我們的 Pello 感測器 存在於現實世界中。

這聽起來顯而易見，但與開發完全運行於雲端的軟體相比，這帶來了截然不同的技術挑戰。 Pello 裝置部署於北美各地的廢棄物與回收容器上。它們必須面對天候變化、裝置位移，以及廢棄物基礎設施的日常運作現實。 隨著我們的 Pello 網路不斷擴展，RTS 的技術團隊不得不以嶄新的視角來思考一個客戶鮮少察覺的問題：

如何在不單純增加越來越多人工監控的情況下，維持大型聯網裝置網路的運作狀態？ 這個問題促使我們的團隊開始將人工智慧應用於 Pello 自身背後的基础架構。

從手動監控到智慧分流

連網裝置會產生有關其運作狀態與效能的訊號。 僅觀察單一裝置尚屬可控。 但在龐大的設備群中尋找細微的規律，則是一項截然不同的挑戰。 這正是人工智慧能發揮作用的類型。

我們的團隊一直致力於開發更智慧的方法，以持續評估裝置資訊、識別異常狀況，並為技術團隊提供更詳盡的背景資訊，協助其判斷哪些情況可能需要關注。 此舉的目的並非要將人從流程中剔除，而是確保我們的專家能將時間投入到真正需要專業知識處理的狀況上。與其手動搜尋潛在問題，我們的團隊如今能越來越專注於診斷、優先排序並解決技術系統所偵測出的問題。

AI 背後的 AI

我覺得這點特別有趣，因為這正是大多數客戶永遠不會直接接觸到的 AI 應用範例。 客戶所見的是 Pello 針對其廢棄物處理作業所提供的智慧分析。 在這種使用者體驗的背後，我們的 RTS 團隊也正在探索，如何透過智慧技術讓基礎設施本身更加可靠。 這是擴展實體技術的重要環節。

智慧廢棄物平台的實用性，取決於其背後資訊的品質與一致性。 因此，對我們的團隊而言，改善車隊健康狀況不僅僅是個工程問題。 這更是客戶體驗的一部分。

為專家提供更完善的工具

這項工作帶給我們最重要的啟示之一是：良好的自動化會改變人類的工作內容，而非單純地取代人類。 人工智慧能夠持續評估大量資訊。 一位經驗豐富的技術人員能夠理解實體環境、辨識異常情況，並決定適當的應對措施。 將這些優勢結合起來，整個系統的能力便會大幅提升。

這就是 RTS 團隊對人工智慧更廣泛的看法。 我們並非單純因為「人工智慧」聽起來很創新，就想引入這項技術。 我們真正關注的是找出那些能讓優秀人才透過人工智慧獲得前所未有的新能力的營運問題。

為擴展而建

隨著實體世界與軟體的連結日益緊密，這項挑戰將變得越來越普遍。 組織將需要採用智慧型方法來管理互聯基礎設施，同時確保複雜性不會以與網路本身相同的速率增長。

在 RTS，佩洛讓我們有機會在可想而知最嚴苛的物理環境之一中解決這些問題。 而這正是這份工作令人興奮的原因之一。

我們不僅在為垃圾桶開發更智慧的技術。 我們更在學習如何建構所需的智慧系統，以實現該技術的大規模運作。