作者丨Calum McClelland，物聯(lián)網(wǎng)公司Leverege總監(jiān)，物聯(lián)網(wǎng)新媒體IoT For All主編

編譯丨拓?fù)渖?Smiletalker

傳說(shuō)只要在商業(yè)計(jì)劃書(shū)中加上機(jī)器學(xué)習(xí)這個(gè)詞，就可以在估值后面加個(gè)0。

機(jī)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(diǎn)（期望膨脹期）。鑒于機(jī)器學(xué)習(xí)和物聯(lián)網(wǎng)的所有炒作帶來(lái)的難以消除的噪聲，我們可能并沒(méi)有認(rèn)清它們的真實(shí)價(jià)值。在本文中，作者將解釋機(jī)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。

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

數(shù)據(jù)分析VS機(jī)器學(xué)習(xí)

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

后文我將更深入地探討機(jī)器學(xué)習(xí)的價(jià)值，但總的來(lái)說(shuō)，機(jī)器學(xué)習(xí)需要大量數(shù)據(jù)，并產(chǎn)生對(duì)企業(yè)有幫助的洞見(jiàn)。這可能意味著機(jī)器學(xué)習(xí)能夠改善流程，降低成本，為用戶創(chuàng)造更好的體驗(yàn)，或開(kāi)辟新的商業(yè)模式。

事實(shí)是，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(jī)器學(xué)習(xí)方法。

傳統(tǒng)的數(shù)據(jù)分析在解釋數(shù)據(jù)方面做的很好，你可以生成過(guò)去發(fā)生的事件或今天發(fā)生的情況的報(bào)告或模型，吸取有用的洞見(jiàn)來(lái)改善公司的運(yùn)營(yíng)情況。

數(shù)據(jù)分析可以幫助量化和跟蹤目標(biāo)，實(shí)現(xiàn)更智能的決策，然后提供一種隨著時(shí)間推移的衡量成功的方法。

機(jī)器學(xué)習(xí)在什么時(shí)候有價(jià)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(shí)，通常需要確定幾十個(gè)傳感器的輸入與迅速產(chǎn)生數(shù)百萬(wàn)個(gè)數(shù)據(jù)點(diǎn)的外部因素之間的相關(guān)性。

傳統(tǒng)的數(shù)據(jù)分析需要基于歷史數(shù)據(jù)和專家意見(jiàn)的模型來(lái)建立變量之間的關(guān)系，而機(jī)器學(xué)習(xí)從結(jié)果（比如節(jié)能）出發(fā)，自動(dòng)尋找預(yù)測(cè)變量及其相互之間的關(guān)系。

一般來(lái)說(shuō)，當(dāng)你知道你想要實(shí)現(xiàn)的目標(biāo)是什么，但你不知道實(shí)現(xiàn)這個(gè)目標(biāo)需要哪些重要變量的時(shí)候，機(jī)器學(xué)習(xí)是非常有價(jià)值的，你給機(jī)器學(xué)習(xí)算法一個(gè)目標(biāo)，然后它從數(shù)據(jù)中“學(xué)習(xí)”哪些因素對(duì)實(shí)現(xiàn)這一目標(biāo)很重要。

一個(gè)很好的例子是去年Google在數(shù)據(jù)中心應(yīng)用機(jī)器學(xué)習(xí)。數(shù)據(jù)中心需要保持低溫，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）。這對(duì)Google來(lái)說(shuō)是巨大成本，所以目標(biāo)是通過(guò)機(jī)器學(xué)習(xí)提高冷卻效率。

因?yàn)橛?20多個(gè)影響冷卻系統(tǒng)的變量（即風(fēng)扇，泵速度，窗戶等），用傳統(tǒng)的方法構(gòu)建模型將是一項(xiàng)巨大的任務(wù)。相反，Google通過(guò)機(jī)器學(xué)習(xí)，將整體能源消耗降低15％。 在未來(lái)幾年，Google將節(jié)省數(shù)億美元。

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

此外，機(jī)器學(xué)習(xí)在準(zhǔn)確預(yù)測(cè)未來(lái)事件方面也很有價(jià)值。因?yàn)槭褂脗鹘y(tǒng)數(shù)據(jù)分析構(gòu)建的數(shù)據(jù)模型是靜態(tài)的，隨著更多數(shù)據(jù)被捕獲和吸收，機(jī)器學(xué)習(xí)算法隨著時(shí)間的推移不斷改進(jìn)。這意味著機(jī)器學(xué)習(xí)算法可以做出預(yù)測(cè)，將實(shí)際發(fā)生的情況與其預(yù)測(cè)的情況進(jìn)行比較，然后調(diào)整算法，讓預(yù)測(cè)越來(lái)越準(zhǔn)確。

通過(guò)機(jī)器學(xué)習(xí)實(shí)現(xiàn)的預(yù)測(cè)分析對(duì)于許多IoT應(yīng)用來(lái)說(shuō)是非常有價(jià)值的。下面我們來(lái)看幾個(gè)具體的例子。

l 物聯(lián)網(wǎng)中的應(yīng)用

1、節(jié)約工業(yè)應(yīng)用成本

預(yù)測(cè)能力在工業(yè)環(huán)境中非常有用。通過(guò)從機(jī)器內(nèi)部或機(jī)器表面的多個(gè)傳感器繪制數(shù)據(jù)，機(jī)器學(xué)習(xí)算法可以“學(xué)習(xí)”機(jī)器的典型特征，然后檢測(cè)異常情況發(fā)生的時(shí)間。

一個(gè)名叫Augury的公司正是在做這件事，在設(shè)備上安裝了振動(dòng)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，與之前從該機(jī)器以及類似機(jī)器收集到的數(shù)據(jù)進(jìn)行對(duì)比。我們的平臺(tái)可以檢測(cè)到最輕微的變化，并對(duì)任何故障進(jìn)行警報(bào)。這個(gè)分析過(guò)程是實(shí)時(shí)完成的，結(jié)果會(huì)在幾秒鐘內(nèi)顯示在技術(shù)人員的智能手機(jī)上。“

預(yù)測(cè)機(jī)器何時(shí)需要維護(hù)是非常有價(jià)值的，能夠節(jié)省數(shù)百萬(wàn)美元的成本。Goldcorp是一個(gè)很好的例子，Goldcorp是一家采礦公司，它使用巨大的車輛來(lái)運(yùn)送材料。

當(dāng)這些運(yùn)輸車輛出現(xiàn)故障時(shí)，Goldcorp每天將損失200萬(wàn)美元。 Goldcorp正在使用機(jī)器學(xué)習(xí)預(yù)測(cè)機(jī)器需要維護(hù)的時(shí)間，準(zhǔn)確度超過(guò)90%，這意味著巨大的成本節(jié)省。

2、塑造個(gè)人體驗(yàn)

其實(shí)我們都很熟悉日常生活中機(jī)器學(xué)習(xí)的應(yīng)用。亞馬遜和Netflix都使用機(jī)器學(xué)習(xí)來(lái)了解我們的偏好，并為用戶提供更好的體驗(yàn)。這可能意味著建議它會(huì)向你推薦你可能喜歡的產(chǎn)品和視頻節(jié)目。

類似的，機(jī)器學(xué)習(xí)在物聯(lián)網(wǎng)中，能根據(jù)我們的個(gè)人喜好來(lái)塑造環(huán)境，這是非常有價(jià)值的。Nest Thermostat是一個(gè)很好的例子，它使用機(jī)器學(xué)習(xí)來(lái)了解用戶對(duì)室溫冷暖的偏好，確保當(dāng)用戶從上班回家或在早晨醒來(lái)時(shí)，家里保持合適的溫度。

上述用例只是無(wú)數(shù)種可能性當(dāng)中的一小部分，但它們很重要，因?yàn)樗鼈兪乾F(xiàn)有在物聯(lián)網(wǎng)中的實(shí)用的機(jī)器學(xué)習(xí)應(yīng)用。

更多的可能性

未來(lái)幾年將有數(shù)十億個(gè)傳感器和設(shè)備連接到互聯(lián)網(wǎng)，將產(chǎn)生指數(shù)級(jí)的數(shù)據(jù)。數(shù)據(jù)的巨大增長(zhǎng)將帶來(lái)機(jī)器學(xué)習(xí)的巨大進(jìn)步，為我們帶來(lái)無(wú)數(shù)機(jī)會(huì)獲得收益。

我們不僅可以預(yù)測(cè)機(jī)器何時(shí)需要維護(hù)，還可以預(yù)測(cè)人類健康何時(shí)需要維護(hù)。機(jī)器學(xué)習(xí)將應(yīng)用于可穿戴設(shè)備的數(shù)據(jù)，以了解我們的基本情況，并確定我們的生命體征會(huì)何時(shí)變得異常，如有必要，自動(dòng)打電話給醫(yī)生或叫救護(hù)車。

除了個(gè)人之外，我們還可以使用這種健康數(shù)據(jù)來(lái)查看整個(gè)人群的健康趨勢(shì)，預(yù)測(cè)疾病的爆發(fā)，采取主動(dòng)的措施解決健康問(wèn)題。

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

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