物聯網這個詞已成為了科技圈裡最流行的詞彙之一，人們對它的討論也從最初的“它是什麼”，變成了它如何為我們創造價值，再到策略層面——如何讓它運轉。
物聯網將會產生非常有價值的大數據。這些資料可以説明城市預測事故與犯罪；讓醫生即時查看病患的心臟起搏器和生物晶片中的資訊；通過預測性維護設備和機械，可以讓工業產量最佳化；通過與家用電器的連接，向用戶提供與自己的車輛和手持設備的危機通信從而建造真正智慧的房屋。這些可能性都是由物聯網所帶來的，而且它所帶來的便利還會越來越多。
由於連接物聯網的設備與感測器還會繼續快速擴張，而由這些設備產生的資料總量將會增長到一個難以置信的等級。這些資料擁有著極大的價值，可以讓我們洞察出哪些是有用的，哪些是沒用的。
這聽起來很不錯。然而，最大的問題將是尋找一種方式來分析由這些設備產生的數量極多的資料和資訊。如果你曾經嘗試過在幾TB的資料中找出你所需要的檔的話，那麼你就會知道這一做法是有多困難了。對人類而言，要審查並瞭解所有這些資料根本不可能做到，如果用傳統方法這麼做的話，即使減少樣本大小，仍然需要花費很多時間。
我們需要提高大數據分析的速度和準確度，從而讓物聯網實現它所承諾事情。如果我們不這樣做，那麼後果將會是災難性的，波及範圍將從小到家用電器之間不能互相通信，大到危及生命——心臟起搏器失靈或上百輛車連環相撞。
唯一一種可以跟上物聯網產生資料的速度，並可以挖掘資料中擁有的隱藏資訊的方法就是利用機器學習能力。
機器學習已經投入使用
維基百科將機器學習定義為“電腦科學（CS）和人工智慧（AI）的子域，隨著系統的建設和研究，可以從資料中自行學習，而不是只遵循明確的程式指令。”
雖然這聽起來有點像科幻小說，但是它已經存在於日常生活中。例如，Pandora這個流媒體音樂播放機就在使用這個技術，以確定用戶還會喜歡哪些其他的歌曲；Amazon.com也會為用戶提供其他書籍和電影的推薦。以上兩者都是通過對使用者行為的監測，系統自動學習並作出判斷。
在有物聯網的情況下，機器學習可以幫助企業將他們擁有的數十億個資料點歸結為真正有意義的資訊。機器學習總的前提是一樣的，審查和分析你所收集的資料並從資料中學習“資訊”，讓我們可以更好的做一些決定。
例如，追蹤你健康的穿戴式設備已經成為了一個新興的產業，但很快這些設備將發展成為既可以相互連接，也可以連接到互聯網的產品，跟蹤你的健康並提供即時更新的健康服務。
物聯網要做到的是，當你的身體健康出現狀況時，你的醫生會收到通知，例如你的心率提高到了一個不安全水準，甚至是發生了停止。為了能夠發現潛在的問題，資料分析就需要知道什麼是正常的，什麼不是。相似性、相關性和異常需要基於即時的資料流程被快速辨識出來。
為了立即進行資料分析，它在收集資料時就能準確地辨識先前已知的資訊和以前從未見過的新資訊。機器有產生和聚集這些大數據的能力，這些大數據也必須被用於學習每個患者正常行為並追蹤、發現和標記在正常行為以外的所有事情，因為這些可能表明了患者存在嚴重的健康問題。
物聯網的實現依賴於能夠獲得隱藏在現有龐大的資料和不斷增長的資料中的資訊，再對資訊作出深度挖掘。未來物聯網的實現依賴於機器學習，將會改善我們日常生活中的每一個方面。
現在是時候讓機器告訴我們真正的“機會”在哪裡了。
via wired
沒有留言:
張貼留言