機(jī)器學(xué)習(xí)(ML)和物聯(lián)網(wǎng)(IoT)現(xiàn)在都非常流行。關(guān)于機(jī)器學(xué)習(xí)和物聯(lián)網(wǎng)有大量的關(guān)注和炒作，我們可能很難穿過噪音去了解它的實(shí)際價(jià)值。
數(shù)據(jù)分析vs.機(jī)器學(xué)習(xí)
關(guān)于機(jī)器學(xué)習(xí)的炒作越來越多，許多組織都會(huì)希望在他們的業(yè)務(wù)中多少使用一些機(jī)器學(xué)習(xí)?？墒墙^大多數(shù)時(shí)候都不能如此。
后面我將更深入地探討機(jī)器學(xué)習(xí)的價(jià)值，但首先我要說，機(jī)器學(xué)習(xí)需要大量數(shù)據(jù)。這可能意味著改進(jìn)流程、降低成本、為客戶創(chuàng)造更好的體驗(yàn)，或者開辟新的商業(yè)模式。
事實(shí)是， 大多數(shù)組織可以從傳統(tǒng)的數(shù)據(jù)分析中獲得許多好處 ，而不需要更復(fù)雜的機(jī)器學(xué)習(xí)的方法。
傳統(tǒng)的數(shù)據(jù)分析在解釋數(shù)據(jù)這方面做得很棒。你可以依照過去發(fā)生的事件或今天發(fā)生的情況生成報(bào)告或模型，吸取有用的見解來應(yīng)用于組織之中。
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，然后隨著時(shí)間的推移提供衡量成功的手段。
那么機(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，它在處理快速變化和非結(jié)構(gòu)化的數(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)傳感器輸入和迅速產(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)分析需要基于過去數(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)是從結(jié)果變量(例如節(jié)能)出發(fā)，然后自動(dòng)尋找預(yù)測變量及其相互作用。
一般來說，當(dāng)你知道你想要什么，但卻并不知道做出該決策所需要的重要的輸入變量的時(shí)候，機(jī)器學(xué)習(xí)是有價(jià)值的。所以你給了機(jī)器學(xué)習(xí)算法一個(gè)目標(biāo)，然后它會(huì)從數(shù)據(jù)中“學(xué)習(xí)”到哪些因素對于實(shí)現(xiàn)這一目標(biāo)很重要。
Google去年在其數(shù)據(jù)中心應(yīng)用機(jī)器學(xué)習(xí)就是一個(gè)很好的例子。數(shù)據(jù)中心需要保持低溫，因此它們需要大量的能源來讓冷卻系統(tǒng)正常工作(或者你可以直接將它們扣入海洋中)。這對于Google來說是巨大的成本，所以目標(biāo)是通過機(jī)器學(xué)習(xí)來提高效率。
因?yàn)橛幸话俣畟€(gè)變量影響著冷卻系統(tǒng)(風(fēng)扇、水泵轉(zhuǎn)速、窗等)，使用傳統(tǒng)的方法來建造模型將是一個(gè)非常艱巨的任務(wù)。而Google應(yīng)用機(jī)器學(xué)習(xí)，將整體能源消耗降低了百分之十五。這將為Google在未來幾年節(jié)省數(shù)億美元。
此外，機(jī)器學(xué)習(xí)對于準(zhǔn)確預(yù)測未來事件而言也很有價(jià)值。鑒于使用傳統(tǒng)數(shù)據(jù)分析所構(gòu)建的數(shù)據(jù)模型是靜態(tài)的，隨著越來越多的數(shù)據(jù)被捕獲和吸收，機(jī)器學(xué)習(xí)算法會(huì)隨著時(shí)間的推移而不斷改進(jìn)。這意味著機(jī)器學(xué)習(xí)算法可以做出一些預(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，然后進(jìn)行調(diào)整，從而變得更加準(zhǔn)確。
通過機(jī)器學(xué)習(xí)實(shí)現(xiàn)的預(yù)測分析對于許多物聯(lián)網(wǎng)應(yīng)用來說都是非常有價(jià)值的。我們來看幾個(gè)具體的例子。
物聯(lián)網(wǎng)中的應(yīng)用
工業(yè)應(yīng)用的成本節(jié)約
預(yù)測的能力在工業(yè)環(huán)境中非常有用。通過從機(jī)器內(nèi)部或表面上的多個(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，然后檢測異常狀況。
一個(gè)名叫Augury的公司做的正是這個(gè)事情，它在設(shè)備上安裝了振動(dòng)和超聲波傳感器:
“收集的數(shù)據(jù)被發(fā)送到我們的服務(wù)器中，在那里與從該機(jī)器收集到的原來的數(shù)據(jù)以及從類似機(jī)器收集到的數(shù)據(jù)進(jìn)行比較。我們的平臺(tái)可以檢測到最微小的變化，并在故障發(fā)生時(shí)發(fā)出警告。這個(gè)分析是實(shí)時(shí)完成的，其結(jié)果會(huì)在幾秒鐘內(nèi)顯示在技術(shù)人員的智能手機(jī)上。”
預(yù)測機(jī)器何時(shí)需要維護(hù)是非常有價(jià)值的，它將節(jié)省數(shù)百萬美元的成本。Goldcorp就是一個(gè)很好的例子，它是一家采礦公司，使用巨大的車輛來運(yùn)送材料。
當(dāng)這些運(yùn)輸車輛出現(xiàn)故障時(shí)，將導(dǎo)致Goldcorp每天損失200萬美元。Goldcorp正在使用機(jī)器學(xué)習(xí)預(yù)測機(jī)器需要維護(hù)的時(shí)間，準(zhǔn)確度超過百分之九十，這節(jié)省了巨大的成本。
塑造個(gè)人體驗(yàn)
其實(shí)我們都熟悉我們?nèi)粘Ｉ钪械臋C(jī)器學(xué)習(xí)。Amazon和Netflix都在使用機(jī)器學(xué)習(xí)來了解我們的偏好，并為用戶提供更好的體驗(yàn)。這可能意味著它會(huì)向你推薦你可能喜歡的產(chǎn)品或推薦一些相關(guān)的電影和電視節(jié)目。
同樣的，在物聯(lián)網(wǎng)的機(jī)器學(xué)習(xí)中，它能將我們的環(huán)境塑造成我們個(gè)人所喜愛的這一事實(shí)將非常有價(jià)值。Nest Thermostat是一個(gè)很好的例子，它使用機(jī)器學(xué)習(xí)來了解你對冷熱度的偏好，確保當(dāng)你下班回家或在早晨醒來時(shí)，房間的溫度是合適的。