Интернет вещей и машинное обучение - как они работают вместе

Интернет вещей (отныне IoT) - это, по сути, устройства, которые подключены к Интернету и могут передавать данные.

Машинное обучение (отныне ML) - это, по сути, отрасль статистики и информатики, цель которой - имитировать интеллект с помощью алгоритмов.

Итак, как эти две инновации могут работать вместе, чтобы создать новые возможности для предпринимателей и предприятий?

Сначала давайте посмотрим, как работают обе технологии, а затем посмотрим, какую ценность каждая из технологий дает сама по себе.

Как работает Интернет вещей

Прежде чем мы сможем говорить о ценности устройств Интернета вещей, нам нужно понять, как они работают. Как только мы поймем, как они работают, нам будет легче понять их ценность.

Протоколы передачи данных

Интернет работает путем передачи данных по различным протоколам передачи данных. Самый распространенный протокол передачи данных называется HTTP, что означает протокол передачи гипертекста. Существует также вариант, называемый HTTPS, что означает безопасный протокол передачи гипертекста. Из-за кибератак HTTPS теперь становится стандартом. Другие протоколы передачи данных включают SSH, FTP, SFTP и многое другое.

Протоколы передачи данных - это, по сути, просто набор правил, которым должно следовать устройство, чтобы отправлять данные через Интернет.

Думайте об этом как о таком языке, как английский. Если вы хотите общаться с другим человеком, он также должен понимать и говорить по-английски. Если другой человек говорит на другом языке, общение может прерваться. Так работают протоколы передачи данных. Оба устройства должны иметь возможность отправлять и получать данные одинаково для обмена данными.

Маршрутизаторы и подключение к Интернету

Если вы подключены к Интернету, вы определенно используете роутер. Маршрутизаторы просто «направляют» ваши запросы и ответы. Чтобы ваше устройство могло подключиться к Интернету, оно должно сначала аутентифицироваться с помощью маршрутизатора. После аутентификации маршрутизатор начнет маршрутизировать ваши запросы и ответы.

Даже в мобильных устройствах есть «роутер». Например, когда ваш смартфон подключен к сетям LTE, вышки сотовой связи становятся вашим маршрутизатором. Вышки сотовой связи отправляют и получают ваши запросы и ответы.

Каждое устройство IoT должно иметь чип, позволяющий ему подключаться к маршрутизатору. Обычно это означает чип Wi-Fi или чип мобильной связи, такой как чип 3G или LTE. Тем не менее, иногда устройства Интернета вещей могут использовать технологию Bluetooth для связи, однако я не буду говорить об этом в этом посте.

Если на устройстве нет микросхемы, которая позволяет ему подключаться к Интернету, оно не является устройством Интернета вещей.

Собираем все вместе

Как только ваше IoT-устройство подключено к Интернету, оно использует протоколы передачи данных для обмена данными по сети. Данные с IoT-устройства могут быть отправлены куда угодно инженеру.

Иногда данные отправляются на централизованный сервер. Иногда он отправляется на ваш собственный частный сервер. Иногда его отправляют на другие устройства Интернета вещей. Однако общим является то, что устройство IoT может отправлять данные через Интернет на другое устройство.

Теперь, когда мы понимаем, как работают устройства Интернета вещей на высоком уровне, давайте поговорим о ценности, которую Интернет вещей дает потребителям и предприятиям.

Ценность Интернета вещей

По мере того как мир становился все более связанным через Интернет, некоторые умные предприниматели и предприятия осознали, что фундамент для постоянно подключенного общества был создан. Инфраструктура была там. Многие домохозяйства и предприятия, по крайней мере, в развитых странах, имели доступ к Интернету со скоростью не ниже 3G.

Имея эту инфраструктуру, теперь стало возможным создать устройство, которое может собирать данные с помощью датчиков и делиться ими с другими устройствами через Интернет.

Потребительские выгоды от Интернета вещей

Например, все ваши устройства умного дома подключены к Интернету. Они постоянно обмениваются данными между собой, чтобы дать потребителю новый опыт.

Некоторые устройства умного дома можно даже подключить через смартфон или умную колонку, например Alexa. Это дает потребителю централизованную зону для управления своими устройствами. Теперь вы можете открывать и закрывать свой гараж с помощью смартфона. Теперь вы можете включать и выключать свет с помощью Alexa.

Все они способствуют лучшему потребительскому опыту. Однако дело не только в потребителях. Компании используют устройства Интернета вещей для улучшения своей внутренней структуры и снижения затрат.

Выгоды для бизнеса от Интернета вещей

Фермеры начинают использовать устройства IoT для мониторинга своей почвы, обеспечения сельскохозяйственных культур необходимыми питательными веществами и многого другого. Имея всю эту информацию под рукой, они могут работать эффективнее. Теперь они могут знать, на чем сосредоточить свое внимание.

Не останавливается и на сельском хозяйстве. Компании используют устройства Интернета вещей для управления запасами. Не имея человека, они могут быстро проверить свои запасы и принимать более разумные бизнес-решения.

Больницы могут использовать Интернет вещей для быстрого наблюдения за пациентами. Затем они могут сосредоточить свое внимание в режиме реального времени на пациентах, которым требуется немедленная помощь. Врачи и медсестры являются ценным человеческим капиталом для общества. Если их время тратится на наблюдение за пациентом, который не нуждается в такой помощи, как другой пациент, это становится проблемой распределения ресурсов. Время и энергия должны быть сосредоточены на тех, кто в любой момент имеет более высокий приоритет.

Компании-производители могут выявить неэффективность производственной линии и даже выяснить, какие машины нуждаются в обслуживании. Все это может снизить стоимость работы производственного предприятия.

Это лишь малая часть того, что сами устройства Интернета вещей могут сделать как для потребителей, так и для бизнеса. Теперь давайте посмотрим, на что способно ML.

Как работает машинное обучение

Мир не совсем детерминированный. Другими словами, мир, по крайней мере, в нашем нынешнем понимании, не обязательно следует пошаговому алгоритму. Если бы это было так, мы могли бы предсказывать будущее.

Мир скорее стохастичен, недетерминирован и непредсказуем. Однако с тех пор, как Блез Паскаль и Пьер де Ферма изобрели теорию вероятностей, нам больше повезло с тем, что мы смогли предсказать, что наиболее вероятно произойдет.

Например, если вы выйдете ночью в тенистый темный переулок, нет гарантии, что вас ограбят или ограбят, однако вероятность этого очень высока. Как мы интуитивно это узнаем? Потому что мы узнали это на собственном опыте.

Это то, к чему стремится ML. Используя статистику и алгоритмы, мы можем предсказать наиболее вероятный сценарий. В примере с выходом в темный переулок ночью алгоритм машинного обучения можно обучить, чтобы понять, что это, вероятно, не лучшая идея, используя статистику. Приведено много данных о том, что происходит, когда кто-то идет в темный переулок и извлекает уроки из этих данных. Мы, люди, называем это переживанием.

После обработки большого количества данных при новом сценарии он может предсказать, что с наибольшей вероятностью произойдет. Это становится петлей обратной связи. Ваш алгоритм машинного обучения учился на большом количестве данных, он получает новые данные, делает прогноз, основанный на том, правильный он или неправильный, он обновляет свои «знания» и становится лучше.

Алгоритмы машинного обучения могут использовать множество различных моделей. Например, если разработчик алгоритма машинного обучения считает, что проблема может быть решена с помощью линейной регрессии, алгоритм машинного обучения будет разработан таким образом. Это будет очень хорошо для определения линейных закономерностей. Другие модели включают логистическую регрессию, многомерную линейную регрессию, вспомогательные векторные машины, методы кластеризации и многое другое.

Итак, теперь, когда мы знаем, как машинное обучение работает на высоком уровне, давайте обсудим, какую ценность оно приносит потребителям и предприятиям.

Ценность машинного обучения

Не все так интуитивно понятно, как знать, что нельзя идти ночью в темный темный переулок. Например, как узнать, под какую процентную ставку нужно кому-то давать ссуду? Или они вообще должны получить ссуду? Не слишком ли рискованно давать ссуду?

Вот где ML может помочь. Давайте поговорим о прямых выгодах, которые потребители и компании получают от машинного обучения.

Потребительские выгоды от ML

Многие потребители используют машинное обучение в повседневной жизни, даже если не подозревают об этом. Вероятно, это так, потому что ML не является чем-то осязаемым. Это просто алгоритм, работающий на каком-то компьютере. Тем не менее, преимущества для потребителя по-прежнему существуют.

Например, когда вы делаете покупки на Amazon, платформа порекомендует вам товары на основе того, что вы искали, ранее покупали и многое другое. Это улучшает покупательский опыт для потребителей.

Другой пример - контент, который вы представляете на таких платформах, как Instagram, Facebook, Twitter и даже Medium. Представьте, что Medium просто рекомендовал вам случайные статьи. Это было бы не так уж и удивительно из-за контента.

ML также используется в игровой индустрии. Например, при игре в многопользовательские онлайн-игры алгоритм может решить, как создавать хорошо сбалансированные команды. Это дает игрокам больше удовольствия от игры независимо от уровня их навыков. Представьте, что вы играете в Call of Duty в качестве новичка и случайно попадаете в матч, где вам предстоит сражаться с кучей профессионалов.

Это как раз то, что может сделать только ML. Помните, что машинное обучение - это всего лишь разновидность искусственного интеллекта. ИИ в целом может сделать гораздо больше для потребителей. Например, Siri использует сложные алгоритмы искусственного интеллекта для преобразования вашей речи в текст, понятный компьютеру. Однако я не буду вдаваться в подробности о том, что ИИ в целом может сделать для потребителей.

Бизнес-выгоды от машинного обучения

Хотя компании используют машинное обучение, чтобы улучшить качество обслуживания клиентов, они могут использовать те же алгоритмы для улучшения своего внутреннего бизнеса.

Например, рестораны могут записывать данные о каждой транзакции, например о том, какое блюдо было заказано, когда оно было заказано, и многое другое. Затем они могут использовать эти данные, чтобы заранее предсказать, сколько блюд может быть подано на каждый день, и подготовить их соответствующим образом.

Банки и финансовые учреждения собирают много данных по каждой транзакции. Затем они могут использовать ML, чтобы выяснить, как структурировать ссуды и кредиты, чтобы минимизировать риски и максимизировать прибыль.

Рэй Далио, основатель Bridgewater Associates, использует машинное обучение для полуавтоматизации процесса принятия решений внутри компании. Он подробно рассказывает об этом в своей книге Принципы, и я настоятельно рекомендую вам проверить эту книгу.

Компании, занимающиеся кибербезопасностью, также используют машинное обучение для поимки злоумышленников. Используя машинное обучение, они могут выявлять закономерности в компьютерных системах журналов, чтобы защитить компании от утечки данных.

Машинное обучение само по себе дает множество преимуществ как потребителям, так и предприятиям, и эта тенденция будет только продолжаться.

Как Интернет вещей и машинное обучение работают вместе

Как мы теперь знаем, IoT может передавать данные через Интернет, в то время как машинное обучение может получать данные и учиться на них. Затем мы можем объединить два.

Устройства IoT передают данные в некоторую базу данных, а затем алгоритм машинного обучения может брать эти данные и извлекать из них уроки. Чем больше данных вы передаете с устройства IoT, тем умнее становится ваш алгоритм машинного обучения.

Если устройства IoT также могут взаимодействовать со средой, алгоритм машинного обучения может отправлять инструкции устройству IoT. Это может привести к очень мощной петле.

Устройство IoT начинает отправлять данные в алгоритм машинного обучения. Со временем он находит скрытые закономерности в данных и может сказать устройству IoT, что делать. Оттуда устройство IoT может выполнять действия и отправлять больше данных обратно в алгоритм машинного обучения, что заставляет алгоритм машинного обучения узнавать больше и отправлять более точные инструкции.

Этот цикл обратной связи, если его повторять много раз, может привести к очень интересным результатам. В этом цикле обратной связи большая часть ценности заключается в сочетании IoT и машинного обучения.

Сочетание ценности Интернета вещей и машинного обучения

Теперь давайте поговорим о том, что произойдет, если мы возьмем ценность, обеспечиваемую устройствами Интернета вещей, и объединим их с машинным обучением. Результат потрясающий, и, надеюсь, он вдохновит вас на размышления о том, как вы можете использовать комбинацию для себя.

Напомним, Интернет вещей позволяет устройствам подключаться к Интернету и обмениваться данными, а машинное обучение позволяет людям находить скрытые неинтуитивные закономерности в данных. Объедините их вместе, и у нас есть система, которая позволяет добиться значительных успехов во многих отраслях.

Устройства IoT могут передавать большой объем данных в центральную базу данных. Оттуда данные в базе данных могут быть проанализированы с помощью алгоритмов машинного обучения. В этом суть комбинации Интернета вещей и машинного обучения. Это становится самоусиливающейся петлей обратной связи.

Многие отрасли уже начали открывать эту ценность для клиентов и внутри компании. Давайте поговорим о некоторых из этих отраслей.

Умный Дом Автоматизация

Все мы знаем, что можем управлять нашим освещением, гаражными воротами, термостатом и многим другим с помощью наших телефонов и смарт-динамиков, однако что, если мы дадим им больше автономии? Что, если мы поставим перед этими устройствами цель, и они автоматически сделают все за нас?

Например, с помощью технологии маяка ваши устройства умного дома могут узнать, дома вы или нет. Использование этих данных в сочетании с другими данными, такими как время суток, день недели и т. Д., Позволяет значительно автоматизировать работу.

Свет можно включить, когда вы собираетесь вернуться с работы. Тостер и кофеварка могут предсказать, когда вы, скорее всего, проснетесь и уже готовите завтрак. Умные жалюзи также могут автоматически открываться, когда вы собираетесь просыпаться.

Объединив данные, которые предоставляют устройства Интернета вещей, и алгоритм машинного обучения, который может начать изучать ваше поведение, ваш дом может работать с вами. Вы можете сосредоточиться на вещах, которые более важны в долгосрочной перспективе, вместо того, чтобы тратить время на заваривание кофе по утрам (если у вас нет кого-то, кто может приготовить его за вас, ха-ха).

Популярные статьи GoBeyond.ai:

1. 83 эксперта делятся лучшими стратегиями оптимизации коэффициента конверсии электронной торговли

2. Лучшие практики управления обслуживанием клиентов электронной коммерции

3. 15 лучших расширений Magento 2 для вашего сайта электронной коммерции

4. Как бесплатные влиятельные лица привели мой бренд к глобальному успеху

сельское хозяйство

Датчики Интернета вещей в земле могут отправлять данные в алгоритм машинного обучения. Вы также можете получить данные о погоде из Интернета и объединить несколько точек данных, чтобы помочь фермерам понять, на чем сосредоточить свое внимание.

В сочетании с автономными транспортными средствами, которые также подключены к Интернету, такими как дроны, они могут выйти в поле и помочь фермеру. После того, как дроны выполнят свои действия, датчики Интернета вещей могут отправить больше данных обратно в алгоритм машинного обучения. Это запускает цикл обратной связи, который сделает алгоритм машинного обучения еще умнее.

Выбросы

Используя датчики Интернета вещей, города могут видеть, какие улицы в какое время используются больше всего. Затем данные можно использовать, чтобы выяснить, как сохранить минимальный трафик, если это цель.

Еще одна возможная цель - снизить выбросы транспортных средств. Используя датчики Интернета вещей, которые могут измерять загрязнение в сочетании с алгоритмом машинного обучения, можно управлять светофором, чтобы минимизировать количество загрязнения, создаваемого движением. Например, если на определенном маршруте есть много полуприцепов, которые неэффективны по расходу топлива, им можно дать больше зеленых огней, чтобы они катились и потребляли меньше топлива.

Но как насчет других транспортных средств, которые должны останавливаться на красный свет? Вот где алгоритм машинного обучения может обработать много данных и выяснить, когда лучше дать полуприцепам красный свет, а другим транспортным средствам. Представьте, что люди пытаются это вычислить, это был бы кошмар, однако с устройствами Интернета вещей и машинным обучением это возможная реальность.

Производство

Многие продукты создаются с использованием сложной робототехники и машин. Эти машины могут выйти из строя и стоить компаниям-производителям больших денег. Даже если машина не сломалась, в производственном процессе могут быть узкие места, которые можно оптимизировать.

Объединив датчики Интернета вещей, которые могут получать данные с этих машин, с алгоритмами машинного обучения, производители могут быстро выявить эти узкие места и работать над их устранением.

Спортивный

НФЛ уже использует шлемы с датчиками Интернета вещей для наблюдения за спортсменами. Алгоритм машинного обучения затем может определить, находится ли здоровье спортсмена в опасности и следует ли его убрать с поля для сохранения здоровья.

Вскоре мы увидим устройства IoT и во многих других основных видах спорта. Например, теннисисты могут иметь в своих теннисных ракетках устройства IoT, которые могут отправлять данные тренеру, который может анализировать данные с помощью алгоритмов машинного обучения.

Возможности 5G

По мере того, как мы приближаемся к миру, основанному на 5G, нам откроется множество новых возможностей. С помощью этой новой технологии будет сделано много инноваций.

С 5G мы начинаем устранять узкое место задержки сети.

Чтобы лучше объяснить, почему это так важно, представьте себе беспилотный автомобиль. Вокруг него есть камеры и датчики, которые постоянно собирают данные. На данный момент у автономных транспортных средств есть действительно мощный бортовой компьютер, который может собирать все эти данные, обрабатывать их в режиме реального времени и направлять автономное транспортное средство. Это то, что делает Тесла. Они оснастили каждую машину специализированным компьютером для автопилота.

Однако оснащение каждой машины мощным процессором или графическим процессором для работы глубоких нейронных сетей означает, что компаниям придется разрабатывать специализированные чипы для каждого продукта. Это стоимость для бизнеса. Для каждого продукта со специализированным чипом у вас есть расходы на исследования и разработки, разработку чипа, тестирование и многое другое.

Кроме того, у транспортного средства должно быть большое запоминающее устройство для хранения любых предварительно обработанных данных, загружаемых с серверов. Это определенно снижает нагрузку на встроенный чип. Однако это также требует от компаний вкладывать деньги в разработку запоминающих устройств.

Теперь представьте автомобиль, который может собирать данные и в режиме реального времени передавать их в какой-либо центр обработки данных, который обрабатывает данные и отправляет инструкции обратно в автомобиль в режиме реального времени. Центр обработки данных, возможно, даже уже обработал данные ранее и просто отправил сохраненные инструкции автомобилю. Это то, к чему стремится 5G.

Автономное транспортное средство больше не требует мощного бортового чипа и запоминающих устройств. Автомобиль может просто передавать данные на серверную ферму и получать инструкции в режиме реального времени. Многие компании уже имеют большие серверные фермы, и стоимость чистой вычислительной мощности постоянно снижается.

Компаниям не нужно будет разрабатывать специализированный чип для каждого продукта с поддержкой ИИ. Просто чип 5G, который может передавать данные и получать инструкции.

Теперь предстоит еще очень долгий путь, чтобы воплотить это в жизнь, поскольку вам потребуется 100% покрытие 5G, чтобы гарантировать, что ни одно устройство никогда не потеряет соединение. Представьте себе дрон, который передает данные через 5G, а затем теряет соединение. По сути, это будет «полет в темноте».

Однако по мере расширения охвата 5G многие устройства IoT могут отправлять и получать данные почти в реальном времени. Это интересно.

Заключение

Интернет вещей и машинное обучение сами по себе являются очень интересными технологиями, которые уже достигли прогресса во многих отраслях. Оба они приносят огромную пользу, а в сочетании они открывают еще большую ценность для клиентов и предприятий.

Не забудьте передать нам 👏!