機(jī)器學(xué)習(xí)對(duì)于物聯(lián)網(wǎng)來(lái)說(shuō)是什么地位

人們一直在熱烈討論大數(shù)據(jù)和人工智能等技術(shù)的機(jī)遇和威脅，并對(duì)它們的未來(lái)表示擔(dān)憂。與此同時(shí)，公司希望通過(guò)安裝越來(lái)越多的傳感器，來(lái)提高效率降低成本。然而，InData實(shí)驗(yàn)室的機(jī)器學(xué)習(xí)顧問(wèn)表示，如果沒(méi)有適當(dāng)?shù)臄?shù)據(jù)管理和分析策略，這些技術(shù)只會(huì)產(chǎn)生更多噪音，填滿更多服務(wù)器。而不會(huì)發(fā)揮它們的實(shí)際潛力。有沒(méi)有辦法將簡(jiǎn)單的傳感器錄音轉(zhuǎn)換為可操作的行業(yè)見(jiàn)解？

簡(jiǎn)單的答案是肯定的，它在于機(jī)器學(xué)習(xí)（ML）中。

ML的范圍是模仿人類大腦處理輸入以產(chǎn)生邏輯響應(yīng)的方式。如果人們依賴學(xué)習(xí)、培訓(xùn)或經(jīng)驗(yàn)，機(jī)器就需要一個(gè)算法。此外，隨著我們每個(gè)人的知識(shí)儲(chǔ)備增多，我們會(huì)調(diào)整我們的反應(yīng)，變得更加熟練并開始有選擇地應(yīng)用。在機(jī)器中復(fù)制這種自我調(diào)節(jié)行為是ML開發(fā)的終點(diǎn)。

為了便于學(xué)習(xí)，計(jì)算機(jī)將顯示原始數(shù)據(jù)，并嘗試使其更有意義。隨著它的發(fā)展，它變得越來(lái)越有經(jīng)驗(yàn)，產(chǎn)生越來(lái)越復(fù)雜的反饋。

在物聯(lián)網(wǎng)（IoT）的廣泛領(lǐng)域里，我們可以找到從智能手機(jī)到智能冰箱，再到監(jiān)控工業(yè)流程的傳感器等各種產(chǎn)品。

然而，至少有四個(gè)與物聯(lián)網(wǎng)實(shí)施相關(guān)的基本問(wèn)題需要解決：

●安全性和隱私性：任何處理這類數(shù)據(jù)的算法都需要嵌入一些方法來(lái)保證所有通信的安全，尤其是當(dāng)我們討論像醫(yī)療傳感器收集的個(gè)人數(shù)據(jù)時(shí)。

●操作的準(zhǔn)確性：在惡劣條件下，實(shí)施的傳感器可能會(huì)發(fā)送錯(cuò)誤數(shù)據(jù)，或者沒(méi)有數(shù)據(jù)，從而破壞算法。

●大數(shù)據(jù)的3v：大多數(shù)物聯(lián)網(wǎng)設(shè)備產(chǎn)生可歸類為大數(shù)據(jù)，因?yàn)樗鼨z查3v：體積，速度和變化。解決3v問(wèn)題意味著為您正在使用的數(shù)據(jù)類型以及您嘗試解決的問(wèn)題找到最佳算法。

●互聯(lián)性：物聯(lián)網(wǎng)的價(jià)值在于使斷開連接的物品和工具相互“對(duì)話”。但是，由于這些都是以不同方式創(chuàng)建的，因此它們需要使用通用語(yǔ)言，這通常是最小的共同點(diǎn)。如果計(jì)算機(jī)已經(jīng)有TCP/IP協(xié)議，你的冰箱將如何與咖啡機(jī)通信呢？

機(jī)器學(xué)習(xí)是物聯(lián)網(wǎng)領(lǐng)域的合適解決方案，至少有兩個(gè)主要原因。首先是數(shù)據(jù)量和自動(dòng)化機(jī)會(huì)有關(guān)。第二個(gè)與預(yù)測(cè)分析有關(guān)。

讓我們以汽車傳感器為例。當(dāng)汽車行駛時(shí)，傳感器記錄下成千上萬(wàn)的數(shù)據(jù)點(diǎn)，這些數(shù)據(jù)點(diǎn)需要實(shí)時(shí)處理，以防止事故發(fā)生，并為乘客提供舒適。人工分析師無(wú)法為每輛車執(zhí)行這樣的任務(wù)，因此自動(dòng)化是唯一的解決方案。

通過(guò)機(jī)器學(xué)習(xí)，車輛的中央計(jì)算機(jī)可以了解危險(xiǎn)情況，例如速度和摩擦參數(shù)，這可能對(duì)駕駛員有害，并且當(dāng)場(chǎng)使用安全系統(tǒng)。

回到汽車的例子，物聯(lián)網(wǎng)的真正力量不僅在于檢測(cè)當(dāng)前的危險(xiǎn)，還在于識(shí)別更為普遍的模式。例如，系統(tǒng)可以了解輪流過(guò)緊或有平行停車?yán)щy的駕駛員，并通過(guò)在這些事項(xiàng)上提供額外指導(dǎo)來(lái)幫助他或她。

ML對(duì)于物聯(lián)網(wǎng)最有用的特性是它可以檢測(cè)異常值和異?；顒?dòng)，并觸發(fā)必要的紅旗。隨著它對(duì)一種現(xiàn)象的了解越來(lái)越多，它變得更加準(zhǔn)確和有效。一個(gè)很好的例子是谷歌對(duì)其HVAC系統(tǒng)所做的，顯著降低了能源消耗。

最后但并非最不重要的是，還有機(jī)會(huì)創(chuàng)建模型，通過(guò)確定導(dǎo)致特定結(jié)果的因素，非常準(zhǔn)確地預(yù)測(cè)未來(lái)事件。這提供了一個(gè)玩輸入和控制結(jié)果的機(jī)會(huì)。

至關(guān)重要的是要理解，當(dāng)物聯(lián)網(wǎng)系統(tǒng)依賴于人類輸入時(shí)，它可能會(huì)失敗。它需要機(jī)器學(xué)習(xí)的支持才能成為一個(gè)完全一致的系統(tǒng)，可以抵御人為錯(cuò)誤。

在一個(gè)相互關(guān)聯(lián)的世界中，人類錯(cuò)誤很快就會(huì)被算法糾正。這有助于通過(guò)反饋機(jī)制優(yōu)化整個(gè)過(guò)程。系統(tǒng)的預(yù)測(cè)組件可以識(shí)別正確的輸入以獲得預(yù)期的輸出。

當(dāng)由ML提供支持時(shí)，物聯(lián)網(wǎng)可以在個(gè)人層面上完美地工作，這樣您就不會(huì)在例如集體層面上弄亂您的早晨例程。后一種情況可以通過(guò)相互連接的汽車來(lái)說(shuō)明，這些汽車可以相互通信并執(zhí)行動(dòng)態(tài)重新路由以避免交通擁堵。

“更聰明，更努力”的建議非常適合管理物聯(lián)網(wǎng)生成的數(shù)據(jù)并將其轉(zhuǎn)化為有用的見(jiàn)解。雖然大數(shù)據(jù)都是為了克服3v帶來(lái)的挑戰(zhàn)，但智能數(shù)據(jù)可以參考：

●在將傳感器數(shù)據(jù)發(fā)送到云進(jìn)行分析之前，現(xiàn)場(chǎng)清理傳感器數(shù)據(jù)

●預(yù)處理批次的傳感器信息，隨時(shí)可以轉(zhuǎn)化為可操作的見(jiàn)解

在這兩種情況下，機(jī)器學(xué)習(xí)的附加價(jià)值在于它可以獲取智能數(shù)據(jù)并使ML模型更快，更準(zhǔn)確地工作。