作者丨Calum McClelland，物聯網公司Leverege總監，物聯網新媒體IoT For All主編
編譯丨拓撲社 Smiletalker
傳說只要在商業計劃書中加上機器學習這個詞，就可以在估值后面加個0。
機器學習（ML）和物聯網（IoT）在現在是非常流行的概念，它們都接近技術成熟度曲線的最高點（期望膨脹期）。鑒于機器學習和物聯網的所有炒作帶來的難以消除的噪聲，我們可能并沒有認清它們的真實價值。在本文中，作者將解釋機器學習目前在物聯網領域的應用情況和相關使用案例。
上圖為Gartner2016新興技術成熟度曲線，機器學習處于技術成熟度曲線頂峰，IoT平臺和其他相關的IoT技術處于上升期。
數據分析VS機器學習
機器學習的概念越來越熱，許多公司都希望在業務中或多或少的使用到機器學習技術，但在絕大多數情況下，答案是不可能。
后文我將更深入地探討機器學習的價值，但總的來說，機器學習需要大量數據，并產生對企業有幫助的洞見。這可能意味著機器學習能夠改善流程，降低成本，為用戶創造更好的體驗，或開辟新的商業模式。
事實是，大多數公司可以從傳統的數據分析中獲得足夠的好處，而不需要更復雜的機器學習方法。
傳統的數據分析在解釋數據方面做的很好，你可以生成過去發生的事件或今天發生的情況的報告或模型，吸取有用的洞見來改善公司的運營情況。
數據分析可以幫助量化和跟蹤目標，實現更智能的決策，然后提供一種隨著時間推移的衡量成功的方法。
機器學習在什么時候有價值？
典型的傳統數據分析的數據模型通常是靜態的，它在解決快速變化和非結構化數據方面的使用是有局限性的，當涉及到物聯網時，通常需要確定幾十個傳感器的輸入與迅速產生數百萬個數據點的外部因素之間的相關性。
傳統的數據分析需要基于歷史數據和專家意見的模型來建立變量之間的關系，而機器學習從結果（比如節能）出發，自動尋找預測變量及其相互之間的關系。
一般來說，當你知道你想要實現的目標是什么，但你不知道實現這個目標需要哪些重要變量的時候，機器學習是非常有價值的，你給機器學習算法一個目標，然后它從數據中“學習”哪些因素對實現這一目標很重要。
一個很好的例子是去年Google在數據中心應用機器學習。數據中心需要保持低溫，因此需要大量的能源才能使冷卻系統正常工作（除非像微軟一樣將數據中心建在海底）。這對Google來說是巨大成本，所以目標是通過機器學習提高冷卻效率。
因為有120多個影響冷卻系統的變量（即風扇，泵速度，窗戶等），用傳統的方法構建模型將是一項巨大的任務。相反，Google通過機器學習，將整體能源消耗降低15％。 在未來幾年，Google將節省數億美元。
機器學習顯著降低了Google數據中心的功耗
此外，機器學習在準確預測未來事件方面也很有價值。因為使用傳統數據分析構建的數據模型是靜態的，隨著更多數據被捕獲和吸收，機器學習算法隨著時間的推移不斷改進。這意味著機器學習算法可以做出預測，將實際發生的情況與其預測的情況進行比較，然后調整算法，讓預測越來越準確。
通過機器學習實現的預測分析對于許多IoT應用來說是非常有價值的。下面我們來看幾個具體的例子。
l 物聯網中的應用
1、節約工業應用成本
預測能力在工業環境中非常有用。通過從機器內部或機器表面的多個傳感器繪制數據，機器學習算法可以“學習”機器的典型特征，然后檢測異常情況發生的時間。
一個名叫Augury的公司正是在做這件事，在設備上安裝了振動和超聲波傳感器：
“將收集的數據發送到我們的服務器當中，與之前從該機器以及類似機器收集到的數據進行對比。我們的平臺可以檢測到最輕微的變化，并對任何故障進行警報。這個分析過程是實時完成的，結果會在幾秒鐘內顯示在技術人員的智能手機上。“
預測機器何時需要維護是非常有價值的，能夠節省數百萬美元的成本。Goldcorp是一個很好的例子，Goldcorp是一家采礦公司，它使用巨大的車輛來運送材料。
當這些運輸車輛出現故障時，Goldcorp每天將損失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90%，這意味著巨大的成本節省。
2、塑造個人體驗
其實我們都很熟悉日常生活中機器學習的應用。亞馬遜和Netflix都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。這可能意味著建議它會向你推薦你可能喜歡的產品和視頻節目。
類似的，機器學習在物聯網中，能根據我們的個人喜好來塑造環境，這是非常有價值的。Nest Thermostat是一個很好的例子，它使用機器學習來了解用戶對室溫冷暖的偏好，確保當用戶從上班回家或在早晨醒來時，家里保持合適的溫度。
上述用例只是無數種可能性當中的一小部分，但它們很重要，因為它們是現有在物聯網中的實用的機器學習應用。
更多的可能性
未來幾年將有數十億個傳感器和設備連接到互聯網，將產生指數級的數據。數據的巨大增長將帶來機器學習的巨大進步，為我們帶來無數機會獲得收益。
我們不僅可以預測機器何時需要維護，還可以預測人類健康何時需要維護。機器學習將應用于可穿戴設備的數據，以了解我們的基本情況，并確定我們的生命體征會何時變得異常，如有必要，自動打電話給醫生或叫救護車。
除了個人之外，我們還可以使用這種健康數據來查看整個人群的健康趨勢，預測疾病的爆發，采取主動的措施解決健康問題。
我們也可以在事故發生之前預測事故和犯罪行為。智能城市當中的噪聲傳感器，攝像機甚至智能垃圾箱的數據都可以傳輸到機器學習算法中，以發現事故或犯罪的前兆，為執法部門提供強大的工具（當然這里涉及一些隱私問題）。
盡管機器學習和物聯網都存在炒作的成分，但未來的應用有無限的可能性，我們很可能目前只抓到了一些皮毛。
京公網安備 11010502049343號