اینترنت اشیاء شبکهایست از وسایل نقلیه، ساختمان‌ها، قطعات و تجهیزات مختلف صنعتی، اداری، پزشکی و به طور کلی کلیه اشیائی که با داشتن ساختارهای الکترونیکی، نرم‌افزارها و یا سنسورهای مختلف، امکان ارتباط و تبادل اطلاعات با یکدیگر را داشته باشند.
دکتر محمد حسین منشئی، مدیرگروه مهندسی نرم افزار و فناوری اطلاعات دانشکده برق و کامپیوتر و معاون مرکز فناوری اطلاعات دانشگاه صنعتی اصفهان
در عمل، هر وسیله و یا شیئی که داده تولید می‌کند، می‌تواند بالقوه در شبکه اینترنت اشیاء جای داشته باشد. به عنوان مثال می‌توان به مواردی نظیر پارکومترهای هوشمند، خودروهای هوشمند، پهبادها، ساعت‌های هوشمند، مانیتورهای پزشکی، حسگرهای مختلف صنعتی و یا حتی پروتزهای پزشکی اشاره نمود.
ارتباط این وسایل با هم می‌تواند منجر به کاهش هزینه‌ها وصرفه‌جویی در انرژی شود. شرکت بین‌المللی داده تخمین زده است که بازار اینترنت اشیاء تا سال ۲۰۲۰ تا ۷/۱ تریلیون دلار با % ۹/۱۶ نرخ رشد ترکیبی سالیانه، افزایش خواهد یافت. همچنین، تعداد سیستم‌های متصل اینترنت اشیاء به بیش از ۳۰ میلیارد خواهد رسید. تحقق اینترنت اشیاء از مناظر مختلف دارای چالش‌ها و فرصت‌های مختلف می‌باشد. از منظر ساختار ارتباطی، چالش اصلی در پیش‌بینی و تدوین زیرساخت مخابراتی لازم برای ارتباط بین عناصر مختلف بر روی این شبکه می‌باشد. اما بر فرض تحقق و شکل‌گیری ساختار مخابراتی لازم، چالش اصلی در نحوه پالایش و استفاده از این حجم داده رد و بدل شده می‌باشد. حجم داده‌ها در اینترنت و وب با سرعت زیادی رو به افزایش هستند. با استفاده از سلسله مراتب دانش، روند تحول داده می‌تواند به خوبی توصیف شود. سلسله مراتب دانش در اینترنت اشیاء به شرح زیر است:
۱) داده: دادههای حسی خام. ۲) اطلاعات: دادههای ساختاریافته. ۳) دانش: انتزاع وادراک و ۴) عقل: هوش عملی.
اولین سطح به دادههای تولید شده توسط دستگاه‌های اینترنت اشیاء اشاره دارد. در سطح بعدی، دادههای فیلتر شده که برای ماشین قابل درک هستند. شرکت سیسکو تخمین زده است که تا سال ۲۰۲۰ دادههای حاصل از دستگاه‌های متصل به هم به بیش از ۶۰۰ تریلیون گیگا بایت خواهد رسید. در حقیقت، داده‌ها بدون هوش مصنوعی کاربرد چندانی ندارند. این میزان داده، پتانسیل‌ها‌ی خوبی را برای توسعه دهندگان هوش مصنوعی برای استفاده در آموزش سیستم‌های هوشمند فراهم می‌کند. یادگیری ماشین، قلب هوش مصنوعی است که برای تحلیل داده و برآوردهای هوش مصنوعی کاربرد دارد. به طور مشخص یادگیری عمیق و یادگیری تقویتی عمیق، می‌توانند بازیگرهای اصلی در آنالیز تحلیل داده‌ها باشند. الگوریتم‌های یادگیری ماشین در اکثر برنامه‌های اینترنت اشیا ازجمله: برای مدیریت مصرف انرژی در شرکت‌ها، مسیر یابی ترافیک در سطح شهر، تنظیم دما و رطوبت خانه و مراقبت‌های بهداشتی کاربرد دارند. به عنوان مثال طبق پیش‌بینی‌های انجام شده، اینترنت اشیاء در حوزه پزشکی و سلامت تا سال ۲۰۲۰ میلادی به تنهایی بازاری به ارزش ۱۶۳ میلیارد دلار خواهد داشت. در بیشتر پلتفرم‌های اینترنت اشیاء، سیستم‌هایی با استفاده از الگوریتم‌های یادگیری ماشین برای آنالیز دادههای حسی، جستجوی ارتباطات و تعیین بهترین پاسخ ارائه می‌شوند. این سیستم‌ها به صورت پیوسته بررسی می‌شوند که چگونه کار کنند و الگوریتمهایشان را تصحیح کنند.
توسعه دهندگان هوش مصنوعی از طریق سازمان‌ها، می‌توانند به دادههای اینترنت اشیاء دسترسی داشته باشند. سازمان‌ها می‌توانند پول نقدی برای داده‌ها دریافت کنند، که این را کسب درآمد داده یا بازاراطلاعات می‌نامند. با توجه به گزارشات شرکت بین‌المللی داده، آنها انتظار دارند تا سال ۲۰۱۹ حدود ۴۰ درصد از پروژه‌های فناوری اطلاعات راهی برای کسب درآمد از داده خواهند شد.
چالش دیگر در پیاده‌سازی اینترنت اشیاء امنیت شبکه می‌باشد. تا پایان امسال، به نقل از Gartner، بیش از ۴ میلیارد وسیله در دنیا، در بستری از اینترنت اشیاء با هم در ارتباط خواهند بود. این تکنولوژی در کنار فرصت‌هایی که ایجاد می‌کند، تهدیدها و مخاطراتی را نیز می‌تواند به همراه داشته باشد. اصلی‌ترین تهدید در شرایط کنونی، امنیت شبکه در اینترنت اشیاء می‌باشد. امروزه اگرچه در استفاده از اینترنت، پروتکل‌هایی نظیرSSL تا حدی امنیت بخش شده است، اما تضمین امنیت در اینترنت اشیاء به دلیل گستردگی و تنوع عناصر دخیل در آن چندان ساده نمی‌باشد. همین امر، موضوع امنیت شبکه در اینترنت اشیاء را به یکی از داغ‌ترین موضوعات علمی و پژوهشی تبدیل کرده است. تاکنون راه حل‌های مختلفی برای تامین امنیت در شبکه اینترنت اشیاء پیشنهاد شده که در همه موارد، هوش مصنوعی و یادگیری ماشین به نظر اصلی‌ترین ابزار برای عملی کردن راه حل‌ها می‌باشد. به عنوان مثال یکی از مشکلات در در اینترنت اشیاء، آن است که وسایل موجود بر روی شبکه، توان محاسباتی و ظرفیت ذخیره‌سازی لازم برای اجرای راه حل‌های امن‌سازی و ذخیره پایگاه دادههای بزرگ از امضای بدافزارها و تهدیدهای مختلف را ندارند. در اینجا، یادگیری ماشین می‌تواند با اتکا بر روشهای مبتنی بر رفتار به جای روشهای مبتنی بر امضا، راه حلی با حجم پردازش و حافظه مورد نیاز کمتر ارائه کند.
مرکز تحقیقات هوش‌مصنوعی دانشگاه صنعتی اصفهان در شهریور ۱۳۹۶ فعالیت خود را در مرکز نوآوری و تجاریسازی فناوری دانشگاه صنعتی اصفهان شروع کرده است. هدف این طرح بررسی همه جانبه‌ی زمینه‌های مختلف هوش‌مصنوعی و به دنبال آن مشخص کردن مسیر آینده‌ی مرکز به گونه‌ای بود که بتوان این مرکز را از نظر تحقیقاتی و عملیاتی در بالاترین سطح معرفی کرد. این مرکز توانسته مذاکرات مثبتی برای ارتباط با صنایع بزرگ استان و سرمایهگذرانی که این مرکز را حیاتی یافتهاند، انجام دهد، تا بستر اجرای طرح‌های عملیاتی مرکز را فراهم کند.
به گفته‌ی Andrew Ng از شناخته‌شده‌ترین چهره‌های هوش‌مصنوعی در دنیا “هوش‌مصنوعی مانند الکتریسیته‌ی جدید در صنعت است.” بدین معنی که صنایع مختلف را به یکدیگر متصل و آنها را متحول می‌کند. هدف اصلی این مرکز، تبدیل شدن به منبعی برای رقم زدن چنین اتفاقی در کشور است. در رده‌ی نخست بیان اهمیت هوش‌مصنوعی که این امر به وسیله‌ی برگزاری دوره‌های آموزشی و رقابت‌های ترویجی در دست اقدام است. در ادامه، این مرکز سه فعالیت عمده را دنبال خواهد کرد. آموزش (فراهم کردن نیروهای متخصص و افراد آگاه در این زمینه که از ملزومات است)، ارتباط با صنعت (که محلی برای تعامل دوجانبه بین مرکز و صنایع است. به طوری‌که بتوان راه‌حل‌های هوشمند را به صنایع ارائه و از زیرساخت‌های آنها استفاده کرد) و در نهایت مشاوره (به مراکز، سازمان‌ها، صنایع و استارتاپ‌ها).
