為什么IoT需要機(jī)器學(xué)習(xí)才能蓬勃發(fā)展

孟文出

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)它們的未來表示擔(dān)憂。與此同時(shí)，公司希望通過安裝越來越多的傳感器來提高效率降低成本。然而，InData實(shí)驗(yàn)室的機(jī)器學(xué)習(xí)顧問表示，如果沒有適當(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。有沒有辦法將簡單的傳感器錄音轉(zhuǎn)換為可操作的行業(yè)見解？答案是肯定的，它在于機(jī)器學(xué)習(xí)（ML）中。

機(jī)器學(xué)習(xí)能力

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，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，它變得越來越有經(jīng)驗(yàn)，產(chǎn)生越來越復(fù)雜的反饋。

物聯(lián)網(wǎng)的挑戰(zhàn)

在物聯(lián)網(wǎng)的廣闊領(lǐng)域里，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。這其中至少有4個(gè)與物聯(lián)網(wǎng)實(shí)施相關(guān)的基本問題需要解決：

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保證所有通信的安全，尤其是當(dāng)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，傳感器可能會(huì)發(fā)送錯(cuò)誤數(shù)據(jù)或者沒有數(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問題意味著為您正在使用的數(shù)據(jù)類型以及嘗試解決的問題找到了最佳算法。

互聯(lián)性：物聯(lián)網(wǎng)的價(jià)值在于使物品和工具能相互“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言，這通常是最小的共同點(diǎn)。

為什么將機(jī)器學(xué)習(xí)用于物聯(lián)網(wǎng)

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2個(gè)主要原因：第1個(gè)是數(shù)據(jù)量和自動(dòng)化有關(guān)。第2個(gè)是與預(yù)測(cè)分析有關(guān)。

數(shù)據(jù)分析自動(dòng)化

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，并為乘客提供舒適體驗(yàn)。人工分析師無法為每輛車執(zhí)行這樣的任務(wù)，因此自動(dòng)化是唯一的解決方案。

ML的預(yù)測(cè)能力

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)可以了解有平行停車?yán)щy的駕駛員，并通過在這些事項(xiàng)上提供額外指導(dǎo)來幫助他或她。

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)象的了解越來越多，它會(huì)變得更加準(zhǔn)確和有效。一個(gè)很好的例子是谷歌的HVAC系統(tǒng)，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)未來事件。

它應(yīng)該如何工作

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。這有助于通過反饋機(jī)制優(yōu)化整個(gè)過程。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相互連接的汽車來說明，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。

從大數(shù)據(jù)到智能數(shù)據(jù)

“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)化為有用的見解。雖然大數(shù)據(jù)都是為了克服3v帶來的挑戰(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)化為可操作的見解。在這2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)確的工作。