物聯網（IoT）的核心在于數據。然而，隨著聯網設備產生的數據量激增，行業面臨的挑戰也從單純的數據收集，轉變為如何實時理解和處理數據。不妨想象這樣一個場景：您只需像日常對話一樣，使用自然語言就能實時查詢數據流；而原本晦澀難懂的傳感器數據，轉眼間就能變成清晰明了的預警提示，直接指導您的下一步行動。
這一愿景正在成為現實。隨著 EMQX 5.10.0 的發布，實時數據流與人工智能的融合已進入全新階段，我們創新性地在可視化流處理引擎中集成大語言模型（LLM）。這將為您的 MQTT 數據流注入 OpenAI GPT、Anthropic Claude 以及任何兼容 OpenAI 的大模型的強大功能。
為什么要將物聯網數據流與人工智能相結合？
傳統上，將人工智能應用于物聯網數據需要復雜且昂貴的工程設計。您必須將數據從 MQTT broker 遷移到單獨的平臺進行處理，這會給時效性要求高的應用程序帶來不可接受的延遲。
EMQX 創新性地解決了這一痛點。通過將 AI 處理能力直接嵌入數據流，您可以構建智能工作流，實時分析、增強和轉換 MQTT 消息。這為開發具備實時感知、推理和響應能力的新型應用奠定了基礎。
在首個版本中，我們已實現與 OpenAI 和 Anthropic 模型的深度集成。
解鎖全新可能：關鍵應用場景
將大模型融入數據流，可輕松實現過去難以構建的創新應用場景。
智能異常檢測：
大模型能夠綜合分析多字段關聯關系，識別復雜異常狀態，突破傳統閾值告警的局限。
例如：對 {'振動值': 9.5, '溫度': 85, '壓力': 1.2} 這樣的數據進行整體分析，大模型可以智能推斷：同一讀數中，當振動與溫度同時升高時，其風險程度遠高于單一指標異常，進而生成精準告警：「緊急告警：設備 XYZ 同時出現高振動與高溫，可能存在軸承過載風險」。
實時數據匯總：
將傳感器原始、復雜的 JSON 數據自動轉換為簡潔直觀的業務語言，用于儀表板或移動通知。
例如：將原始數據 {"device_id": "device123", "temperature": 38.2, "humidity": 75} 自動轉換為「設備 device123 高溫告警：溫度 38.2°C，濕度 75%」，以此顯著提升監控效率。
自然語言數據處理：
通過簡單指令完成復雜數據轉換。
例如，您可以指示大模型處理包含多個功率讀數的 JSON 數據并僅返回總和，從而簡化下游分析的數據準備工作。
語義數據分類：
根據消息內容自動對其進行分類和路由。
例如：大模型可以讀取設備日志，確定其事件是 INFO、WARNING 還是 CRITICAL_ERROR，并標記消息以便將其路由到不同的系統。
5 分鐘快速入門：創建您的首個 AI 驅動流程
無需編寫代碼，通過可視化 Flow 設計器即可快速構建一個讀取傳感器數據，并使用 OpenAI 生成易讀摘要的數據流。
準備工作：您需要一個有效的 OpenAI API 密鑰。
步驟 1：設置數據源
在 EMQX Flow 設計器中，將「消息節點」拖到畫布上。配置它以訂閱您設備發布數據的 MQTT 主題，例如 sensors/temp_humid。
步驟 2：添加 AI 處理
從處理面板拖拽「OpenAI 節點」到數據源節點。在配置面板中：
輸入：選擇 payload 將整個 MQTT 消息傳遞給模型。
系統消息：輸入自然語言指令。例如：將設備傳感器讀數轉換為易讀的簡短摘要。
模型：選擇一個 OpenAI 模型，例如 gpt-4o。
API 密鑰：安全輸入您的 OpenAI API 密鑰。
輸出別名：為 AI 的輸出命名，例如 summary。
步驟 3：重新發布洞察
從輸出面板拖出一個「重新發布」節點并將其連接到 OpenAI 節點。配置它并將結果發布到一個新主題中，如「ai/summary」，在「payload」字段中使用剛才創建的別名：${summary}。
步驟 4：部署和測試
連接所有節點并保存流程。
現在，當您向主題發布 JSON 消息時，您將看到該主題上實時「sensors/temp_humid」出現自然語言摘要「ai/summary」。
發布一條測試消息，例如：
{ "device_id": "device123", "temperature": 38.2, "humidity": 75, "timestamp": 1717568000000}
并收到智能摘要：
2024 年 6 月 5 日，ID 為「device123」的設備記錄的溫度為 38.2°C，濕度為 75%。
突破數據處理邊界：高級 AI 功能
EMQX 5.10.0 中的大模型集成超越了簡單的數據匯總，您可以實現以下高級功能：
對傳入數據流進行分類。
基于復雜模式識別生成告警。
從非結構化傳感器日志中提取結構化信息。
根據歷史數據模式提供上下文建議。
將技術數據轉化為業務友好的分析見解。
性能優化建議
調用大模型處理數據需要一定時間，整個過程大概有幾秒到十幾秒，具體取決于模型的響應速度。因此，大模型處理節點并不適用于高消息吞吐量（TPS）的場景。
為了獲得最佳性能：
選擇性地將大模型處理應用于高價值數據。
使用數據過濾僅處理相關消息。
考慮在邊緣端聚合多個數據點或消息，然后將它們作為單個 MQTT 消息發送到 broker。
持續監控處理時間并進行相應調整。
拓展能力邊界
EMQX 5.10.0 中的大模型集成僅僅是我們 AI 征程的起點。我們正在開發更多 AI 功能，包括：
支持更多大模型供應商。
用于語義搜索的向量嵌入生成。
與主流 AI 框架集成。
增強提示詞模板和優化工具。
實時智能：EMQX 的未來
EMQX 與大模型的深度融合，正在重新定義物聯網開發的邊界。這不僅是一次簡單的功能升級，而是一場從底層改變物聯網應用開發方式的革命性突破。
我們為開發者打造了直觀易用的低代碼交互界面，讓生成式 AI 的能力可以無縫融入數據流轉的每個環節。打造具備真正智能、即時響應和自主決策能力的物聯網系統變得前所未有的簡單。
準備好利用人工智能激活您的物聯網數據了嗎？
免責聲明：以上內容為本網站轉自其它媒體，相關信息僅為傳遞更多信息之目的，不代表本網觀點，亦不代表本網站贊同其觀點或證實其內容的真實性。如稿件版權單位或個人不想在本網發布，可與本網聯系，本網視情況可立即將其撤除。
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。
