傳說只要在商業(yè)計(jì)劃書中加上機(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)的所有炒作帶來的難以消除的噪聲，我們可能并沒有認(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，但總的來說，機(jī)器學(xué)習(xí)需要大量數(shù)據(jù)，并產(chǎn)生對企業(yè)有幫助的洞見。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，吸取有用的洞見來改善公司的運(yùn)營情況。
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)和專家意見的模型來建立變量之間的關(guān)系，而機(jī)器學(xué)習(xí)從結(jié)果(比如節(jié)能)出發(fā)，自動尋找預(yù)測變量及其相互之間的關(guān)系。
一般來說，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Google來說是巨大成本，所以目標(biāo)是通過機(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通過機(jī)器學(xué)習(xí)，將整體能源消耗降低15%。 在未來幾年，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)測未來事件方面也很有價(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，將實(shí)際發(fā)生的情況與其預(yù)測的情況進(jìn)行比較，然后調(diào)整算法，讓預(yù)測越來越準(zhǔn)確。
通過機(jī)器學(xué)習(xí)實(shí)現(xiàn)的預(yù)測分析對于許多IoT應(yīng)用來說是非常有價(jià)值的。下面我們來看幾個(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)測能力在工業(yè)環(huán)境中非常有用。通過從機(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)行對比。我們的平臺可以檢測到最輕微的變化，并對任何故障進(jìn)行警報(bào)。這個(gè)分析過程是實(shí)時(shí)完成的，結(jié)果會在幾秒鐘內(nèi)顯示在技術(shù)人員的智能手機(jī)上。“