機器學(xué)習(xí)(ML)和物聯(lián)網(wǎng)(IoT)在現(xiàn)在是非常流行的概念，它們都接近技術(shù)成熟度曲線的最高點(期望膨脹期)呜达。鑒于機器學(xué)習(xí)和物聯(lián)網(wǎng)的所有炒作帶來的難以消除的噪聲姚垂，我們可能并沒有認(rèn)清它們的真實價值。在本文中槽脑，作者將解釋機器學(xué)習(xí)目前在物聯(lián)網(wǎng)領(lǐng)域的應(yīng)用情況和相關(guān)使用案例障氛。

    上圖為Gartner2016新興技術(shù)成熟度曲線，機器學(xué)習(xí)處于技術(shù)成熟度曲線頂峰，IoT平臺和其他相關(guān)的IoT技術(shù)處于上升期衫沽。

    數(shù)據(jù)分析VS機器學(xué)習(xí)

    機器學(xué)習(xí)的概念越來越熱檐鹤，許多公司都希望在業(yè)務(wù)中或多或少的使用到機器學(xué)習(xí)技術(shù)，但在絕大多數(shù)情況下酒吠，答案是不可能冈彭。

    后文我將更深入地探討機器學(xué)習(xí)的價值，但總的來說唇佳，機器學(xué)習(xí)需要大量數(shù)據(jù)骏点，并產(chǎn)生對企業(yè)有幫助的洞見。這可能意味著機器學(xué)習(xí)能夠改善流程杆叛，降低成本谷芬，為用戶創(chuàng)造更好的體驗，或開辟新的商業(yè)模式模聋。

    事實是肩民，大多數(shù)公司可以從傳統(tǒng)的數(shù)據(jù)分析中獲得足夠的好處，而不需要更復(fù)雜的機器學(xué)習(xí)方法链方。

    傳統(tǒng)的數(shù)據(jù)分析在解釋數(shù)據(jù)方面做的很好持痰，你可以生成過去發(fā)生的事件或今天發(fā)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侄柔。

    數(shù)據(jù)分析可以幫助量化和跟蹤目標(biāo)共啃，實現(xiàn)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暂题。

    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)的移剪，它在解決快速變化和非結(jié)構(gòu)化數(shù)據(jù)方面的使用是有局限性的，當(dāng)涉及到物聯(lián)網(wǎng)時薪者，通常需要確定幾十個傳感器的輸入與迅速產(chǎn)生數(shù)百萬個數(shù)據(jù)點的外部因素之間的相關(guān)性纵苛。

    傳統(tǒng)的數(shù)據(jù)分析需要基于歷史數(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)從結(jié)果(比如節(jié)能)出發(fā)言津，自動尋找預(yù)測變量及其相互之間的關(guān)系攻人。

    一般來說，當(dāng)你知道你想要實現(xiàn)的目標(biāo)是什么署氏，但你不知道實現(xiàn)這個目標(biāo)需要哪些重要變量的時候腋殃，機器學(xué)習(xí)是非常有價值的，你給機器學(xué)習(xí)算法一個目標(biāo)晓够，然后它從數(shù)據(jù)中“學(xué)習(xí)”哪些因素對實現(xiàn)這一目標(biāo)很重要燕党。

    一個很好的例子是去年Google在數(shù)據(jù)中心應(yīng)用機器學(xué)習(xí)。數(shù)據(jù)中心需要保持低溫擅锚，因此需要大量的能源才能使冷卻系統(tǒng)正常工作(除非像微軟一樣將數(shù)據(jù)中心建在海底)悉宿。這對Google來說是巨大成本瓶虽，所以目標(biāo)是通過機器學(xué)習(xí)提高冷卻效率。

    因為有120多個影響冷卻系統(tǒng)的變量(即風(fēng)扇涝睁，泵速度珍诡，窗戶等)，用傳統(tǒng)的方法構(gòu)建模型將是一項巨大的任務(wù)示祭。相反尼袁，Google通過機器學(xué)習(xí)，將整體能源消耗降低15%供役。在未來幾年泻帮，Google將節(jié)省數(shù)億美元精置。

    機器學(xué)習(xí)顯著降低了Google數(shù)據(jù)中心的功耗

    此外计寇，機器學(xué)習(xí)在準(zhǔn)確預(yù)測未來事件方面也很有價值。因為使用傳統(tǒng)數(shù)據(jù)分析構(gòu)建的數(shù)據(jù)模型是靜態(tài)的脂倦，隨著更多數(shù)據(jù)被捕獲和吸收番宁，機器學(xué)習(xí)算法隨著時間的推移不斷改進(jìn)。這意味著機器學(xué)習(xí)算法可以做出預(yù)測赖阻，將實際發(fā)生的情況與其預(yù)測的情況進(jìn)行比較蝶押，然后調(diào)整算法，讓預(yù)測越來越準(zhǔn)確火欧。

    通過機器學(xué)習(xí)實現(xiàn)的預(yù)測分析對于許多IoT應(yīng)用來說是非常有價值的棋电。下面我們來看幾個具體的例子。

    物聯(lián)網(wǎng)中的應(yīng)用

    1苇侵、節(jié)約工業(yè)應(yīng)用成本

    預(yù)測能力在工業(yè)環(huán)境中非常有用赶盔。通過從機器內(nèi)部或機器表面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)”機器的典型特征榆浓，然后檢測異常情況發(fā)生的時間于未。

    一個名叫Augury的公司正是在做這件事，在設(shè)備上安裝了振動和超聲波傳感器：

    “將收集的數(shù)據(jù)發(fā)送到我們的服務(wù)器當(dāng)中殴衡，與之前從該機器以及類似機器收集到的數(shù)據(jù)進(jìn)行對比币沫。我們的平臺可以檢測到最輕微的變化，并對任何故障進(jìn)行警報蟀腌。這個分析過程是實時完成的番雀，結(jié)果會在幾秒鐘內(nèi)顯示在技術(shù)人員的智能手機上。“

    預(yù)測機器何時需要維護(hù)是非常有價值的抠偏，能夠節(jié)省數(shù)百萬美元的成本阶押。Goldcorp是一個很好的例子，Goldcorp是一家采礦公司绝开，它使用巨大的車輛來運送材料讶里。

    當(dāng)這些運輸車輛出現(xiàn)故障時，Goldcorp每天將損失200萬美元。Goldcorp正在使用機器學(xué)習(xí)預(yù)測機器需要維護(hù)的時間谆精，準(zhǔn)確度超過90%币芽，這意味著巨大的成本節(jié)省。

    2浮笔、塑造個人體驗

    其實我們都很熟悉日常生活中機器學(xué)習(xí)的應(yīng)用西设。亞馬遜和Netflix都使用機器學(xué)習(xí)來了解我們的偏好，并為用戶提供更好的體驗答朋。這可能意味著建議它會向你推薦你可能喜歡的產(chǎn)品和視頻節(jié)目贷揽。

    類似的，機器學(xué)習(xí)在物聯(lián)網(wǎng)中梦碗，能根據(jù)我們的個人喜好來塑造環(huán)境禽绪，這是非常有價值的。NestThermostat是一個很好的例子洪规，它使用機器學(xué)習(xí)來了解用戶對室溫冷暖的偏好印屁，確保當(dāng)用戶從上班回家或在早晨醒來時，家里保持合適的溫度斩例。

    上述用例只是無數(shù)種可能性當(dāng)中的一小部分雄人，但它們很重要，因為它們是現(xiàn)有在物聯(lián)網(wǎng)中的實用的機器學(xué)習(xí)應(yīng)用念赶。

    更多的可能性

    未來幾年將有數(shù)十億個傳感器和設(shè)備連接到互聯(lián)網(wǎng)础钠，將產(chǎn)生指數(shù)級的數(shù)據(jù)。數(shù)據(jù)的巨大增長將帶來機器學(xué)習(xí)的巨大進(jìn)步叉谜，為我們帶來無數(shù)機會獲得收益拓酵。

    我們不僅可以預(yù)測機器何時需要維護(hù)，還可以預(yù)測人類健康何時需要維護(hù)奖肋。機器學(xué)習(xí)將應(yīng)用于可穿戴設(shè)備的數(shù)據(jù)仑连，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遣拔，如有必要瀑尔，自動打電話給醫(yī)生或叫救護(hù)車。

    除了個人之外嘶刚，我們還可以使用這種健康數(shù)據(jù)來查看整個人群的健康趨勢元糯，預(yù)測疾病的爆發(fā)，采取主動的措施解決健康問題紧碴。

    我們也可以在事故發(fā)生之前預(yù)測事故和犯罪行為旷程。智能城市當(dāng)中的噪聲傳感器，攝像機甚至智能垃圾箱的數(shù)據(jù)都可以傳輸?shù)綑C器學(xué)習(xí)算法中拔较，以發(fā)現(xiàn)事故或犯罪的前兆起衫，為執(zhí)法部門提供強大的工具(當(dāng)然這里涉及一些隱私問題)劝薄。

    盡管機器學(xué)習(xí)和物聯(lián)網(wǎng)都存在炒作的成分，但未來的應(yīng)用有無限的可能性栈妆，我們很可能目前只抓到了一些皮毛胁编。