機器學習在物聯(lián)網(wǎng)技術中有什么作用

機器學習（ML）和物聯(lián)網(wǎng)（IoT）現(xiàn)在都非常流行。關于機器學習和物聯(lián)網(wǎng)有大量的關注和炒作，我們可能很難穿過噪音去了解它的實際價值。

數(shù)據(jù)分析vs．機器學習

關于機器學習的炒作越來越多，許多組織都會希望在他們的業(yè)務中多少使用一些機器學習?？墒墙^大多數(shù)時候都不能如此。

后面我將更深入地探討機器學習的價值，但首先我要說，機器學習需要大量數(shù)據(jù)。這可能意味著改進流程、降低成本、為客戶創(chuàng)造更好的體驗，或者開辟新的商業(yè)模式。

事實是，大多數(shù)組織可以從傳統(tǒng)的數(shù)據(jù)分析中獲得許多好處，而不需要更復雜的機器學習的方法。

傳統(tǒng)的數(shù)據(jù)分析在解釋數(shù)據(jù)這方面做得很棒。你可以依照過去發(fā)生的事件或今天發(fā)生的情況生成報告或模型，吸取有用的見解來應用于組織之中。

數(shù)據(jù)分析可以幫助量化和跟蹤目標，實現(xiàn)更智能的決策，然后隨著時間的推移提供衡量成功的手段。

那么機器學習在什么時候有價值？

典型的傳統(tǒng)數(shù)據(jù)分析的數(shù)據(jù)模型通常是靜態(tài)的，它在處理快速變化和非結構化的數(shù)據(jù)方面的使用是有局限性的。當涉及到物聯(lián)網(wǎng)時，通常需要確定幾十個傳感器輸入和迅速產生數(shù)百萬個數(shù)據(jù)點的外部因素之間的相關性。

傳統(tǒng)的數(shù)據(jù)分析需要基于過去數(shù)據(jù)和專家意見的模型來建立變量之間的關系，而機器學習是從結果變量（例如節(jié)能）出發(fā)，然后自動尋找預測變量及其相互作用。

一般來說，當你知道你想要什么，但卻并不知道做出該決策所需要的重要的輸入變量的時候，機器學習是有價值的。所以你給了機器學習算法一個目標，然后它會從數(shù)據(jù)中“學習”到哪些因素對于實現(xiàn)這一目標很重要。

Google去年在其數(shù)據(jù)中心應用機器學習就是一個很好的例子。數(shù)據(jù)中心需要保持低溫，因此它們需要大量的能源來讓冷卻系統(tǒng)正常工作（或者你可以直接將它們扣入海洋中）。這對于Google來說是巨大的成本，所以目標是通過機器學習來提高效率。

因為有一百二十個變量影響著冷卻系統(tǒng)（風扇、水泵轉速、窗等），使用傳統(tǒng)的方法來建造模型將是一個非常艱巨的任務。而Google應用機器學習，將整體能源消耗降低了百分之十五。這將為Google在未來幾年節(jié)省數(shù)億美元。

此外，機器學習對于準確預測未來事件而言也很有價值。鑒于使用傳統(tǒng)數(shù)據(jù)分析所構建的數(shù)據(jù)模型是靜態(tài)的，隨著越來越多的數(shù)據(jù)被捕獲和吸收，機器學習算法會隨著時間的推移而不斷改進。這意味著機器學習算法可以做出一些預測，將實際發(fā)生的情況與其預測的情況進行比較，然后進行調整，從而變得更加準確。

通過機器學習實現(xiàn)的預測分析對于許多物聯(lián)網(wǎng)應用來說都是非常有價值的。我們來看幾個具體的例子。

物聯(lián)網(wǎng)中的應用

工業(yè)應用的成本節(jié)約

預測的能力在工業(yè)環(huán)境中非常有用。通過從機器內部或表面上的多個傳感器繪制數(shù)據(jù)，機器學習算法可以“學習”機器的典型特征，然后檢測異常狀況。

一個名叫Augury的公司做的正是這個事情，它在設備上安裝了振動和超聲波傳感器：

“收集的數(shù)據(jù)被發(fā)送到我們的服務器中，在那里與從該機器收集到的原來的數(shù)據(jù)以及從類似機器收集到的數(shù)據(jù)進行比較。我們的平臺可以檢測到最微小的變化，并在故障發(fā)生時發(fā)出警告。這個分析是實時完成的，其結果會在幾秒鐘內顯示在技術人員的智能手機上?！?/p>

預測機器何時需要維護是非常有價值的，它將節(jié)省數(shù)百萬美元的成本。Goldcorp就是一個很好的例子，它是一家采礦公司，使用巨大的車輛來運送材料。

當這些運輸車輛出現(xiàn)故障時，將導致Goldcorp每天損失200萬美元。Goldcorp正在使用機器學習預測機器需要維護的時間，準確度超過百分之九十，這節(jié)省了巨大的成本。

塑造個人體驗

其實我們都熟悉我們日常生活中的機器學習。Amazon和Netflix都在使用機器學習來了解我們的偏好，并為用戶提供更好的體驗。這可能意味著它會向你推薦你可能喜歡的產品或推薦一些相關的電影和電視節(jié)目。

同樣的，在物聯(lián)網(wǎng)的機器學習中，它能將我們的環(huán)境塑造成我們個人所喜愛的這一事實將非常有價值。Nest Thermostat是一個很好的例子，它使用機器學習來了解你對冷熱度的偏好，確保當你下班回家或在早晨醒來時，房間的溫度是合適的。

更多

上面所述的幾個例子只是無限的可能性中的一小部分，但它們很重要，因為它們是現(xiàn)在正在運行的物聯(lián)網(wǎng)中的機器學習的有用的應用程序。

但總的來說…

我們只抓到了皮毛

未來幾年將繼續(xù)連接到互聯(lián)網(wǎng)的數(shù)十億個傳感器和設備將生成指數(shù)級的更多的數(shù)據(jù)。正如我在上一篇文章中討論過的那樣，數(shù)據(jù)的巨大增長將帶來機器學習的巨大進步，并為我們帶來無數(shù)獲得收益的機會。

我們不僅可以預測機器需要維護的時間，還可以預測需要維護我們自己的時間。機器學習將應用于我們的可穿戴設備，以了解我們的基礎狀況，并在維持我們身體的重要器官出現(xiàn)異常時作出判斷，必要時，會自動打電話給醫(yī)生或救護車。

除了個體之外，我們還可以使用這個健康數(shù)據(jù)來查看整個人群的身體狀況的整體趨勢，預測疾病的爆發(fā)并主動解決健康問題。

我們還可以在事故發(fā)生之前預測事故和犯罪行為。來自智能城市的噪音傳感器、攝像機、甚至智能垃圾箱的數(shù)據(jù)都可以傳送到機器學習算法中，以發(fā)現(xiàn)事故或犯罪行為發(fā)生的征兆，為執(zhí)法部門提供強有力的工具（當然這將涉及到一些隱私問題）。

盡管機器學習和物聯(lián)網(wǎng)都處于炒作的高潮，但未來的應用和可能性值得這樣的炒作。我們真的只抓到了所有可能性的皮毛。