機器學(xué)習(xí)（ML）和物聯(lián)網(wǎng)（IoT）現(xiàn)在都非常流行。關(guān)于機器學(xué)習(xí)和物聯(lián)網(wǎng)有大量的關(guān)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(xué)習(xí)

關(guān)于機器學(xué)習(xí)的炒作越來越多，許多組織都會希望在他們的業(yè)務(wù)中多少使用一些機器學(xué)習(xí)?？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(xué)習(xí)的價值，但首先我要說，機器學(xué)習(xí)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(fù)雜的機器學(xué)習(xí)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(yīng)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(xué)習(xí)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(jié)構(gòu)化的數(shù)據(jù)方面的使用是有局限性的。當(dāng)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(chǎn)生數(shù)百萬個數(shù)據(jù)點的外部因素之間的相關(guān)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(guān)系，而機器學(xué)習(xí)是從結(jié)果變量（例如節(jié)能）出發(fā)，然后自動尋找預(yù)測變量及其相互作用。

一般來說，當(dāng)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(xué)習(xí)是有價值的。所以你給了機器學(xué)習(xí)算法一個目標，然后它會從數(shù)據(jù)中“學(xué)習(xí)”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(yīng)用機器學(xué)習(xí)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(xué)習(xí)來提高效率。

因為有一百二十個變量影響著冷卻系統(tǒng)（風(fēng)扇、水泵轉(zhuǎn)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(wù)。而Google應(yīng)用機器學(xué)習(xí)，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(xué)習(xí)對于準確預(yù)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(gòu)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(xué)習(xí)算法會隨著時間的推移而不斷改進。這意味著機器學(xué)習(xí)算法可以做出一些預(yù)測，將實際發(fā)生的情況與其預(yù)測的情況進行比較，然后進行調(diào)整，從而變得更加準確。

通過機器學(xué)習(xí)實現(xiàn)的預(yù)測分析對于許多物聯(lián)網(wǎng)應(yīng)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(yīng)用

工業(yè)應(yīng)用的成本節(jié)約

預(yù)測的能力在工業(yè)環(huán)境中非常有用。通過從機器內(nèi)部或表面上的多個傳感器繪制數(shù)據(jù)，機器學(xué)習(xí)算法可以“學(xué)習(xí)”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(shè)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(wù)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(jié)果會在幾秒鐘內(nèi)顯示在技術(shù)人員的智能手機上?！?/p>

預(yù)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(dāng)這些運輸車輛出現(xiàn)故障時，將導(dǎo)致Goldcorp每天損失200萬美元。Goldcorp正在使用機器學(xué)習(xí)預(yù)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?nèi)粘Ｉ钪械臋C器學(xué)習(xí)。Amazon和Netflix都在使用機器學(xué)習(xí)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(chǎn)品或推薦一些相關(guān)的電影和電視節(jié)目。

同樣的，在物聯(lián)網(wǎng)的機器學(xué)習(xí)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(xué)習(xí)來了解你對冷熱度的偏好，確保當(dāng)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(xué)習(xí)的有用的應(yīng)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(shè)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(xué)習(xí)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(yù)測機器需要維護的時間，還可以預(yù)測需要維護我們自己的時間。機器學(xué)習(xí)將應(yīng)用于我們的可穿戴設(shè)備，以了解我們的基礎(chǔ)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(yù)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(yù)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(xué)習(xí)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(dāng)然這將涉及到一些隱私問題）。

盡管機器學(xué)習(xí)和物聯(lián)網(wǎng)都處于炒作的高潮，但未來的應(yīng)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。