智能物联网应用与机器学习的融合

原文：Smarter IoT applications incorporate machine learning
作者：Deepak Puri，SkilledAnalysts.com首席解决方案架构师
译者：刘帝伟 审校：刘翔宇
责编：周建丁（zhoujd@csdn.net）

数据超载！如此诸多的物联网应用都在产生大量的数据，以至于仅仅依靠人力而无法进行实时的分析和利用。

在物联网系统回应方面，数据科学家通过分析大量的数据来识别模式并定义规则。尽管世道变迁，新因素的出现却一直都在影响正确行动的采取。你应该如何确保你的物联网系统在变化的环境中，仍然能够做出最佳响应。

“机器学习使计算机富有了学习能力，不需要显示的程序指令就能创建算法，从数据中学习并做出预测。”Arthur Samuel如是说。

给一个简单的物联网应用定义一个规则——比如当温度太高时，就把发动机关掉——该规则非常简单。然而确定多个传感器的输入与外部因素之间的相关性是非常困难的。现在仅考虑一种情况，根据自动售货机的销售报告，库存水平，当地的天气预报，当地活动和促销广告等传感器数据，你必须决策何时派遣一辆卡车去补充自动售货机的商品。判断时间错误或传送错误的商品，你都将因为没有足量的正确用品补充自动售货机的出售量而导致销售失败。

大多数物联网平台（包括Azure、IBM沃森、Splunk、AWS和谷歌）现在都提供机器学习能力。这使得物联网系统能够去分析传感器数据，寻找相关性，并做出最佳响应。该系统不断观测它的预测是否准确，同时不断完善自身的训练算法。目前，主要有2类机器学习方法：

1. 监督学习。它是指在一组实例的基础上开发一种算法。例如，一个简单的用例可能是一个产品每天的销售记录。该算法计算的是一种相关性，有关每个产品在一天之中到底有多少有可能会被出售。这个信息有助于确定何时传送卡车来补充自动售货机。

2. 无监督学习不提供标签（如销售/天），系统需要自己去分析。相反，它提供了所有对分析有用的数据，而让系统去主动识别不那么明显的相关性，例如，价格折扣、本地事件和天气都会影响自动售货机的销售，因此，在确定补充时间表时，这些因素都需要考虑在内。

许多公司开始手工定义他们物联网系统的业务规则。然后，随着他们收集到更多有关外部影响因素的数据和信息，便开始增加基于机器学习的规则。

机器学习系统资源：

• Microsoft Azure
• IBM Watson
• Google TensorFlow
• Splunk

如果你认为将机器学习理论应用到物联网比较高深，那么请观看一下Kaytranada的最新视频，看看机器在一天中究竟能学到什么！