Empowering IoT with Large Language Models: A Survey of Applications, Challenges, and Future Directions
Notice bibliographique
Résumé
The integration of Large Language Models (LLMs) with the Internet of Things (IoT) is reshaping intelligent systems, enabling advanced automation, cybersecurity, and natural user interaction in cyber-physical environments. This survey synthesizes recent advances in LLM-IoT integration, highlighting transformative applications, challenges, and emerging solutions. Key applications include intelligent automation, with AutoIoT achieving 94.1%–98.5% accuracy in zero-code orchestration; personalized healthcare, with LLM-HAS reducing false alarms by 8.147%; and cybersecurity via ChatIoT and BARTPredict, the latter with 98% intrusion detection accuracy. Challenges include computational constraints on edge devices, privacy risks in data handling, and hallucinations, with medical LLMs showing up to 15% error rates without fine-tuning. Solutions like federated learning, model compression (reducing memory usage by up to 50%), and hybrid frameworks such as LLMind improve efficiency and privacy. This survey offers a comparative analysis of these approaches, providing insights into their trade-offs. Future research should focus on multimodal LLMs, scalable edge deployments, and trustworthy systems powered by explainable AI. By addressing these issues, LLM-IoT ecosystems can evolve toward resilient, adaptive, and human-centric intelligent systems, enabling more generalizable AI in IoT-driven environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,011 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».