其他行业 · AI应用
Smart Light实施AI工作流实现设施控制
Smart Light使用IBM watsonx.ai创建用于设施控制的生成式AI工作流,实现对空调、照明和窗帘等设备的语音管理。该公司在1ft-seabass的支持下,在两周内集成了这些解决方案,并通过云试用将AI提示的测试效率从一周提高到三天,增强了开发的灵活性和速度。
AI提示测试效率
约3天
来源披露
01
业务背景
Smart Light使用IBM watsonx.ai创建用于设施控制的生成式AI工作流,实现对空调、照明和窗帘等设备的语音管理。该公司在1ft-seabass的支持下,在两周内集成了这些解决方案,并通过云试用将AI提示的测试效率从一周提高到三天,增强了开发的灵活性和速度。
02
遇到的问题
设施控制因各空间情况不同存在多种IoT协议,传统智能音箱对话流难以适配多样场景,且生成式AI等新技术在该场景下难以协调应用,Smart Light需要能有效处理语音与生成式AI协调的技术桥梁。
03
AI 解决方案
Smart Light选用IBM watsonx.ai作为核心,创建生成式AI工作流理解语音转写文本上下文;依托1ft-seabass提供技术支持和架构规划;用IBM Cloud Code Engine无服务器平台做设备控制协议转换,通过Node-RED标准化为MQTT协议,由watsonx.ai解释开关上下文并桥接;在测试室用语音管理空调,并连接Node-RED与Code Engine实现照明、窗帘控制,在云上灵活试错提示。
- 1Smart Light在1ft-seabass支持下规划架构并选择watsonx.ai为核心开发对话流
- 2使用IBM Cloud Code Engine与Node-RED将设备协议标准化为MQTT
- 3用watsonx.ai解释语音上下文并桥接控制
- 4在测试室约两周内部署语音控制空调原型
- 5扩展连接实现照明与窗帘控制
- 6在云上多次灵活试错AI提示,将测试周期从一周缩至三天
04
实施结果
AI提示测试效率:约3天(提升约50%)
05
风险与边界
素材披露:示例仅为说明性,实际结果因客户配置与条件而异,通常无法提供预期结果;本案例为简单开关用例,更复杂场景效益待验证。
信息来源
1 个来源页面内容为结构化改写;关键结论应可追溯到以下材料。