但是如果以可识别的方式使用家庭数据，那么这里当然会涉及隐私和安全问题，而对于整个城市的系统则存在更广泛的公共安全问题。不过，旨在通过车载，建筑集成和专用监视站网络监视城市空气污染（如苯和颗粒物）的早期测试网络显示了巨大的希望，该监视站然后发出自动警报并修改交通流量。
仅举一个例子，2018年7月的一个项目用于监测伦敦的污染水平，将最恶劣地区的100个固定传感器与两辆经过特殊改装的Google Street View车聚集在一起，这些车在上街行驶时跟踪污染水平。两辆Google街景车每30 m读取一次空气质量读数，目的是通过在一年中叠加数据来标记污染“热点”。
当然，这里存在许多挑战，尤其是在各种实现方式中，要从各种传感器中提取有意义的数据的挑战之外，要可靠地响应环境条件的变化，还存在许多困难，其中任何一个都可能会增加设备错误，噪声，以及数据收集过程中的缺陷。
仅仅几年前，消除这些错误就几乎是不可能的任务，但是随着相对实惠的机器学习和AI工具集的兴起，从传感器融合中获得真正好处的潜力呈指数增长。当然，人工智能技术的前景更加广阔，可以产生新的用例，从而为传感器供应商和设计师提供新的市场。在短期内，人工智能和传感器融合可通过提供增强的本地数据处理功能来最大程度地降低安全风险，从而显着降低异地安全传输，处理和存储个人数据的要求。
显然，未来将看到越来越多的连接传感器嵌入到我们的车辆，房屋和城市中。向这些新兴的数据流添加上下文的必要只会变得更加紧迫。但是，到了那一天，这些数据将用于启用现有服务和启动全新的服务，而网络也需要从面向消费者的健康和娱乐的应用增强升级到能提高供应链管理效率以及更快、更轻、功耗更少的高速网络。
