AI-drivna sakernas internet för intelligenta system och smarta tillämpningar

Det ömsesidigt gynnsamma förhållandet mellan sakernas internet (IoT) och artificiell intelligens (AI) möjliggör banbrytande innovationer när det gäller bärbara och implanterbara biomedicinska apparater för övervakning av hälso- och sjukvården, smarta övervaknings- och kontrolltillämpningar som t.ex. användning av autonoma drönare för katastrofhantering och räddningsinsatser. Fusionen av artificiell intelligens och sakernas internet gör det möjligt för systemen att vara förutsägande, normativa och autonoma. Denna konvergens av artificiell intelligens och sakernas internet förändrar karaktären hos nya tillämpningar från att vara assisterade till förstärkta och i slutändan till autonom intelligens. Detta kontinuum kommer att påverka alla branscher, från tillverkning, detaljhandel, hälsovård, telekommunikation och transport osv. IoT-sensorer kommer att göra det möjligt att samla in stora mängder data, medan AI kan hjälpa till att få fram intelligens för att utforma smartare tillämpningar för en smartare värld. Dessutom utgör det framväxande 5G-landskapet en grund för att förverkliga den fulla potentialen hos AI-driven IoT. Den massiva konnektivitet som erbjuds av 5G tillsammans med extremt låg latenskapacitet kommer att öppna möjligheter för spännande tillämpningar inom alla vertikaler.
Denna framväxande era av AI- och IoT-tillämpningar har tre huvudkomponenter (i) smarta enheter (ii) intelligenta system av system och (iii) end-to-end-analyser. Det finns många utmaningar när det gäller att genomföra sådana system, bland annat algoritmiska och konstruktionsmässiga innovationer för att uppfylla kraven på tjänstekvalitet (latens, bandbredd, fördröjning osv.), mekanismer för att bevara integriteten för IoT-data och tillhandahålla säkra tjänster för sammankopplade användare, samt att uppnå högpresterande system som kan bearbeta både stora volymer och snabba IoT-data med hjälp av Edge AI. På applikationsfronten finns det dessutom fortfarande ett behov av att utforma skalbara och intelligenta IoT-datalösningar som bättre utnyttjar federerade inlärnings- och samverkanskoncept för kollektiv intelligens.
För de ovan nämnda skälen syftar detta forskningsämne till att begära inlämning av originella och opublicerade forskningsartiklar som presenterar djupgående bidrag till grundläggande forskning antingen från ett teoretiskt eller metodologiskt/tillämpningsperspektiv och som innehåller nya arkitekturer, algoritmer, system, tekniker eller tillämpningar som erbjuder nya insikter och rön inom området AI-drivna IoT.
Vi söker högkvalitativa inlämningar som är relaterade till (men inte begränsade till) ett eller flera av följande ämnen:
● Plattformar och verktyg för utvinning av IoT-data
● Maskininlärning och AI för databehandling och analys av IoT-data
● Edge and fog computing för databehandling av IoT-data
● Utvinning av sociala data och databehandling
● Nya tillämpningar för smarta IoT-tjänster
● Federerat lärande för AI-drivna IoT-system
● Dataintegritet och säkerhet för AI-drivna IoT-lösningar
● Edge AI för hälsocentrerade IoT-system och interaktion mellan människa och maskin
● Smarta Edge IoT-enheter för hälsa, miljö, trafik och andra industriella tillämpningar.
● Stream processing för effektiv behandling av IoT-data
● 5G-assisterade IoT-system och tillämpningar
● Blockchain integrerat med IoT-tjänster
● Kontextmedvetna system
● Meta-euristiska algoritmer för IoT och wearable
● Modellering och simulering av storskaliga IoT-scenarier och IoT-standardisering

Nyckelord:AI-algoritmer, Edge AI, Adaptive & Predictive Analytics, Internet of Things (IoT), Machine Learning, Stream Processing, Federated Learning, 5G-drivna IoT-tillämpningar

Viktigt att notera: Alla bidrag till det här forskningstemat måste ligga inom räckvidden för den sektion och den tidskrift som de lämnas in till, enligt definitionen i deras uppdragsbeskrivningar. Frontiers förbehåller sig rätten att styra ett manuskript som ligger utanför räckvidden till en mer lämplig sektion eller tidskrift i alla stadier av peer review.