原文： Smarter IoT applications incorporate machine learning

　　作者：Deepak Puri，SkilledAnalysts.com首席解決方案架構師

　　譯者：劉帝偉 審校：劉翔宇

　　責編：周建丁([email protected])

　　數(shù)據(jù)超載!如此諸多的物聯(lián)網(wǎng)應用都在產(chǎn)生大量的數(shù)據(jù)，以至于僅僅依靠人力而無法進行實時的分析和利用。

　　在物聯(lián)網(wǎng)系統(tǒng)回應方面，數(shù)據(jù)科學家通過分析大量的數(shù)據(jù)來識別模式并定義規(guī)則。盡管世道變遷，新因素的出現(xiàn)卻一直都在影響正確行動的采取。你應該如何確保你的物聯(lián)網(wǎng)系統(tǒng)在變化的環(huán)境中，仍然能夠做出最佳響應。

　　“機器學習使計算機富有了學習能力，不需要顯示的程序指令就能創(chuàng)建算法，從數(shù)據(jù)中學習并做出預測。”Arthur Samuel如是說。

　　給一個簡單的物聯(lián)網(wǎng)應用定義一個規(guī)則——比如當溫度太高時，就把發(fā)動機關掉——該規(guī)則非常簡單。然而確定多個傳感器的輸入與外部因素之間的相關性是非常困難的。現(xiàn)在僅考慮一種情況，根據(jù)自動售貨機的銷售報告，庫存水平，當?shù)氐奶鞖忸A報，當?shù)鼗顒雍痛黉N廣告等傳感器數(shù)據(jù)，你必須決策何時派遣一輛卡車去補充自動售貨機的商品。判斷時間錯誤或傳送錯誤的商品，你都將因為沒有足量的正確用品補充自動售貨機的出售量而導致銷售失敗。

　　大多數(shù)領先的物聯(lián)網(wǎng)平臺(包括Azure、IBM沃森、Splunk、AWS和谷歌)現(xiàn)在都提供機器學習能力。這使得物聯(lián)網(wǎng)系統(tǒng)能夠去分析傳感器數(shù)據(jù)，尋找相關性，并做出最佳響應。該系統(tǒng)不斷觀測它的預測是否準確，同時不斷完善自身的訓練算法。目前，主要有2類機器學習方法：

　　監(jiān)督學習。它是指在一組實例的基礎上開發(fā)一種算法。例如，一個簡單的用例可能是一個產(chǎn)品每天的銷售記錄。該算法計算的是一種相關性，有關每個產(chǎn)品在一天之中到底有多少有可能會被出售。這個信息有助于確定何時傳送卡車來補充自動售貨機。

　　無監(jiān)督學習不提供標簽(如銷售/天)，系統(tǒng)需要自己去分析。相反，它提供了所有對分析有用的數(shù)據(jù)，而讓系統(tǒng)去主動識別不那么明顯的相關性，例如，價格折扣，本地事件和天氣都會影響自動售貨機的銷售，因此，在確定補充時間表時，這些因素都需要考慮在內(nèi)。

　　許多公司開始手工定義他們物聯(lián)網(wǎng)系統(tǒng)的業(yè)務規(guī)則。然后，隨著他們收集到更多有關外部影響因素的數(shù)據(jù)和信息，便開始增加基于機器學習的規(guī)則。

　　機器學習系統(tǒng)資源：

　　Microsoft Azure

　　IBM Watson

　　Google TensorFlow

　　Splunk

　　如果你認為將機器學習理論應用到物聯(lián)網(wǎng)比較高深，那么請觀看一下 Kaytranada的最新視頻 ，看看機器在一天中究竟能學到什么!