根据Parks Associates的预测，到2022年，所有连接家用设备的年销售量预计将超过5.2亿台。智能家居中人工智能的特定用例将有助于推动新设备和服务的采用，因为智能结果可以提高产品价值。

除了作为采用的主要驱动因素的安全用例之外，更广泛的智能家居自动化部分还包括独立设备和智能家居系统，旨在统一控制灯，锁，恒温器，娱乐设备和其他子系统。

智能家居控制可以通过自安装DIY系统(SmartThings，Wink)，安全服务(ADT Pulse，Alarm.com)提供的预安装系统或定制安装智能家居经销商(Control4，Crestron)来实现。

智能家居控制也可以通过点对点解决方案的云到云集成，或不依赖于传统硬件控制器的系统(亚马逊Alexa，谷歌主页，与嵌入式工作，各种WiFi设备API集成)来实现。

AI可以应用于来自任何这些家庭自动化设备或系统的数据，以预测和预测用户行为，提供维护数据，或帮助提高数据安全性和隐私。

尽管智能家居产品和服务激增，但安全面板和家庭控制中心等硬件控制器近年来仅略有增长。

2017年第四季度，13%的美国宽带家庭报告了家庭控制器的所有权，到2022年，家庭控制器的年收入预计将达到270万美元。本地智能家居控制器硬件可以利用处理能力和内存来协助人工智能处于边缘，以减少延迟并提高数据安全性和隐私性。

无论是通过本地硬件还是基于云的智能，AI应用程序都可以通过以下某种方式增强用户体验并为智能家居增值。

预测和个性化自动化

由于AI驱动的分析应用于日常生活的重复模式，智能家居应用程序可以学习占用者的日常工作，并为自动化序列提供预测性建议，使生活更安全，更安全，更舒适，更方便。

例如，在学习包括门解锁，灯打开以及通过家庭的几个房间的移动的行为模式之后，系统可以建议所有这些动作在“到达场景”中同步和自动化。当占用者的智能手机与地理围栏所识别的家庭相距一定距离时将被触发。

Hampton by Hampton通过Array应用程序集成和控制智能家居产品，展示了这一潜力。该应用程序通过电子密钥和电子代码实现地理围栏，自动化和访问管理。通过应用机器学习，乘员不必创建场景，而只是确认它的创建，或许通过语音更方便。

类似地，通过知道哪个乘客到达，可以触发个性化设置用于照明，恒温器设置，娱乐偏好等。机器学习可以随着乘员的行为随时间变化或其他上下文因素发挥作用而调整这些设置，例如时间年，星期几，家中其他人的存在，或天气状况。

家庭，休假，睡眠和度假模式是上下文的标志，可以为个性化自动化提供信息。用于智能自动化的机器学习的主要价值在于极大地改善了用户体验，所有者需要更少的努力。智能系统可以照顾住户，并为他们提供更高级别的保护。

更多自主设计的系统已进入市场。经过短暂的学习乘员模式后，自主系统将实现自动化，而无需用户做任何事情。系统默认为机器自治而不是请求权限。一些消费者可能会觉得这很方便，而其他消费者可能还没有准备好放弃对房屋的那么多控制。

预测性维护

最初应用于企业设施管理和工业物联网的机器学习开始应用于来自消费级连接的HVAC系统，冰箱，洗衣机和烘干机的设备遥测数据。

通过预测潜在问题和干预，预测性维护提供优于响应式维护(在发生问题后进行修复)和预防性维护(维护设备所采取的建议措施，但不受设备实际情况影响)的好处。

产品性能诊断，运行时间，电源使用模式，服务总时数，过滤器或冷却剂状态以及其他指标可以提供潜在维护问题的关键指标，这些问题可以在方便的时候主动解决，甚至可以防止。在大型已安装设备数据集中应用的机器学习会产生在小样本库中不可见的性能模式。

LG在去年的CES上宣布，该公司将把ThinQ人工智能功能添加到其所有产品中。除了远程访问和监控，语音控制和设备间通信外，其智能设备还具有自我诊断功能。

该公司声称，AI可以在任何智能家用电器上发现维护问题并自动通知用户。为了加快维修时间，该应用程序还会向呼叫中心或公司的工程师发送维护警报。

公共云平台(如Microsoft Azure和Amazon Web Services)提供预先配置用于不同类型的预测性维护用例的机器学习工具。

同样，Mnubo已应用其SmartObjects机器学习平台为连接的采暖通风空调和制冷装置(HVACR)开发预测性维护分析。

该应用程序实时测量流量，温度，压力和振动水平，然后存储和分析HVACR的诊断事件数据，以确定趋势和模式，并突出潜在问题。

制造商会收到问题，异常和异常行为以及温度和振动波动等操作问题的通知。随着机器学习随着时间的推移应用于故障和异常数据集，该服务可以构建预测性维护模型，可以在问题发生之前发现问题，并使制造商能够采取主动措施来解决设备问题。

消费电子产品和电器的预测性维护应用为客户参与，产品开发和优化提供长期价值，并为维修，转介，零件和消耗品(如过滤器和流体)的补充提供新的收入。

与企业和工业物联网的预测性维护应用不同，消费产品的预测性维护应用不会产生短期运营效率，降低维护成本和卡车运输，或减少停机造成的损失。

如果没有更直接的投资回报率，维护应用程序将会遇到更慢的实然而，具有前瞻性思维的公司会将预测性维护视为在整个产品生命周期中吸引客户的一种手段，这将持续定位其品牌以进行交叉销售和追加销售机会。

与消费者围绕AI驱动功能的互动最好是温和地逐步处理。在用户确认某些行动或偏好后，建议可能会导致轻微导致完全自动化。

消费者控制和数据共享的信心至关重要。产品或系统的智能最好地发挥所有者智能的延伸，提供更多便利，安全，节省和安心。