Что такое Интернет вещей?

Интернет вещей (IoT) - это модное техническое слово, но что это на самом деле означает?

Определение простое: Интернет вещей - это концепция подключения любого устройства с переключателем включения / выключения к Интернету и друг к другу. Количество устройств, поддерживающих Wi-Fi, таких как смартфоны, часы и даже домашние развлекательные системы, быстро растет. Кроме того, эта технология дешевле и проще, что помогает ей получить более широкое распространение. Все эти факторы создали идеальный шторм для того, чтобы устройства Интернета вещей стали повсеместными в нашей повседневной жизни.

Наверное, нетрудно придумать несколько примеров таких устройств - на ум могут прийти часы, телефоны, устройства, такие как Alexa или Google Home. Но эта технология будет только расширяться, становиться все более распространенной. В ближайшем будущем ваша машина может иметь доступ к вашему календарю и проложить эффективный маршрут до встречи или написать человеку, с которым вы встречаетесь, если вы опаздываете. Ваш будильник может разбудить и вас, и вашу кофеварку, поэтому к тому времени, когда вы пойдете на кухню, вас уже будет ждать чашка свежего кофе. Когда вы начинаете думать о возможностях, неудивительно, что Gartner предсказал, что 65 процентов предприятий перейдут на продукты Интернета вещей к 2020 году. Технология Интернета вещей удобна для клиентов и представляет собой большой потенциал для сбора данных об использовании. Но такое широкое использование и сбор данных вызывает больше вопросов. Как лучше всего организовать и проанализировать данные из Интернета вещей?

Введение в машинное обучение

Здесь на помощь приходит машинное обучение. Машинное обучение - это наука о том, как заставить компьютеры учиться и действовать как люди. Конечная цель состоит в том, чтобы компьютеры автономно улучшали свое обучение, снабжая их данными для анализа и обучения. Машинное обучение может принимать несколько форм:

  1. Управляемое обучение (где известен желаемый результат)
  2. Неуправляемое обучение (данные заранее не известны)
  3. Обучение с подкреплением (где обучение является результатом взаимодействия модели и окружающей среды). Возможно, вы слышали о том, что Google использует машинное обучение для сокращения расходов в одном из своих центров обработки данных.

Итак, как это связано с организацией данных, управлением и анализом? Если данные не используются, они бесполезны. А если данных слишком много, их невозможно систематизировать и проанализировать - они бесполезны или с этим может помочь машинное обучение. Объединив сбор разнообразных данных с устройств IoT с мощным прогнозным анализом машинного обучения, вы можете использовать данные для получения ценной информации.

Примеры машинного обучения и устройств Интернета вещей

Использование алгоритмов машинного обучения может помочь сделать данные Интернета вещей более пригодными для обработки и анализа. Правильное развертывание этих алгоритмов может помочь в организации и тегировании данных. С помощью машинного обучения компании могут быстро оценивать данные и проверять, соответствуют ли они определенным требованиям, что полезно в строго регулируемых финансовых услугах.

Машинное обучение также может анализировать данные. Например, алгоритм может анализировать данные, поступающие от сложного оборудования. Используя технологию машинного обучения, можно сгенерировать алгоритм, который может предсказывать и предупреждать предприятия о том, когда системы могут выйти из строя или потребовать обслуживания. Эта возможность прогнозирования может помочь предприятиям сэкономить время и деньги.

Еще один способ интеграции прогнозного машинного обучения - высокотехнологичное сельское хозяйство. Датчики в сельскохозяйственном оборудовании собирают данные о качестве почвы, погоде и растениях, которые затем можно использовать для прогнозирования урожайности сельскохозяйственных культур или использования удобрений на предстоящий сезон.

Использование машинного обучения для анализа данных об использовании клиентов также может иметь многообещающие последствия для маркетинговых исследований и анализа. Компании, использующие устройства IoT, могут отслеживать, как часто используются эти устройства, а затем сравнивать это использование с тем, как оно соответствует количеству проданного продукта.

В этих примерах устройства IoT генерируют много данных, которые можно объединить, чтобы сформировать новые идеи для бизнеса. Машинное обучение полезно, если у вас есть цель, но нет всех переменных, которые могли бы помочь вам принять решение - сообщите алгоритму желаемый результат, и он сможет выделить соответствующие переменные в данных. Если вы пытаетесь решить проблему и у вас уже есть множество соответствующих данных, машинное обучение может быть хорошим выбором - моделям машинного обучения требуется как минимум тысяча точек данных, чтобы быть полезными.

Заключение

И IoT, и машинное обучение находятся на относительно ранних стадиях, и эти примеры являются лишь частью того, что представляют собой возможности объединения этих технологий. Интеллектуальные алгоритмы могут использоваться для сбора данных о пользовательском опыте, которые затем могут помочь улучшить опыт или предсказать поведение рынка. Компании, использующие данные Интернета вещей, должны хорошо понимать, какие данные у них есть и какие результаты они хотят получить наилучшим образом от машинного обучения для анализа Интернета вещей.

Первоначально опубликовано на resources.orcad.com.