Интернет вещей (IoT) изменил способ работы предприятий, и сегодня машинное обучение ускоряет эти инициативы. В этой статье мы кратко рассмотрим обе технологии и то, как они становятся все более взаимосвязанными.

История Интернета вещей

Интернет вещей (IoT) был создан Кевином Эштоном в 1999 году во время его работы в Proctor & Gamble. Эштон занимался оптимизацией цепочки поставок и создал IoT для RFDI, что в то время было захватывающей новой технологией. Он представил свою идею руководству, и в последующие 10 лет она получила широкое распространение.

Интернет вещей - это датчики и исполнительные механизмы, встроенные в физические объекты, связанные через проводные и беспроводные сети, часто используя тот же IP-адрес, который соединяет Интернет.

Этот термин стал известен массовому рынку, когда Google объявил о приобретении Nest за 3,2 миллиарда долларов в январе 2014 года. Некоторые примеры приложений Интернета вещей сегодня включают носимые устройства, домашнюю автоматизацию, мониторинг промышленных активов и интеллектуальные счетчики энергии.

История машинного обучения (ML)

В последние годы концепция машинного обучения становится все более популярной и привлекает внимание Интернета вещей.

Начало машинного обучения туманно, ключевые события ведут к повальному увлечению машинным обучением и искусственным интеллектом. После изобретения компьютера в 1936 году целью всегда был машинный интеллект в той или иной форме. В 1990 году компьютерные программисты переключили свое внимание с вычислений, основанных на знаниях, на анализ данных со статистикой и способностью машин учиться на результатах. В 1997 году система IBM Deep Blue обыграла чемпиона мира по шахматам, гроссмейстера Гарри Каспарова. Это было большим прорывом в ML, потому что оно открыло публике возможности ML.

В 2006 году Джеффри Хинтон, британский когнитивный психолог и компьютерный ученый, ввел термин «глубокое обучение». Глубокое обучение - это более широкое семейство алгоритмов машинного обучения, которые позволяют компьютерам различать объекты и текст на изображениях и видео. Машинное обучение развивается все быстрее и быстрее, поскольку открываются новые возможности и варианты использования.

Пересечение машинного обучения и Интернета вещей

Что происходит с этими данными каждый раз, когда датчики Интернета вещей собирают данные? Кто на бэкэнде классифицирует и обрабатывает данные для принятия решений. Здесь в игру вступает машинное обучение.

Автономный автомобиль

Рассмотрим беспилотные автомобили. Алгоритмы машинного обучения и глубокого обучения (DL) обеспечивают компьютерное зрение, которое позволяет автомобилю принимать быстрые решения, как и человек. ML используется, чтобы научить автономную систему распознавать дорожные объекты и знаки и принимать решение о соответствующем ответе.

Профилактическое обслуживание IoT и IIoT

Техническое обслуживание оборудования может быть дорогостоящим, и его сложно оптимизировать. IoT и IIoT используют датчики для сбора данных об оборудовании и обмена ими в сети. Затем системе требуется машинное обучение для анализа данных и использования этой информации для прогнозирования результатов работы.

Планирование входящей логистики

С логистикой сложно, потому что в ней много движущихся частей. Это очень сложный процесс управления заказами, отгрузкой, складированием, контролем запасов и использованием. Используя данные Интернета вещей и машинное обучение, компании могут прогнозировать и рекомендовать будущие процессы и практики. Например, Honda использует машинное обучение для обнаружения проблем с качеством, выявляя закономерности в полях произвольного текста в уведомлениях о возврате по гарантии и в отчетах механиков. Honda использует рекомендации ML для настройки своей сборочной линии и предотвращения дальнейших проблем.

Розничная торговля

Розничные компании в магазинах и в Интернете имеют большие объемы демографических данных о потребителях, а также об их предпочтениях и привычках к расходам. ML может распознавать закономерности в данных, которые могут повлиять на ценообразование, запасы и прибыльность. Многие интернет-магазины используют рекомендации по продуктам на основе машинного обучения, основанные на истории просмотров и покупок покупателей.

Узнать больше

Короче говоря, как большие, так и маленькие компании используют машинное обучение и Интернет вещей в своих сценариях использования. Это быстро становится отраслевым стандартом.

Google является одним из лидеров в сфере услуг Интернета вещей и машинного обучения благодаря своей облачной платформе, которая упрощает масштабирование данных.