在物聯網(IoT)系統中導入人工智慧(AI)提升資料分析與處理效率，並為物聯網應用加值，已成為大勢所趨。智慧物聯網(AIoT)系統開發牽涉複雜的技術與裝置，因此對於嵌入式應用業者來說，能夠統合整體設計工作流程的開發工具也顯得更為重要。
談到AIoT所帶來的轉變，鈦思科技工程部經理童元鍼表示，以智慧製造為例，從對物聯網龐大資料進行分析，到對大量資料進行自主分類並產生預測模型，是AIoT與工業物聯網(IIoT)最大的差別，同時也是工業4.0的核心。雖然目前各界熱衷於AIoT應用的開發，成功的比例卻實為有限，其原因有很多，從技術角度大致可以分為人為因素(如資科學家的缺乏、相關專業知識與內涵不足等)、資料因素(資料量過多或過少、資料儲存等問題)、工具因素(如是否有適合的工具來建立其他圍繞著AI的各種系統)，以及問題是否被正確地定義等其他因素。
鈦思科技工程部經理童元鍼表示，雖然目前各界熱衷於AIoT應用的開發，成功的比例卻實為有限。
而從MathWorks公司的觀點看來，上述因素可歸咎於現階段有太多開發者只著重於AI演算法的開發，但實際上AIoT若要成功除了AI演算法之外，還有人類專家的洞見、工作流程中各項任務的實踐、AI與運作環境的互動等重要的環節。簡單來說，AIoT開發的實踐並不單只有AI元件，而是整個系統中所有工作任務整合。因此，開發者須要考量的是如何完整地去實踐整個複雜系統。而要進行完整的開發實踐，就需要能支應整個設計工作流程的開發工具，協助設計者從設計需求的導入到模型建立、模擬、測試與部署等完整流程。
因應AIoT發展趨勢與市場需求，MathWorks也提供了嵌入式系統開發完整工作流程的支援，從決定需求與規格開始，協助開發者擬定環境及系統行為模型；隨後根據設計需求進行設計，包含建立演算法、環境模型與各個實體的零組件模型，並在建模之後進行設計模擬；接著，將模型及演算法等設計付諸實現，轉碼為目標晶片或硬體所需的程式碼；最後再進行設計的測試及驗證，藉此促進各領域開發團隊間的有效溝通，加速產品上市時間。
而針對AIoT應用開發的關鍵與挑戰，童元鍼表示，以預測性維護(Predictive Maintenance)應用來說，其演算法的開發核心在於感測器資料，因其可用來訓練故障偵測的分類演算法。而MATLAB可協助開發者收集多種資料來源(包括本地的資料、雲端、資料庫以及歷史資料)，並在前處理(Preprocessing)的階段，從感測器資料中擷取出有意義的特徵，利用這些特徵訓練一個預測性維護的機器學習演算法。接著，再將演算法匯出至Simulink等模擬軟體來進行驗證，之後再經過轉碼，以程式碼部署到機器的控制單元。
不過，要從實體設備取得現場特定故障條件的資料，並不是隨時都可以行的，若允許瑕疵情況的發生，可能導致災難性的故障並且造成設備破壞；而刻意地在可控制的環境下產生故障，也可能消耗許多時間、成本，或者難以執行。解決此問題的其中一個方法是建立一個設備的數位分身(Digital Twin)，並透過模擬來產生各種故障條件的感測器資料。而MATLAB與Simulink等工具可提供工程師足夠處理能力，因應數位分身、預測性維護等實際應用所面臨的挑戰。
童元鍼表示，從AI模型建立到實踐的開發流程、物聯網所需的裝置開發與雲端物聯資料庫設立，以及資料分析洞見預測等各種工具的全面整合，一直是MathWorks致力達成的目標。除了旗下工具箱之外，在與第三方工具的平行或垂直整合也會更多元的方向發展，目的就是希望能使編寫程式碼和測試的流程盡可能地自動化，讓研發人員可專注於更有價值的研究開發與系統設計。