globala problem såsom klimatförändringar och hälso- och sjukvård med innovativa lösningar. Till skillnad från traditionell teknologi fokuserar deep tech på att proaktivt och effektivt lösa lokala problem. Viktiga områden inom deep tech är bland annat artificiell intelligens, rymdteknik och beräkningsbiologi. Dessa teknologier utmärks av sin disruptiva potential och sitt beroende av banbrytande vetenskapliga genombrott.
Index
Mål
Definition av djupteknologier
Fjärranalys
Robotik
Artificiell intelligens
Datorseende
IoT och kommunikation
Mål
Genom denna modul kommer studenterna att lära sig om avancerade teknologier roll i förebyggande och mildrande av katastrofer. Genom att utforska verkliga fallstudier, vetenskaplig forskning och interaktiva simuleringar kommer studenterna att utveckla förmågan att klassificera olika typer av naturkatastrofer, analysera deras sociala, ekonomiska och miljömässiga konsekvenser samt utvärdera klimatförändringarnas inverkan på katastrofers frekvens och svårighetsgrad. Dessutom kommer deltagarna att förvärva kritiskt tänkande för att kunna bedöma strategier för katastrofriskhantering, förstå hur djupgående tekniker som AI, IoT och satellitbilder bidrar till system för tidig varning och utforska innovativa ramverk för katastrofresiliens.
Vid slutet av modulen kommer studenterna att kunna tillämpa sina kunskaper inom riskbedömning, planering av katastrofinsatser och strategier för klimatanpassning, vilket ger dem viktiga färdigheter för karriärer inom miljövetenskap, krishantering och hållbar utveckling.
'Riktigt lärande börjar när kunskap inspirerar till handling och förståelse driver förändring. Förbered dig för att förvandla utmaningar till möjligheter..'
'Genom att utnyttja kraften i ny teknologi kan vi förutsäga, förbereda oss för och mildra effekterna av naturkatastrofer – och på så sätt göra teknologin till en livlina för vår framtid.'
01
Definition av djupteknologier
01
Definition av djupteknologier
Djupteknologier avser banbrytande innovationer som baseras på betydande vetenskapliga och tekniska framsteg. Dessa teknologier kräver ofta omfattande forskning och utveckling (FoU) och har potential att skapa omvälvande, transformativa förändringar inom olika branscher. Till skillnad från stegvisa tekniska förbättringar är djupteknologiska innovationer rotade i grundläggande vetenskapliga genombrott och komplex ingenjörskonst. Viktiga egenskaper hos naturkatastrofer:
- Vetenskapsdriven innovation – Djupteknologi bygger på grundläggande vetenskapliga och tekniska principer, ofta med ursprung i områden som artificiell intelligens (AI), robotik, nanoteknik, bioteknik, kvantdatorer och avancerade material.
- Hög FoU-intensitet – Dessa teknologier kräver omfattande forskning, testning och investeringar innan de når kommersiell lönsamhet.
- Tvärvetenskaplig karaktär – Många djupteknologiska innovationer integrerar flera vetenskapliga områden, såsom AI i kombination med klimatmodellering eller bioteknik med avancerad databehandling.
Deep Tech i samband med naturkatastrofer
I kombination med beredskap, insatser och förebyggande åtgärder vid naturkatastrofer kan djupteknologier erbjuda banbrytande lösningar. Exempel på detta är:
- AI och maskininlärning – Förutsäga katastrofer (jordbävningar, översvämningar, orkaner) med avancerad modellering.
- Fjärranalys och drönare – Snabb bedömning av katastrofområden och övervakning av miljöförändringar.
- Blockkedja – Säker och transparent distribution av hjälp under kriser.
- Kvantdatorer – Förbättrade klimatsimuleringar för bättre katastrofförutsägelser.
- Avancerade material – Jordbävningssäkra byggmaterial.
- IoT och smarta sensorer – Realtidsövervakning av miljörisker och system för tidig varning.
02
Artificiell intelligens
02
Introduktion till AI
Artificiell intelligens (AI) är en gren av datavetenskap som fokuserar på att skapa system som kan utföra uppgifter som traditionellt kräver mänsklig intelligens. Dessa uppgifter inkluderar inlärning, resonemang, problemlösning, perception, språkförståelse och beslutsfattande. AI-system kan analysera stora mängder data, känna igen mönster och förbättra sin prestanda över tid genom algoritmer för maskininlärning.
AI klassificeras i olika kategorier baserat på kapacitet och funktioner.
De grundläggande typerna är:
- Smal AI (svag AI) (narrow, week): AI-system som är utformade för att utföra en specifik uppgift, såsom ansiktsigenkänning, språköversättning eller medicinsk diagnos. Dessa är de mest använda AI-tillämpningarna idag.
- Generell AI (stark AI) (general, strong): Ett teoretiskt AI-system som kan förstå, lära sig och utföra alla intellektuella uppgifter som en människa kan utföra. Denna nivå av AI är fortfarande under forskning och utveckling.
- Super-AI: Ett hypotetiskt framtida stadium där AI överträffar mänsklig intelligens i alla aspekter, inklusive kreativitet, problemlösning och beslutsfattande.
AI-teknologier bygger på olika delområden, bland annat:
- Maskininlärning (ML): Algoritmer som gör det möjligt för datorer att lära sig av data utan att vara explicit programmerade.
- Djupinlärning (DL): En delmängd av ML som efterliknar mänskliga neurala nätverk för att bearbeta komplexa mönster i data.
- Naturlig språkbehandling (NLP): AI:s förmåga att förstå och generera mänskligt språk, som man ser i virtuella assistenter och chattbottar.
- Datorseende: Förmågan att analysera och tolka visuella data från bilder och videor.
AI applications
Generiska tillämpningar
Affärsintelligens (BI)
Observation systems
Hälso- och sjukvård
Utbildning
Tillverkning
Finans
Andra tillämpningar
03
Fjärranalys
03
Introduktion till fjärranalys
Fjärranalys beskriver insamling av data om ett objekt, område eller fenomen på avstånd med en enhet som inte är i kontakt med objektet. Fjärranalys definieras i allmänhet brett som insamling av data och information om jordens yta och objekt utan fysisk kontakt. Den exakta definitionen är svår att fastställa och definitioner som den ovan anses ofta vara för allmänna. Det finns många sätt att definiera fjärranalys i litteraturen. Två gemensamma element kännetecknar detta vetenskapliga område a) begreppet ”informationsinsamling” och b) ”observation på avstånd”.
Fördelar och nackdelar med fjärranalys
Fjärranalys har genomgått många stadier för att nå sin nuvarande nivå. Det är ett ganska evolutionärt vetenskapligt område som bygger på olika andra vetenskapliga discipliner såsom matematik, fysik, datavetenskap etc. Sedan fotografins upptäckt på 1800-talet har betydande framsteg gjorts inom miljöfjärranalys. Även om det är ganska svårt att exakt definiera startpunkten för fjärranalys och dess utvecklingsfaser, kan man urskilja fem huvudstadier under dess utveckling. Fjärranalys (RS) är ett eget område, men fungerar ofta som ett komplement till GIS-analyser genom att tillföra unik information och analysmetoder. Det finns två typer av fjärranalys, aktiv och passiv, och de används i allmänhet för olika tillämpningar. Aktiv fjärranalys innebär att man sänder ut en signal och väntar på att den återvänder till sensorn. RADAR och LIDAR är exempel på aktiv fjärranalys, eftersom de sänder ut energi, respektive mikrovågs- och laserpulser, och registrerar signalerna när de reflekteras tillbaka.
Nackdelar med fjärranalys
Fördelar med fjärranalys
03
Fjärranalys för övervakning och mildring av naturkatastrofer
Jordfuktighet är en viktig variabel för att förstå vattenresurser och naturkatastrofer som översvämningar och jordskred. En noggrann uppskattning av rumsliga och tidsmässiga variationer i fuktighet är viktig för miljöstudier och för att förbättra översvämningsprognoser, särskilt i medelstora och stora avrinningsområden där översvämningar ofta orsakar katastrofer. Ytjordens fuktighet är avgörande för att bedöma regnvatteninfiltration eller avrinning, så denna information är viktig för översvämningsprognosmodeller. Dessutom är markfuktigheten i bergsområden en viktig faktor för jordskred. Sedan 1970-talet har forskningen inom detta område använt tekniker som täcker hela det elektromagnetiska spektrumet, från optiskt till mikrovågsstrålning. Dessa tekniker varierar i fråga om våglängdsområde, källa till elektromagnetisk energi, sensorns respons och det fysiska sambandet mellan respons och markfuktighet. Användningen av solstrålning mäter det reflekterade solljuset från jordytan. Mikrovågor och termisk infraröd strålning har dock använts oftare för att beräkna markfuktigheten. Användningen av den termiska sektionen baseras på mätning av markens yttemperatur och metoder som termisk tröghet och temperatur-/vegetationsindex. Termisk tröghet är enkel och exakt i områden med minimal eller ingen vegetation. Sammanfattningsvis ger fjärranalys genom aktiva och passiva sensorer värdefulla data för att uppskatta markfuktigheten, förbättra prognoser för naturkatastrofer och hantering av vattenresurser.
04
Robotik
04
Introduktion till Robotik
Robotik, ett tvärvetenskapligt område som ligger i skärningspunkten mellan teknik, datavetenskap och artificiell intelligens, spelar en allt viktigare roll när det gäller att hantera de komplexa utmaningarna i samband med naturkatastrofer. Robotar är konstruerade för att utföra uppgifter som är farliga, repetitiva eller på annat sätt olämpliga för människor, vilket gör dem ovärderliga i katastrofsituationer. Utvecklingen inom robotik, som drivs av framsteg inom sensorer, maskininlärning och autonoma system, har utökat deras kapacitet och tillämpningsområden, vilket möjliggör mer effektiva och ändamålsenliga insatser vid naturkatastrofer. Inom katastrofhantering kan robotik utföra en rad viktiga funktioner, från sök- och räddningsinsatser till miljöövervakning och infrastrukturinspektion. Autonoma drönare kan till exempel snabbt kartlägga drabbade områden och tillhandahålla realtidsdata och högupplösta bilder som underlättar beslutsfattande och samordning. Markrobotar kan navigera i farlig terräng för att lokalisera överlevande, leverera förnödenheter och utföra strukturella bedömningar. Dessutom är undervattensrobotar nödvändiga för insatser i översvämmade eller nedsänkta miljöer.
Olika kategorier av robotik inom katastrofhantering Sök- och räddningsrobotar – Hjälper till att lokalisera och rädda överlevande i raserade byggnader eller farliga områden. Robotar för brandbekämpning – Släcker skogsbränder och förhindrar att elden sprider sig med hjälp av AI och automatiserad spridning av vatten eller skum. Flygande drönare – Tillhandahåller övervakning i realtid, bedömer skador och identifierar faror från luften. Undervattens- och amfibierobotar – Hjälper till vid räddningsinsatser vid översvämningar och bedömer skador under vatten. Inspektions- och räddningsrobotar – Utvärderar strukturell integritet och hjälper till att röja bort skräp efter en katastrof.
Robotteknik underlättar katastrofinsatser genom att förbättra räddningsinsatser, brandbekämpning och bedömning av skador med hjälp av AI och sensorer.
04
Robotteknikens historia
Robottekniken har avsevärt förbättrat katastrofhanteringen, från tidig industriell automatisering till AI-drivna autonoma system. Robotar hjälper till med sök- och räddningsinsatser, riskbedömning och krishantering. Viktiga insatser inkluderar Tjernobyl (1986), 9/11 (2001) och Fukushima (2011), där robotar navigerade i farliga miljöer för att stödja räddningsstyrkorna. Idag förbättrar AI-drivna drönare, autonoma fordon och robotsystem insamlingen av realtidsdata, strukturanalys och leverans av hjälp. I takt med att tekniken utvecklas fortsätter robottekniken att förbättra katastrofhanteringen, vilket gör insatserna snabbare, säkrare och effektivare.
05
Iot och kommunikation
05
Introduktion till Iot och kommunikation
Sakernas internet (Internet of Things, IoT) har blivit ett mycket populärt ämne för forskning och innovation, främst på grund av den allestädes närvarande omvandlingen av datorer. Fysiska enheter har blivit ”smarta” och kan nu känna av, kommunicera på ett genomgripande sätt och interagera med sin omgivning, vilket ger användbara applikationer och lösningar för mänskligheten. Idag används de inom ett brett spektrum av områden, såsom hälsa, transport, jordbruk, hem- och industriautomation, detaljhandel och många fler. En exponentiell tillväxt av nätverksanslutningar förväntas, vilket bör underlättas av kraftfulla nätverk.
Grundläggande egenskaper hos IoT och kommunikation
Interkonnektivitet: Alla IoT-enheter kan kopplas samman med den globala informations- och informations- och kommunikationsinfrastrukturen. Tingrelaterade tjänster: IoT tillhandahåller tjänster som rör de anslutna ”tingen” inom ramen för sina begränsningar, såsom integritetsskydd och semantisk konsistens mellan fysiska ting och deras associerade virtuella ting. Heterogenitet: Heterogena IoT-enheter med olika hårdvaru- och nätverksegenskaper ansluts och interagerar med andra enheter eller plattformar på olika typer av nätverk. Dynamiska förändringar: När enheterna rör sig och interagerar i ett IoT-system ändrar de dynamiskt sitt tillstånd. De kan till exempel gå i viloläge och vakna, anslutas eller kopplas bort medan de ändrar plats och hastighet. Dessutom, och lika viktigt, ändras antalet anslutna enheter dynamiskt. Enorm skala: Vanligtvis är antalet enheter som behöver hanteras och antalet enheter som kommunicerar med varandra betydligt större än de som är anslutna till Internet. Detta innebär i praktiken att den underliggande kommunikationsnätverksstrukturen måste kunna hantera den stora datamängden och den hastighet och kvalitet som krävs för att denna ska kunna utbytas.
Aspekter av IoT
Viktiga definitioner
IoT-arkitektur
Observation systems
Grundläggande egenskaper
Krav för IoT
IoT-enheter och komponenter
Utmaningar inom IoT
IoT Challenges
Natural Disaster IoT Applications
Real-Time Data Collection Collecting real-time data is crucial for disaster prediction, detection, and management. Sensors measuring air quality, humidity, and temperature help authorities assess risks and take preventive measures. Interconnected Devices IoT systems integrate diverse devices with different capabilities for resource allocation and strategic response in disasters. Early Warnings & Predictions AI and machine learning analyze real-time data to predict disasters, enabling early intervention and saving lives. Data Sharing & Analysis Effective disaster management requires collaboration among first responders, authorities, and the public through data sharing. Human-less Interaction Drones and robots aid disaster response by performing remote monitoring, search, and intervention in hazardous areas. Smart Infrastructure & Resilience IoT-enabled buildings with sensor networks enhance resilience by monitoring structures, shutting down utilities, and activating fire suppression systems to reduce disaster impact.
06
Datorseende
06
Datorseende
Datorseende gör det möjligt för maskiner att tolka och analysera visuella data, vilket automatiserar uppgifter som objektdetektering, bildsegmentering och 3D-scenrekonstruktion. Framsteg inom AI, datorkraft och djupinlärning, särskilt CNN, har revolutionerat området och gjort det till en integrerad del av tillämpningar som autonoma fordon, ansiktsigenkänning och förstärkt verklighet.Inom katastrofhantering förbättrar datorseende insatsstyrkornas arbete genom att möjliggöra övervakning, sökning och räddning samt skadebedömning i realtid. Genom att tillhandahålla exakta visuella data underlättar det beslutsfattandet i nödsituationer.Avsnittet syftar till att hjälpa lärare att förstå datorseende, dess roll i katastrofhantering och hur det kan integreras i undervisningen, så att eleverna förbereds för att använda dessa teknologier i krishantering.
06
Datorseendehistorik
Datorseende uppstod på 1960- och 70-talet, med fokus på 2D-bildanalys och grundläggande formigenkänning. På 1980-talet introducerades rörelsedetektering, optiskt flöde och industriella tillämpningar. På 1990-talet förbättrade maskininlärningstekniker som SVM och PCA ansiktsigenkänning och objektdetektering. Under 2000-talet upplevde CNN en uppgång och revolutionerade bildanalys med djupinlärning, vilket framhävdes av AlexNet (2012). Under 2010-talet introducerades avancerade arkitekturer (VGG, ResNet) och verkliga tillämpningar som autonoma fordon och medicinsk bildbehandling.Under 2020-talet driver innovationer som GAN, transformers och självövervakad inlärning utvecklingen framåt. Generativ AI möjliggör bildsyntes, dataförstärkning och AI-driven simulering, vilket förbättrar träning och verkliga tillämpningar. Datorseende spelar nu en avgörande roll i katastrofhantering, hälso- och sjukvård och miljöövervakning, och löser globala utmaningar.
Tack!
Viktiga definitioner
Enhet: I IoT-sammanhang är detta en utrustning som måste kunna kommunicera och som valfritt kan avkänna, agera, samla in data, lagra data eller bearbeta data. Den enda obligatoriska funktionen är kommunikation. Sak: Ett objekt inom IoT-systemet som kan identifieras och integreras i kommunikationssystemet. Fysisk enhet: Ett objekt i den fysiska världen som kan avkännas, aktiveras och anslutas kallas en fysisk enhet (t.ex. industrirobotar, elektrisk utrustning etc.). Virtuell enhet: Ett objekt i informationsvärlden som kan lagras, bearbetas och nås kallas en virtuell enhet. Exempelvis multimediainnehåll, programvara etc. Sakernas internet: En global informationsinfrastruktur som möjliggör avancerade tjänster genom att koppla samman saker (fysiska och/eller virtuella) baserat på befintlig och/eller utvecklande interoperabel teknik. IoT inkluderar funktioner för identifiering, datainsamling, bearbetning och kommunikation för att erbjuda olika typer av tillämpningar samtidigt som säkerhet och integritet garanteras.
Grundläggande egenskaper
Interkonnektivitet: Alla IoT-enheter kan kopplas samman med den globala informations- och informations- och kommunikationsinfrastrukturen.Sakrelaterade tjänster: IoT tillhandahåller tjänster som rör de anslutna ”saken” inom ramen för sina begränsningar, såsom integritetsskydd och semantisk konsistens mellan fysiska saker och deras associerade virtuella saker. Heterogenitet: Heterogena IoT-enheter med olika hårdvaru- och nätverksegenskaper ansluts och interagerar med andra enheter eller plattformar på olika typer av nätverk. Dynamiska förändringar: När enheterna rör sig och interagerar i ett IoT-system ändrar de dynamiskt sitt tillstånd. De kan till exempel gå i viloläge och vakna, anslutas eller kopplas bort medan de ändrar plats och hastighet. Dessutom, och lika viktigt, ändras antalet anslutna enheter dynamiskt. Enorm skala: Vanligtvis är antalet enheter som behöver hanteras och antalet enheter som kommunicerar med varandra betydligt större än de som är anslutna till Internet. Detta innebär i praktiken att den underliggande kommunikationsnätverksstrukturen måste kunna hantera den stora datamängden och den hastighet och kvalitet som krävs för att denna ska kunna utbytas.
Affärsintelligens (BI)
AI-drivna BI-verktyg förbättrar datainsamling, analys och visualisering, vilket förbättrar beslutsfattandet och produktiviteten samtidigt som kostnaderna minskar. Datainsamling: Insamling av strukturerade (t.ex. databaser) och ostrukturerade data (t.ex. text, bilder). Dataanalys: Identifiera mönster, trender och samband i data. Datavisualisering: Skapa visuella representationer för enklare förståelse. Beslutsfattande: Ge insikter och rekommendationer för att stödja datadrivna beslut.
Utbildning
AI kan anpassa inlärningen, öka studenternas engagemang och automatisera administrativa uppgifter: Anpassad inlärning: Anpassa inlärningsupplevelserna utifrån studenternas framsteg. Ökat engagemang: Erbjud interaktiva inlärningsupplevelser och feedback i realtid. Administrativa uppgifter: Automatisera uppgifter som betygsättning och schemaläggning för att frigöra tid för lärarna.
Generiska tillämpningar
Naturlig språkbehandling (NLP): NLP gör det möjligt för datorer att förstå och generera mänskligt språk. Tillämpningar inkluderar maskinöversättning, spamfiltrering och sentimentanalys. Datorseende: Datorseende gör det möjligt för datorer att tolka visuellt innehåll, vilket används i tillämpningar som självkörande bilar, ansiktsidentifiering och objektdetektering. Maskininlärning (ML): ML gör det möjligt för datorer att lära sig av data och förbättra prestandan över tid. Tillämpningar inkluderar prediktiv analys, bedrägeridetektering och rekommendationssystem. Robotik: Robotik innefattar design, konstruktion och drift av robotar för tillämpningar som tillverkning, hälso- och sjukvård och rymdutforskning.
Tillverkning
AI förbättrar effektiviteten, produktiviteten och kvalitetskontrollen inom tillverkningen: Förbättrad effektivitet: Automatisering av uppgifter som montering och inspektion. Ökad produktivitet: Optimering av produktionsprocesser. Kvalitetsförbättring: Upptäckt av defekter och förbättrad kvalitetskontroll.
IoT-enheter och komponenter
När det gäller processorkapacitet klassificeras enheterna enligt följande:Enheter utan processorkapacitet: Passiva enheter, vanligtvis lågkostnadsprodukter utan mikrokontroller. Ett typiskt exempel är RFID.Enheter med låg processorkapacitet: Deras processorkapacitet är begränsad till att läsa och skriva data från eller till sensorer och ställdon och skicka dessa data till IoT-applikationer, men de kan inte fatta beslut eller köra komplexa algoritmer. De är vanligtvis billiga och har oftast en mycket strömsnål och billig mikrokontroller inbyggd. Ett typiskt exempel är en smart lampa eller en dörrsensor. Enheter med hög processorkapacitet: De har tillräcklig processorkraft för att kunna fatta beslut och köra komplexa algoritmer. De är vanligtvis dyra eftersom de använder en kraftfull mikrokontroller. (t.ex. ett smart kylsystem eller en smart termostat) När det gäller anslutningskapacitet kan enheter klassificeras som:Enheter med låg anslutningskapacitet: Denna typ av enheter ansluter inte direkt till kommunikationsnätverket för att överföra data, utan förlitar sig istället på ytterligare element (t.ex. gateway) för att utföra kommunikationsuppgifter (t.ex. protokollöversättning eller internetanslutning).Enheter med hög anslutningskapacitet: De har hårdvaran och förmågan att ansluta direkt till nätverket för att överföra data.
IoT-arkitektur
En fysisk sak kan kartläggas (eller representeras) av en eller flera virtuella saker i informationsdomänen. Information samlas in av fysiska enheter (eller saker) i den fysiska världen och skickas till kommunikationsnätverk och informationsdomänen för vidare bearbetning. Enheter kan kommunicera med varandra antingen via kommunikationsnätverket (med eller utan gateway) eller direkt utan att använda kommunikationsnätverket eller kombinationer av dessa kommunikationslänkar. Informationsutbytet sker inte bara mellan fysiska saker i den fysiska världen utan också mellan virtuella saker i informationsvärlden. Kommunikationsnätverken tillhandahåller funktioner för tillförlitlig och effektiv dataöverföring. Nätverksinfrastrukturen kan implementeras eller realiseras via befintlig nätverksteknik (t.ex. TCP-IP-nätverk) eller nätverk som utvecklas i enlighet med aktuella telekommunikationstrender.
Andra tillämpningar
Utöver dessa sektorer används AI inom olika branscher: Detaljhandel: Personalisering av shoppingupplevelser och lagerhantering. Transport: Utveckling av självkörande bilar och förbättring av trafikhantering. Energi: Förbättring av energieffektivitet och prognostisering av efterfrågan. Offentlig sektor: Förbättring av allmän säkerhet, brottsbekämpning och medborgartjänster.
Utmaningar inom IoT
Skalbarhet: Många moderna IoT-applikationer och -system omfattar ett mycket stort antal anslutna enheter. I takt med att dessa nätverk växer blir enhetshantering och samordning allt mer utmanande, eftersom den snabba tillväxten av anslutna noder eller det ökade antalet dataflöden i många fall kan kräva omfattande infrastrukturförändringar.Lösning: En lösning kan vara att använda skalbara arkitekturer som edge computing och distribuerad bearbetning, samt att använda lastbalansering för effektiv hantering av ett stort antal enheter. Överbelastning av nätverket: Detta är också relaterat till det ovan nämnda skalbarhetsproblemet, eftersom det ökade antalet anslutna enheter kan orsaka trafik/överbelastning i nätverket, vilket försämrar tjänstekvaliteten på grund av ökad paketförlust, förknippade fördröjningar och andra problem.Lösning: Möjliga lösningar inkluderar optimering av kommunikationsprotokoll, användning av datakomprimering och prioritering av kritiska data.Säkerhet: IoT-enheter drivs vanligtvis med elektronik med låg effekt och låg processorkapacitet, vilket inte möjliggör en effektiv implementering av säkerhetsmekanismer. Med tanke på den betydande ökningen av sårbarheter i firmware är IoT-enheter oftast den perfekta bakdörren för att ta sig in i ett säkert nätverk. Lösning: Implementera kryptering, autentisering, åtkomstkontroller och regelbundna uppdateringar. Använd intrångsdetektering och avvikelsedetektering för att tidigt identifiera säkerhetshot.Enhetshantering. Hantering av ett stort antal IoT-enheter blir en stor uppgift, särskilt om de är heterogena och har många komplicerade funktioner, autentiseringsmekanismer, uppdateringskrav etc.Lösning: Använd plattformar för enhetshantering för automatiserade uppgifter som uppdateringar och övervakning. Implementera standardiserade protokoll som MQTT och CoAP.Interoperabilitet: I stora IoT-system kan de olika komponenterna (sensorer, ställdon, mikrokontroller etc.) vanligtvis komma från olika leverantörer och med tanke på det inte så standardiserade IoT-ramverket kan de skapa interoperabilitetsproblem. Justeringar kan behövas när ny hårdvara och mjukvara läggs till för att upprätthålla funktionaliteten och anpassa sig till innovativ teknik. Lösning: En möjlig lösning är att anta branschstandarder för kommunikation och dataformat. Använd middleware-lösningar för att hantera olika protokoll.Energiförbrukning: Det finns många IoT-applikationer som är installerade på avlägset belägna platser eller i utrymmen där det kan vara mycket svårt att försörja dem med ström (t.ex. på botten av en sjö för att övervaka föroreningar). Detta innebär att vi antingen behöver batterier som håller länge eller måste begränsa energiförbrukningen, men helst båda delarna.Lösning: Optimera kommunikationsprotokoll, använd energisnål teknik som LPWAN och utforma energieffektiv hårdvara eller flytta vissa funktioner till en central processorenhet.Dataskydd: En stor oro inom IoT-system är vad som händer med den insamlade datan, särskilt om den är känslig (t.ex. hälsodata i ett IoT-e-hälsosystem).Lösning: Använd kryptering, anonymisering av data och tydliga integritetspolicyer i praktiken. Respektera lagar som GDPR och HIPAA.
Hälso- och sjukvård
AI hjälper till vid diagnos av sjukdomar, utveckling av behandlingar och personlig vård: Diagnos av sjukdomar: Analys av patientdata för tidig och korrekt upptäckt av sjukdomar. Utveckling av behandlingar: Användning av data för att utveckla nya läkemedel och terapier. Personlig vård: Skräddarsydda behandlingsplaner baserade på individuella patientdata.
Fördelar med fjärranalys
Som framgår av den historiska översikten har fjärranalys förbättrats avsevärt när det gäller registrering av data relaterade till rum, tid och strålning. Detta innebär att jordytan ofta registreras med högre rumslig upplösning och i fler delar av det elektromagnetiska spektrumet. Fjärranalys anses vara ett modernt, specialiserat verktyg som har tillämpningar inom många vetenskapliga ämnen, inklusive miljövetenskap, skogsbruk, geologi, arkeologi, oceanografi etc. Bland de fördelar som motiverar användningen av fjärranalys för att samla in och bearbeta data från vår planet anses följande vara mycket betydelsefulla. Sammanfattande täckning: En satellitbild täcker ett stort område, vilket kräver hundratals flygfotografier och ännu fler tusentals timmar av provinsamling.Upprepad täckning: Registreringsfrekvensen är mycket viktig, särskilt vid analyser av olika serier. Frekvensen, som liknar satellitsystemet, varierar från några timmar till flera dagar.Tillgänglighet: I avlägsna eller otillgängliga områden, såsom ökenområden, hav, tropiska skogar etc., ger fjärranalys möjlighet att samla in och analysera data.Datahomogenitet: Information och data som registreras av satellitsystem ger enhetliga data om den rumsliga och visuella prestandan hos de registrerade objekten och data.Multispektrala dataegenskaper: Data som registreras i olika delar av det elektromagnetiska spektrumet ger fler möjligheter att visa önskad information.Digital dataform: Det erbjuder möjligheten till digital analys med hjälp av specialiserad programvara med alla fördelar som detta medför.Inspelningstid: Den erforderliga inspelningstiden är mycket kort, vilket innebär en minimal förändring i rumsliga och visuella förändringar som kan uppstå till följd av miljöförändringar.Datakostnad: Den relativt låga kostnaden för att registrera data i kombination med de möjligheter de erbjuder är också en betydande fördel.
Nackdelar med fjärranalys
Även om betydande framsteg har gjorts sedan fjärranalysens tillkomst, kvarstår vissa problem i samband med dess tillämpning på miljöfrågor. Ett av de allvarligaste problemen gäller de registrerade uppgifterna, som innehåller fel på grund av atmosfäriska förhållanden, områdets topografi och satellitsystemets funktion. Dessa fel beror på skillnader mellan den faktiska och den av satelliten registrerade reflekterade strålningen. För att dessa uppgifter ska kunna användas framgångsrikt i framtiden är det mycket viktigt att anpassa dem så nära de faktiska värdena som möjligt, särskilt i fall där analysen avser tidsstudier. Ett annat problem som forskarna står inför är svårigheten att förstå naturen och mekanismen hos även mycket enkla samband och interaktioner mellan den strålning som registreras av satelliten och målen. Förändringarna som sker i atmosfärens, litosfärens och hydrosfärens förhållanden är så stora i rumsliga och tidsmässiga dimensioner och mekanismerna för interaktion mellan energi och materia är så komplexa att det är svårt att fastställa enkla samband mellan objekt och detektor.
Finans:
AI-tillämpningar inom finanssektorn omfattar personaliserade tjänster, riskhantering och operativ automatisering: Risk- och bedrägeridetektering: Snabb identifiering av potentiellt bedrägliga aktiviteter. Personaliserade rekommendationer: Skräddarsydda finansiella råd och tjänster. Dokumenthantering: Extrahering och analys av data från dokument för uppgifter som lånehantering.
Krav för IoT
Identifieringsbaserad anslutning: Det måste finnas stöd för att ”saker” ska kunna anslutas till IoT baserat på deras identifierare (ID), som kan vara heterogena, varför en viss enhetlig bearbetning krävs. Interoperabilitet: Interoperabilitet mellan heterogena och distribuerade system måste säkerställas. Automatisk nätverksanslutning: IoT-nätverksinfrastrukturen bör tillhandahålla kontrollfunktioner för automatisk nätverksanslutning, inklusive självhantering, självkonfiguration, självläkning, självoptimering och självskydd, för att kunna stödja och underlätta anpassning i olika tillämpningsområden, olika kommunikationsmiljöer och större antal och typer av enheter. Autonom tillhandahållande av tjänster: Tjänster måste tillhandahållas genom automatisk insamling, kommunikation och bearbetning av data från ”sakerna” enligt regler som konfigurerats av operatörerna och/eller abonnenterna. Platsbaserade funktioner: Lokalisering är en viktig möjliggörande teknik i IoT, eftersom platsbaserade tjänster måste stödjas. Sakerna bör kunna spåra sin position för att underlätta tillhandahållandet av tjänster som är beroende av deras plats. Säkerhet: Förmågan hos alla saker att ansluta sig när som helst och var som helst medför betydande säkerhetshot mot CIA (konfidentialitet, integritet och äkthet) för både data och tjänster. Det finns därför ett viktigt krav på att integrera olika säkerhetspolicyer och åtgärder relaterade till sakerna och deras kommunikation i ett IoT-ramverk. Skydd av personuppgifter: Data som samlas in av ”saker” kan innehålla privat information om deras ägare och/eller användare. Därför måste integritetsskyddet stödjas under överföring, aggregering, lagring, utvinning och bearbetning av dessa data, utan att det skapar hinder för autentisering av datakällor. Högkvalitativa och mycket säkra tjänster relaterade till människokroppen: Tjänster som baseras på automatisk eller manuell insamling, kommunikation och bearbetning av data relaterade till mänskligt beteende (t.ex. motion, hälsa, plats etc.) bör erbjudas med garanterad hög kvalitet, noggrannhet och säkerhet. Plug and Play: Det är viktigt att IoT-system stöder plug and play-funktioner för att möjliggöra eller underlätta generering, sammansättning och förvärv av semantiska konfigurationer i realtid, så att ett internetverk av saker kan integreras sömlöst med respektive applikationer och effektivt svara på dessa applikationers krav. Hanterbarhet: Applikationer i ett IoT-system behöver vanligtvis fungera automatiskt utan mänsklig inblandning eller medverkan, och därför måste hela arbetsprocessen kunna hanteras av berörda enheter för att säkerställa normal nätverksdrift.
SWE - Introduction to Deep Technologies
citizensinpower
Created on August 28, 2025
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Customer Service Course
View
Dynamic Visual Course
View
Dynamic Learning Course
View
Akihabara Course
Explore all templates
Transcript
Introduktion till djupteknologier
PREVENT Projektet
Start
Definition och omfattning av djupteknologier
"Djupteknologi" (Deep technology) omfattar avancerad teknologi som tacklar komplexa globala problem såsom klimatförändringar och hälso- och sjukvård med innovativa lösningar. Till skillnad från traditionell teknologi fokuserar deep tech på att proaktivt och effektivt lösa lokala problem. Viktiga områden inom deep tech är bland annat artificiell intelligens, rymdteknik och beräkningsbiologi. Dessa teknologier utmärks av sin disruptiva potential och sitt beroende av banbrytande vetenskapliga genombrott.
Index
Mål
Definition av djupteknologier
Fjärranalys
Robotik
Artificiell intelligens
Datorseende
IoT och kommunikation
Mål
Genom denna modul kommer studenterna att lära sig om avancerade teknologier roll i förebyggande och mildrande av katastrofer. Genom att utforska verkliga fallstudier, vetenskaplig forskning och interaktiva simuleringar kommer studenterna att utveckla förmågan att klassificera olika typer av naturkatastrofer, analysera deras sociala, ekonomiska och miljömässiga konsekvenser samt utvärdera klimatförändringarnas inverkan på katastrofers frekvens och svårighetsgrad. Dessutom kommer deltagarna att förvärva kritiskt tänkande för att kunna bedöma strategier för katastrofriskhantering, förstå hur djupgående tekniker som AI, IoT och satellitbilder bidrar till system för tidig varning och utforska innovativa ramverk för katastrofresiliens.
Vid slutet av modulen kommer studenterna att kunna tillämpa sina kunskaper inom riskbedömning, planering av katastrofinsatser och strategier för klimatanpassning, vilket ger dem viktiga färdigheter för karriärer inom miljövetenskap, krishantering och hållbar utveckling.
'Riktigt lärande börjar när kunskap inspirerar till handling och förståelse driver förändring. Förbered dig för att förvandla utmaningar till möjligheter..'
'Genom att utnyttja kraften i ny teknologi kan vi förutsäga, förbereda oss för och mildra effekterna av naturkatastrofer – och på så sätt göra teknologin till en livlina för vår framtid.'
01
Definition av djupteknologier
01
Definition av djupteknologier
Djupteknologier avser banbrytande innovationer som baseras på betydande vetenskapliga och tekniska framsteg. Dessa teknologier kräver ofta omfattande forskning och utveckling (FoU) och har potential att skapa omvälvande, transformativa förändringar inom olika branscher. Till skillnad från stegvisa tekniska förbättringar är djupteknologiska innovationer rotade i grundläggande vetenskapliga genombrott och komplex ingenjörskonst. Viktiga egenskaper hos naturkatastrofer:
Deep Tech i samband med naturkatastrofer
I kombination med beredskap, insatser och förebyggande åtgärder vid naturkatastrofer kan djupteknologier erbjuda banbrytande lösningar. Exempel på detta är:
02
Artificiell intelligens
02
Introduktion till AI
Artificiell intelligens (AI) är en gren av datavetenskap som fokuserar på att skapa system som kan utföra uppgifter som traditionellt kräver mänsklig intelligens. Dessa uppgifter inkluderar inlärning, resonemang, problemlösning, perception, språkförståelse och beslutsfattande. AI-system kan analysera stora mängder data, känna igen mönster och förbättra sin prestanda över tid genom algoritmer för maskininlärning.
AI klassificeras i olika kategorier baserat på kapacitet och funktioner.
De grundläggande typerna är:
- Smal AI (svag AI) (narrow, week): AI-system som är utformade för att utföra en specifik uppgift, såsom ansiktsigenkänning, språköversättning eller medicinsk diagnos. Dessa är de mest använda AI-tillämpningarna idag.
- Generell AI (stark AI) (general, strong): Ett teoretiskt AI-system som kan förstå, lära sig och utföra alla intellektuella uppgifter som en människa kan utföra. Denna nivå av AI är fortfarande under forskning och utveckling.
- Super-AI: Ett hypotetiskt framtida stadium där AI överträffar mänsklig intelligens i alla aspekter, inklusive kreativitet, problemlösning och beslutsfattande.
AI-teknologier bygger på olika delområden, bland annat:AI applications
Generiska tillämpningar
Affärsintelligens (BI)
Observation systems
Hälso- och sjukvård
Utbildning
Tillverkning
Finans
Andra tillämpningar
03
Fjärranalys
03
Introduktion till fjärranalys
Fjärranalys beskriver insamling av data om ett objekt, område eller fenomen på avstånd med en enhet som inte är i kontakt med objektet. Fjärranalys definieras i allmänhet brett som insamling av data och information om jordens yta och objekt utan fysisk kontakt. Den exakta definitionen är svår att fastställa och definitioner som den ovan anses ofta vara för allmänna. Det finns många sätt att definiera fjärranalys i litteraturen. Två gemensamma element kännetecknar detta vetenskapliga område a) begreppet ”informationsinsamling” och b) ”observation på avstånd”.
Fördelar och nackdelar med fjärranalys
Fjärranalys har genomgått många stadier för att nå sin nuvarande nivå. Det är ett ganska evolutionärt vetenskapligt område som bygger på olika andra vetenskapliga discipliner såsom matematik, fysik, datavetenskap etc. Sedan fotografins upptäckt på 1800-talet har betydande framsteg gjorts inom miljöfjärranalys. Även om det är ganska svårt att exakt definiera startpunkten för fjärranalys och dess utvecklingsfaser, kan man urskilja fem huvudstadier under dess utveckling. Fjärranalys (RS) är ett eget område, men fungerar ofta som ett komplement till GIS-analyser genom att tillföra unik information och analysmetoder. Det finns två typer av fjärranalys, aktiv och passiv, och de används i allmänhet för olika tillämpningar. Aktiv fjärranalys innebär att man sänder ut en signal och väntar på att den återvänder till sensorn. RADAR och LIDAR är exempel på aktiv fjärranalys, eftersom de sänder ut energi, respektive mikrovågs- och laserpulser, och registrerar signalerna när de reflekteras tillbaka.
Nackdelar med fjärranalys
Fördelar med fjärranalys
03
Fjärranalys för övervakning och mildring av naturkatastrofer
Jordfuktighet är en viktig variabel för att förstå vattenresurser och naturkatastrofer som översvämningar och jordskred. En noggrann uppskattning av rumsliga och tidsmässiga variationer i fuktighet är viktig för miljöstudier och för att förbättra översvämningsprognoser, särskilt i medelstora och stora avrinningsområden där översvämningar ofta orsakar katastrofer. Ytjordens fuktighet är avgörande för att bedöma regnvatteninfiltration eller avrinning, så denna information är viktig för översvämningsprognosmodeller. Dessutom är markfuktigheten i bergsområden en viktig faktor för jordskred. Sedan 1970-talet har forskningen inom detta område använt tekniker som täcker hela det elektromagnetiska spektrumet, från optiskt till mikrovågsstrålning. Dessa tekniker varierar i fråga om våglängdsområde, källa till elektromagnetisk energi, sensorns respons och det fysiska sambandet mellan respons och markfuktighet. Användningen av solstrålning mäter det reflekterade solljuset från jordytan. Mikrovågor och termisk infraröd strålning har dock använts oftare för att beräkna markfuktigheten. Användningen av den termiska sektionen baseras på mätning av markens yttemperatur och metoder som termisk tröghet och temperatur-/vegetationsindex. Termisk tröghet är enkel och exakt i områden med minimal eller ingen vegetation. Sammanfattningsvis ger fjärranalys genom aktiva och passiva sensorer värdefulla data för att uppskatta markfuktigheten, förbättra prognoser för naturkatastrofer och hantering av vattenresurser.
04
Robotik
04
Introduktion till Robotik
Robotik, ett tvärvetenskapligt område som ligger i skärningspunkten mellan teknik, datavetenskap och artificiell intelligens, spelar en allt viktigare roll när det gäller att hantera de komplexa utmaningarna i samband med naturkatastrofer. Robotar är konstruerade för att utföra uppgifter som är farliga, repetitiva eller på annat sätt olämpliga för människor, vilket gör dem ovärderliga i katastrofsituationer. Utvecklingen inom robotik, som drivs av framsteg inom sensorer, maskininlärning och autonoma system, har utökat deras kapacitet och tillämpningsområden, vilket möjliggör mer effektiva och ändamålsenliga insatser vid naturkatastrofer. Inom katastrofhantering kan robotik utföra en rad viktiga funktioner, från sök- och räddningsinsatser till miljöövervakning och infrastrukturinspektion. Autonoma drönare kan till exempel snabbt kartlägga drabbade områden och tillhandahålla realtidsdata och högupplösta bilder som underlättar beslutsfattande och samordning. Markrobotar kan navigera i farlig terräng för att lokalisera överlevande, leverera förnödenheter och utföra strukturella bedömningar. Dessutom är undervattensrobotar nödvändiga för insatser i översvämmade eller nedsänkta miljöer.
Olika kategorier av robotik inom katastrofhantering Sök- och räddningsrobotar – Hjälper till att lokalisera och rädda överlevande i raserade byggnader eller farliga områden. Robotar för brandbekämpning – Släcker skogsbränder och förhindrar att elden sprider sig med hjälp av AI och automatiserad spridning av vatten eller skum. Flygande drönare – Tillhandahåller övervakning i realtid, bedömer skador och identifierar faror från luften. Undervattens- och amfibierobotar – Hjälper till vid räddningsinsatser vid översvämningar och bedömer skador under vatten. Inspektions- och räddningsrobotar – Utvärderar strukturell integritet och hjälper till att röja bort skräp efter en katastrof.
Robotteknik underlättar katastrofinsatser genom att förbättra räddningsinsatser, brandbekämpning och bedömning av skador med hjälp av AI och sensorer.
04
Robotteknikens historia
Robottekniken har avsevärt förbättrat katastrofhanteringen, från tidig industriell automatisering till AI-drivna autonoma system. Robotar hjälper till med sök- och räddningsinsatser, riskbedömning och krishantering. Viktiga insatser inkluderar Tjernobyl (1986), 9/11 (2001) och Fukushima (2011), där robotar navigerade i farliga miljöer för att stödja räddningsstyrkorna. Idag förbättrar AI-drivna drönare, autonoma fordon och robotsystem insamlingen av realtidsdata, strukturanalys och leverans av hjälp. I takt med att tekniken utvecklas fortsätter robottekniken att förbättra katastrofhanteringen, vilket gör insatserna snabbare, säkrare och effektivare.
05
Iot och kommunikation
05
Introduktion till Iot och kommunikation
Sakernas internet (Internet of Things, IoT) har blivit ett mycket populärt ämne för forskning och innovation, främst på grund av den allestädes närvarande omvandlingen av datorer. Fysiska enheter har blivit ”smarta” och kan nu känna av, kommunicera på ett genomgripande sätt och interagera med sin omgivning, vilket ger användbara applikationer och lösningar för mänskligheten. Idag används de inom ett brett spektrum av områden, såsom hälsa, transport, jordbruk, hem- och industriautomation, detaljhandel och många fler. En exponentiell tillväxt av nätverksanslutningar förväntas, vilket bör underlättas av kraftfulla nätverk.
Grundläggande egenskaper hos IoT och kommunikation
Interkonnektivitet: Alla IoT-enheter kan kopplas samman med den globala informations- och informations- och kommunikationsinfrastrukturen. Tingrelaterade tjänster: IoT tillhandahåller tjänster som rör de anslutna ”tingen” inom ramen för sina begränsningar, såsom integritetsskydd och semantisk konsistens mellan fysiska ting och deras associerade virtuella ting. Heterogenitet: Heterogena IoT-enheter med olika hårdvaru- och nätverksegenskaper ansluts och interagerar med andra enheter eller plattformar på olika typer av nätverk. Dynamiska förändringar: När enheterna rör sig och interagerar i ett IoT-system ändrar de dynamiskt sitt tillstånd. De kan till exempel gå i viloläge och vakna, anslutas eller kopplas bort medan de ändrar plats och hastighet. Dessutom, och lika viktigt, ändras antalet anslutna enheter dynamiskt. Enorm skala: Vanligtvis är antalet enheter som behöver hanteras och antalet enheter som kommunicerar med varandra betydligt större än de som är anslutna till Internet. Detta innebär i praktiken att den underliggande kommunikationsnätverksstrukturen måste kunna hantera den stora datamängden och den hastighet och kvalitet som krävs för att denna ska kunna utbytas.
Aspekter av IoT
Viktiga definitioner
IoT-arkitektur
Observation systems
Grundläggande egenskaper
Krav för IoT
IoT-enheter och komponenter
Utmaningar inom IoT
IoT Challenges
Natural Disaster IoT Applications
Real-Time Data Collection Collecting real-time data is crucial for disaster prediction, detection, and management. Sensors measuring air quality, humidity, and temperature help authorities assess risks and take preventive measures. Interconnected Devices IoT systems integrate diverse devices with different capabilities for resource allocation and strategic response in disasters. Early Warnings & Predictions AI and machine learning analyze real-time data to predict disasters, enabling early intervention and saving lives. Data Sharing & Analysis Effective disaster management requires collaboration among first responders, authorities, and the public through data sharing. Human-less Interaction Drones and robots aid disaster response by performing remote monitoring, search, and intervention in hazardous areas. Smart Infrastructure & Resilience IoT-enabled buildings with sensor networks enhance resilience by monitoring structures, shutting down utilities, and activating fire suppression systems to reduce disaster impact.
06
Datorseende
06
Datorseende
Datorseende gör det möjligt för maskiner att tolka och analysera visuella data, vilket automatiserar uppgifter som objektdetektering, bildsegmentering och 3D-scenrekonstruktion. Framsteg inom AI, datorkraft och djupinlärning, särskilt CNN, har revolutionerat området och gjort det till en integrerad del av tillämpningar som autonoma fordon, ansiktsigenkänning och förstärkt verklighet.Inom katastrofhantering förbättrar datorseende insatsstyrkornas arbete genom att möjliggöra övervakning, sökning och räddning samt skadebedömning i realtid. Genom att tillhandahålla exakta visuella data underlättar det beslutsfattandet i nödsituationer.Avsnittet syftar till att hjälpa lärare att förstå datorseende, dess roll i katastrofhantering och hur det kan integreras i undervisningen, så att eleverna förbereds för att använda dessa teknologier i krishantering.
06
Datorseendehistorik
Datorseende uppstod på 1960- och 70-talet, med fokus på 2D-bildanalys och grundläggande formigenkänning. På 1980-talet introducerades rörelsedetektering, optiskt flöde och industriella tillämpningar. På 1990-talet förbättrade maskininlärningstekniker som SVM och PCA ansiktsigenkänning och objektdetektering. Under 2000-talet upplevde CNN en uppgång och revolutionerade bildanalys med djupinlärning, vilket framhävdes av AlexNet (2012). Under 2010-talet introducerades avancerade arkitekturer (VGG, ResNet) och verkliga tillämpningar som autonoma fordon och medicinsk bildbehandling.Under 2020-talet driver innovationer som GAN, transformers och självövervakad inlärning utvecklingen framåt. Generativ AI möjliggör bildsyntes, dataförstärkning och AI-driven simulering, vilket förbättrar träning och verkliga tillämpningar. Datorseende spelar nu en avgörande roll i katastrofhantering, hälso- och sjukvård och miljöövervakning, och löser globala utmaningar.
Tack!
Viktiga definitioner
Enhet: I IoT-sammanhang är detta en utrustning som måste kunna kommunicera och som valfritt kan avkänna, agera, samla in data, lagra data eller bearbeta data. Den enda obligatoriska funktionen är kommunikation. Sak: Ett objekt inom IoT-systemet som kan identifieras och integreras i kommunikationssystemet. Fysisk enhet: Ett objekt i den fysiska världen som kan avkännas, aktiveras och anslutas kallas en fysisk enhet (t.ex. industrirobotar, elektrisk utrustning etc.). Virtuell enhet: Ett objekt i informationsvärlden som kan lagras, bearbetas och nås kallas en virtuell enhet. Exempelvis multimediainnehåll, programvara etc. Sakernas internet: En global informationsinfrastruktur som möjliggör avancerade tjänster genom att koppla samman saker (fysiska och/eller virtuella) baserat på befintlig och/eller utvecklande interoperabel teknik. IoT inkluderar funktioner för identifiering, datainsamling, bearbetning och kommunikation för att erbjuda olika typer av tillämpningar samtidigt som säkerhet och integritet garanteras.
Grundläggande egenskaper
Interkonnektivitet: Alla IoT-enheter kan kopplas samman med den globala informations- och informations- och kommunikationsinfrastrukturen.Sakrelaterade tjänster: IoT tillhandahåller tjänster som rör de anslutna ”saken” inom ramen för sina begränsningar, såsom integritetsskydd och semantisk konsistens mellan fysiska saker och deras associerade virtuella saker. Heterogenitet: Heterogena IoT-enheter med olika hårdvaru- och nätverksegenskaper ansluts och interagerar med andra enheter eller plattformar på olika typer av nätverk. Dynamiska förändringar: När enheterna rör sig och interagerar i ett IoT-system ändrar de dynamiskt sitt tillstånd. De kan till exempel gå i viloläge och vakna, anslutas eller kopplas bort medan de ändrar plats och hastighet. Dessutom, och lika viktigt, ändras antalet anslutna enheter dynamiskt. Enorm skala: Vanligtvis är antalet enheter som behöver hanteras och antalet enheter som kommunicerar med varandra betydligt större än de som är anslutna till Internet. Detta innebär i praktiken att den underliggande kommunikationsnätverksstrukturen måste kunna hantera den stora datamängden och den hastighet och kvalitet som krävs för att denna ska kunna utbytas.
Affärsintelligens (BI)
AI-drivna BI-verktyg förbättrar datainsamling, analys och visualisering, vilket förbättrar beslutsfattandet och produktiviteten samtidigt som kostnaderna minskar. Datainsamling: Insamling av strukturerade (t.ex. databaser) och ostrukturerade data (t.ex. text, bilder). Dataanalys: Identifiera mönster, trender och samband i data. Datavisualisering: Skapa visuella representationer för enklare förståelse. Beslutsfattande: Ge insikter och rekommendationer för att stödja datadrivna beslut.
Utbildning
AI kan anpassa inlärningen, öka studenternas engagemang och automatisera administrativa uppgifter: Anpassad inlärning: Anpassa inlärningsupplevelserna utifrån studenternas framsteg. Ökat engagemang: Erbjud interaktiva inlärningsupplevelser och feedback i realtid. Administrativa uppgifter: Automatisera uppgifter som betygsättning och schemaläggning för att frigöra tid för lärarna.
Generiska tillämpningar
Naturlig språkbehandling (NLP): NLP gör det möjligt för datorer att förstå och generera mänskligt språk. Tillämpningar inkluderar maskinöversättning, spamfiltrering och sentimentanalys. Datorseende: Datorseende gör det möjligt för datorer att tolka visuellt innehåll, vilket används i tillämpningar som självkörande bilar, ansiktsidentifiering och objektdetektering. Maskininlärning (ML): ML gör det möjligt för datorer att lära sig av data och förbättra prestandan över tid. Tillämpningar inkluderar prediktiv analys, bedrägeridetektering och rekommendationssystem. Robotik: Robotik innefattar design, konstruktion och drift av robotar för tillämpningar som tillverkning, hälso- och sjukvård och rymdutforskning.
Tillverkning
AI förbättrar effektiviteten, produktiviteten och kvalitetskontrollen inom tillverkningen: Förbättrad effektivitet: Automatisering av uppgifter som montering och inspektion. Ökad produktivitet: Optimering av produktionsprocesser. Kvalitetsförbättring: Upptäckt av defekter och förbättrad kvalitetskontroll.
IoT-enheter och komponenter
När det gäller processorkapacitet klassificeras enheterna enligt följande:Enheter utan processorkapacitet: Passiva enheter, vanligtvis lågkostnadsprodukter utan mikrokontroller. Ett typiskt exempel är RFID.Enheter med låg processorkapacitet: Deras processorkapacitet är begränsad till att läsa och skriva data från eller till sensorer och ställdon och skicka dessa data till IoT-applikationer, men de kan inte fatta beslut eller köra komplexa algoritmer. De är vanligtvis billiga och har oftast en mycket strömsnål och billig mikrokontroller inbyggd. Ett typiskt exempel är en smart lampa eller en dörrsensor. Enheter med hög processorkapacitet: De har tillräcklig processorkraft för att kunna fatta beslut och köra komplexa algoritmer. De är vanligtvis dyra eftersom de använder en kraftfull mikrokontroller. (t.ex. ett smart kylsystem eller en smart termostat) När det gäller anslutningskapacitet kan enheter klassificeras som:Enheter med låg anslutningskapacitet: Denna typ av enheter ansluter inte direkt till kommunikationsnätverket för att överföra data, utan förlitar sig istället på ytterligare element (t.ex. gateway) för att utföra kommunikationsuppgifter (t.ex. protokollöversättning eller internetanslutning).Enheter med hög anslutningskapacitet: De har hårdvaran och förmågan att ansluta direkt till nätverket för att överföra data.
IoT-arkitektur
En fysisk sak kan kartläggas (eller representeras) av en eller flera virtuella saker i informationsdomänen. Information samlas in av fysiska enheter (eller saker) i den fysiska världen och skickas till kommunikationsnätverk och informationsdomänen för vidare bearbetning. Enheter kan kommunicera med varandra antingen via kommunikationsnätverket (med eller utan gateway) eller direkt utan att använda kommunikationsnätverket eller kombinationer av dessa kommunikationslänkar. Informationsutbytet sker inte bara mellan fysiska saker i den fysiska världen utan också mellan virtuella saker i informationsvärlden. Kommunikationsnätverken tillhandahåller funktioner för tillförlitlig och effektiv dataöverföring. Nätverksinfrastrukturen kan implementeras eller realiseras via befintlig nätverksteknik (t.ex. TCP-IP-nätverk) eller nätverk som utvecklas i enlighet med aktuella telekommunikationstrender.
Andra tillämpningar
Utöver dessa sektorer används AI inom olika branscher: Detaljhandel: Personalisering av shoppingupplevelser och lagerhantering. Transport: Utveckling av självkörande bilar och förbättring av trafikhantering. Energi: Förbättring av energieffektivitet och prognostisering av efterfrågan. Offentlig sektor: Förbättring av allmän säkerhet, brottsbekämpning och medborgartjänster.
Utmaningar inom IoT
Skalbarhet: Många moderna IoT-applikationer och -system omfattar ett mycket stort antal anslutna enheter. I takt med att dessa nätverk växer blir enhetshantering och samordning allt mer utmanande, eftersom den snabba tillväxten av anslutna noder eller det ökade antalet dataflöden i många fall kan kräva omfattande infrastrukturförändringar.Lösning: En lösning kan vara att använda skalbara arkitekturer som edge computing och distribuerad bearbetning, samt att använda lastbalansering för effektiv hantering av ett stort antal enheter. Överbelastning av nätverket: Detta är också relaterat till det ovan nämnda skalbarhetsproblemet, eftersom det ökade antalet anslutna enheter kan orsaka trafik/överbelastning i nätverket, vilket försämrar tjänstekvaliteten på grund av ökad paketförlust, förknippade fördröjningar och andra problem.Lösning: Möjliga lösningar inkluderar optimering av kommunikationsprotokoll, användning av datakomprimering och prioritering av kritiska data.Säkerhet: IoT-enheter drivs vanligtvis med elektronik med låg effekt och låg processorkapacitet, vilket inte möjliggör en effektiv implementering av säkerhetsmekanismer. Med tanke på den betydande ökningen av sårbarheter i firmware är IoT-enheter oftast den perfekta bakdörren för att ta sig in i ett säkert nätverk. Lösning: Implementera kryptering, autentisering, åtkomstkontroller och regelbundna uppdateringar. Använd intrångsdetektering och avvikelsedetektering för att tidigt identifiera säkerhetshot.Enhetshantering. Hantering av ett stort antal IoT-enheter blir en stor uppgift, särskilt om de är heterogena och har många komplicerade funktioner, autentiseringsmekanismer, uppdateringskrav etc.Lösning: Använd plattformar för enhetshantering för automatiserade uppgifter som uppdateringar och övervakning. Implementera standardiserade protokoll som MQTT och CoAP.Interoperabilitet: I stora IoT-system kan de olika komponenterna (sensorer, ställdon, mikrokontroller etc.) vanligtvis komma från olika leverantörer och med tanke på det inte så standardiserade IoT-ramverket kan de skapa interoperabilitetsproblem. Justeringar kan behövas när ny hårdvara och mjukvara läggs till för att upprätthålla funktionaliteten och anpassa sig till innovativ teknik. Lösning: En möjlig lösning är att anta branschstandarder för kommunikation och dataformat. Använd middleware-lösningar för att hantera olika protokoll.Energiförbrukning: Det finns många IoT-applikationer som är installerade på avlägset belägna platser eller i utrymmen där det kan vara mycket svårt att försörja dem med ström (t.ex. på botten av en sjö för att övervaka föroreningar). Detta innebär att vi antingen behöver batterier som håller länge eller måste begränsa energiförbrukningen, men helst båda delarna.Lösning: Optimera kommunikationsprotokoll, använd energisnål teknik som LPWAN och utforma energieffektiv hårdvara eller flytta vissa funktioner till en central processorenhet.Dataskydd: En stor oro inom IoT-system är vad som händer med den insamlade datan, särskilt om den är känslig (t.ex. hälsodata i ett IoT-e-hälsosystem).Lösning: Använd kryptering, anonymisering av data och tydliga integritetspolicyer i praktiken. Respektera lagar som GDPR och HIPAA.
Hälso- och sjukvård
AI hjälper till vid diagnos av sjukdomar, utveckling av behandlingar och personlig vård: Diagnos av sjukdomar: Analys av patientdata för tidig och korrekt upptäckt av sjukdomar. Utveckling av behandlingar: Användning av data för att utveckla nya läkemedel och terapier. Personlig vård: Skräddarsydda behandlingsplaner baserade på individuella patientdata.
Fördelar med fjärranalys
Som framgår av den historiska översikten har fjärranalys förbättrats avsevärt när det gäller registrering av data relaterade till rum, tid och strålning. Detta innebär att jordytan ofta registreras med högre rumslig upplösning och i fler delar av det elektromagnetiska spektrumet. Fjärranalys anses vara ett modernt, specialiserat verktyg som har tillämpningar inom många vetenskapliga ämnen, inklusive miljövetenskap, skogsbruk, geologi, arkeologi, oceanografi etc. Bland de fördelar som motiverar användningen av fjärranalys för att samla in och bearbeta data från vår planet anses följande vara mycket betydelsefulla. Sammanfattande täckning: En satellitbild täcker ett stort område, vilket kräver hundratals flygfotografier och ännu fler tusentals timmar av provinsamling.Upprepad täckning: Registreringsfrekvensen är mycket viktig, särskilt vid analyser av olika serier. Frekvensen, som liknar satellitsystemet, varierar från några timmar till flera dagar.Tillgänglighet: I avlägsna eller otillgängliga områden, såsom ökenområden, hav, tropiska skogar etc., ger fjärranalys möjlighet att samla in och analysera data.Datahomogenitet: Information och data som registreras av satellitsystem ger enhetliga data om den rumsliga och visuella prestandan hos de registrerade objekten och data.Multispektrala dataegenskaper: Data som registreras i olika delar av det elektromagnetiska spektrumet ger fler möjligheter att visa önskad information.Digital dataform: Det erbjuder möjligheten till digital analys med hjälp av specialiserad programvara med alla fördelar som detta medför.Inspelningstid: Den erforderliga inspelningstiden är mycket kort, vilket innebär en minimal förändring i rumsliga och visuella förändringar som kan uppstå till följd av miljöförändringar.Datakostnad: Den relativt låga kostnaden för att registrera data i kombination med de möjligheter de erbjuder är också en betydande fördel.
Nackdelar med fjärranalys
Även om betydande framsteg har gjorts sedan fjärranalysens tillkomst, kvarstår vissa problem i samband med dess tillämpning på miljöfrågor. Ett av de allvarligaste problemen gäller de registrerade uppgifterna, som innehåller fel på grund av atmosfäriska förhållanden, områdets topografi och satellitsystemets funktion. Dessa fel beror på skillnader mellan den faktiska och den av satelliten registrerade reflekterade strålningen. För att dessa uppgifter ska kunna användas framgångsrikt i framtiden är det mycket viktigt att anpassa dem så nära de faktiska värdena som möjligt, särskilt i fall där analysen avser tidsstudier. Ett annat problem som forskarna står inför är svårigheten att förstå naturen och mekanismen hos även mycket enkla samband och interaktioner mellan den strålning som registreras av satelliten och målen. Förändringarna som sker i atmosfärens, litosfärens och hydrosfärens förhållanden är så stora i rumsliga och tidsmässiga dimensioner och mekanismerna för interaktion mellan energi och materia är så komplexa att det är svårt att fastställa enkla samband mellan objekt och detektor.
Finans:
AI-tillämpningar inom finanssektorn omfattar personaliserade tjänster, riskhantering och operativ automatisering: Risk- och bedrägeridetektering: Snabb identifiering av potentiellt bedrägliga aktiviteter. Personaliserade rekommendationer: Skräddarsydda finansiella råd och tjänster. Dokumenthantering: Extrahering och analys av data från dokument för uppgifter som lånehantering.
Krav för IoT
Identifieringsbaserad anslutning: Det måste finnas stöd för att ”saker” ska kunna anslutas till IoT baserat på deras identifierare (ID), som kan vara heterogena, varför en viss enhetlig bearbetning krävs. Interoperabilitet: Interoperabilitet mellan heterogena och distribuerade system måste säkerställas. Automatisk nätverksanslutning: IoT-nätverksinfrastrukturen bör tillhandahålla kontrollfunktioner för automatisk nätverksanslutning, inklusive självhantering, självkonfiguration, självläkning, självoptimering och självskydd, för att kunna stödja och underlätta anpassning i olika tillämpningsområden, olika kommunikationsmiljöer och större antal och typer av enheter. Autonom tillhandahållande av tjänster: Tjänster måste tillhandahållas genom automatisk insamling, kommunikation och bearbetning av data från ”sakerna” enligt regler som konfigurerats av operatörerna och/eller abonnenterna. Platsbaserade funktioner: Lokalisering är en viktig möjliggörande teknik i IoT, eftersom platsbaserade tjänster måste stödjas. Sakerna bör kunna spåra sin position för att underlätta tillhandahållandet av tjänster som är beroende av deras plats. Säkerhet: Förmågan hos alla saker att ansluta sig när som helst och var som helst medför betydande säkerhetshot mot CIA (konfidentialitet, integritet och äkthet) för både data och tjänster. Det finns därför ett viktigt krav på att integrera olika säkerhetspolicyer och åtgärder relaterade till sakerna och deras kommunikation i ett IoT-ramverk. Skydd av personuppgifter: Data som samlas in av ”saker” kan innehålla privat information om deras ägare och/eller användare. Därför måste integritetsskyddet stödjas under överföring, aggregering, lagring, utvinning och bearbetning av dessa data, utan att det skapar hinder för autentisering av datakällor. Högkvalitativa och mycket säkra tjänster relaterade till människokroppen: Tjänster som baseras på automatisk eller manuell insamling, kommunikation och bearbetning av data relaterade till mänskligt beteende (t.ex. motion, hälsa, plats etc.) bör erbjudas med garanterad hög kvalitet, noggrannhet och säkerhet. Plug and Play: Det är viktigt att IoT-system stöder plug and play-funktioner för att möjliggöra eller underlätta generering, sammansättning och förvärv av semantiska konfigurationer i realtid, så att ett internetverk av saker kan integreras sömlöst med respektive applikationer och effektivt svara på dessa applikationers krav. Hanterbarhet: Applikationer i ett IoT-system behöver vanligtvis fungera automatiskt utan mänsklig inblandning eller medverkan, och därför måste hela arbetsprocessen kunna hanteras av berörda enheter för att säkerställa normal nätverksdrift.