人们一直在热烈讨论大数据和人工智能等技术的机遇和威胁，并对它们的未来表示担忧。与此同时，公司希望通过安装越来越多的传感器，来提高效率降低成本。然而，InData实验室的机器学习顾问表示，如果没有适当的数据管理和分析策略，这些技术只会产生更多噪音，填满更多服务器。而不会发挥它们的实际潜力。有没有办法将简单的传感器录音转换为可操作的行业见解?
简单的答案是肯定的，它在于机器学习(ML)中。
机器学习能力
ML的范围是模仿人类大脑处理输入以产生逻辑响应的方式。如果人们依赖学习、培训或经验，机器就需要一个算法。此外，随着我们每个人的知识储备增多，我们会调整我们的反应，变得更加熟练并开始有选择地应用。在机器中复制这种自我调节行为是ML开发的终点。
为了便于学习，计算机将显示原始数据，并尝试使其更有意义。随着它的发展，它变得越来越有经验，产生越来越复杂的反馈。
物联网的挑战
在物联网(IoT)的广泛领域里，我们可以找到从智能手机到智能冰箱，再到监控工业流程的传感器等各种产品。
然而，至少有四个与物联网实施相关的基本问题需要解决：
- 安全性和隐私性：任何处理这类数据的算法都需要嵌入一些方法来保证所有通信的安全，尤其是当我们讨论像医疗传感器收集的个人数据时。
- 操作的准确性：在恶劣条件下，实施的传感器可能会发送错误数据，或者没有数据，从而破坏算法。
- 大数据的3v：大多数物联网设备产生可归类为大数据，因为它检查3v：体积，速度和变化。解决3v问题意味着为您正在使用的数据类型以及您尝试解决的问题找到最佳算法。
- 互联性：物联网的价值在于使断开连接的物品和工具相互“对话”。但是，由于这些都是以不同方式创建的，因此它们需要使用通用语言，这通常是最小的共同点。如果计算机已经有TCP/IP协议，你的冰箱将如何与咖啡机通信呢?
为什么将机器学习用于物联网?
机器学习是物联网领域的合适解决方案，至少有两个主要原因。首先是数据量和自动化机会有关。第二个与预测分析有关。
1. 数据分析自动化
让我们以汽车传感器为例。当汽车行驶时，传感器记录下成千上万的数据点，这些数据点需要实时处理，以防止事故发生，并为乘客提供舒适。人工分析师无法为每辆车执行这样的任务，因此自动化是唯一的解决方案。
通过机器学习，车辆的中央计算机可以了解危险情况，例如速度和摩擦参数，这可能对驾驶员有害，并且当场使用安全系统。
2. ML的预测能力
回到汽车的例子，物联网的真正力量不仅在于检测当前的危险，还在于识别更为普遍的模式。例如，系统可以了解轮流过紧或有平行停车困难的驾驶员，并通过在这些事项上提供额外指导来帮助他或她。
ML对于物联网最有用的特性是它可以检测异常值和异常活动，并触发必要的红旗。随着它对一种现象的了解越来越多，它变得更加准确和有效。一个很好的例子是谷歌对其HVAC系统所做的，显著降低了能源消耗。
最后但并非最不重要的是，还有机会创建模型，通过确定导致特定结果的因素，非常准确地预测未来事件。这提供了一个玩输入和控制结果的机会。
它应该如何工作?
至关重要的是要理解，当物联网系统依赖于人类输入时，它可能会失败。它需要机器学习的支持才能成为一个完全一致的系统，可以抵御人为错误。
在一个相互关联的世界中，人类错误很快就会被算法纠正。这有助于通过反馈机制优化整个过程。系统的预测组件可以识别正确的输入以获得预期的输出。
当由ML提供支持时，物联网可以在个人层面上完美地工作，这样您就不会在例如集体层面上弄乱您的早晨例程。后一种情况可以通过相互连接的汽车来说明，这些汽车可以相互通信并执行动态重新路由以避免交通拥堵。
从大数据到智能数据
“更聪明，更努力”的建议非常适合管理物联网生成的数据并将其转化为有用的见解。虽然大数据都是为了克服3v带来的挑战，但智能数据可以参考：
- 在将传感器数据发送到云进行分析之前，现场清理传感器数据
- 预处理批次的传感器信息，随时可以转化为可操作的见解
在这两种情况下，机器学习的附加价值在于它可以获取智能数据并使ML模型更快，更准确地工作。
