人們一直在熱烈討論大數(shù)據(jù)和人工智能等技術的機遇和威脅，并對它們的未來表示擔憂。與此同時，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實驗室的機器學習顧問表示，如果沒有適當?shù)臄?shù)據(jù)管理和分析策略，這些技術只會產(chǎn)生更多噪音，填滿更多服務器。而不會發(fā)揮它們的實際潛力。有沒有辦法將簡單的傳感器錄音轉換為可操作的行業(yè)見解？
簡單的答案是肯定的，它在于機器學習（ML）中。
機器學習能力ML的范圍是模仿人類大腦處理輸入以產(chǎn)生邏輯響應的方式。如果人們依賴學習、培訓或經(jīng)驗，機器就需要一個算法。此外，隨著我們每個人的知識儲備增多，我們會調(diào)整我們的反應，變得更加熟練并開始有選擇地應用。在機器中復制這種自我調(diào)節(jié)行為是ML開發(fā)的終點。
為了便于學習，計算機將顯示原始數(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，產(chǎn)生越來越復雜的反饋。
物聯(lián)網(wǎng)的挑戰(zhàn)在物聯(lián)網(wǎng)（IoT）的廣泛領域里，我們可以找到從智能手機到智能冰箱，再到監(jiān)控工業(yè)流程的傳感器等各種產(chǎn)品。
然而，至少有四個與物聯(lián)網(wǎng)實施相關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，尤其是當我們討論像醫(yī)療傳感器收集的個人數(shù)據(jù)時。
●操作的準確性：在惡劣條件下，實施的傳感器可能會發(fā)送錯誤數(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)設備產(chǎn)生可歸類為大數(shù)據(jù)，因為它檢查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)類型以及您嘗試解決的問題找到最佳算法。
●互聯(lián)性：物聯(lián)網(wǎng)的價值在于使斷開連接的物品和工具相互“對話”。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。如果計算機已經(jīng)有TCP/IP協(xié)議，你的冰箱將如何與咖啡機通信呢？
為什么將機器學習用于物聯(lián)網(wǎng)？機器學習是物聯(lián)網(wǎng)領域的合適解決方案，至少有兩個主要原因。首先是數(shù)據(jù)量和自動化機會有關。第二個與預測分析有關。
數(shù)據(jù)分析自動化讓我們以汽車傳感器為例。當汽車行駛時，傳感器記錄下成千上萬的數(shù)據(jù)點，這些數(shù)據(jù)點需要實時處理，以防止事故發(fā)生，并為乘客提供舒適。人工分析師無法為每輛車執(zhí)行這樣的任務，因此自動化是唯一的解決方案。
通過機器學習，車輛的中央計算機可以了解危險情況，例如速度和摩擦參數(shù)，這可能對駕駛員有害，并且當場使用安全系統(tǒng)。
ML的預測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當前的危險，還在于識別更為普遍的模式。例如，系統(tǒng)可以了解輪流過緊或有平行停車困難的駕駛員，并通過在這些事項上提供額外指導來幫助他或她。
ML對于物聯(lián)網(wǎng)最有用的特性是它可以檢測異常值和異?；顒?，并觸發(fā)必要的紅旗。隨著它對一種現(xiàn)象的了解越來越多，它變得更加準確和有效。一個很好的例子是谷歌對其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，還有機會創(chuàng)建模型，通過確定導致特定結果的因素，非常準確地預測未來事件。這提供了一個玩輸入和控制結果的機會。
它應該如何工作？至關重要的是要理解，當物聯(lián)網(wǎng)系統(tǒng)依賴于人類輸入時，它可能會失敗。它需要機器學習的支持才能成為一個完全一致的系統(tǒng)，可以抵御人為錯誤。
在一個相互關聯(lián)的世界中，人類錯誤很快就會被算法糾正。這有助于通過反饋機制優(yōu)化整個過程。系統(tǒng)的預測組件可以識別正確的輸入以獲得預期的輸出。
當由ML提供支持時，物聯(lián)網(wǎng)可以在個人層面上完美地工作，這樣您就不會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)送到云進行分析之前，現(xiàn)場清理傳感器數(shù)據(jù)
●預處理批次的傳感器信息，隨時可以轉化為可操作的見解
在這兩種情況下，機器學習的附加價值在于它可以獲取智能數(shù)據(jù)并使ML模型更快，更準確地工作。
下載文檔
