结合物联网和机器学习让我们的未来更智能

物联网 (IoT)一直是人们的热门话题一段时间以来。虽然它现在还没有内爆，但它肯定正在朝着那个方向发展。正如 Judith Dayhoff 博士所说，它赋予了我们无生命的物理世界“一个数字神经系统”。但这项技术在目前的状态下还远非完美。从智能咖啡机到智能可穿戴设备的所有当前应用至少有一个共同的缺点。所有这些设备都需要手动输入才能获得最佳函数。乍一看，这似乎不是一个缺点，但如果我们仔细考虑一下，这似乎更清楚。
这些设备几乎就像人体的延伸。由于我们人类遵循一种非常“随机”的生活方式，智能设备的硬编码似乎不是合乎逻辑的方式。例如，让我们假设在一个典型的一天，我在早上 8:00 醒来，我想在刚醒来 15 分钟后喝咖啡。自然地，我对我的智能咖啡机进行编码，使其在上午 8:15 开始冲泡。但是，只有当我是一个纪律严明的人并且我按照早上的日程安排严格遵守时，这才是最佳设置。但这样的纪律不是每个人都能表现出来的。因此，总的来说，这种硬编码不会表现出最佳功能。

解决上述问题和许多类似问题的方法是在过程中加入机器学习。

机器学习将使这些智能设备在字面量变得更智能。它可以分析连接设备生成的数据并深入了解人类的行为模式。这将使设备感觉更像是助手，而不是必须编码的责任。

让我们将机器学习合并到我们上面的例子中。

在这种情况下，我的闹钟和我的咖啡机将真正意义上连接起来。随着我继续使用这种设备设置，机器学习模型将了解我在一段时间内的行为。所以每当我按响闹钟时，我的咖啡机都会检测到这一点，并相应地改变它的冲煮时间。

继续上面的示例，如果我使用 IoT 硬件将我的 Google 地图应用程序与闹钟连接起来，那么设置可以根据我上班路线上的流量动态更改我的起床时间。

机器学习的结合也将用于组优化。
未来的汽车可以安装“智能”物联网系统，从而使汽车能够“通信”并相应地协调交通。

在一些假设情况的背后，这里是一些当今的应用程序：

• 预测性维护：西门子于 2017 年启动了“列车互联网”项目。为此，西门子在西班牙、俄罗斯和泰国的火车和轨道中嵌入了传感器。使用来自传感器的数据，他们训练了一个机器学习模型，以识别火车或轨道何时或是否发生故障的迹象。然后，他们利用获得的洞察力在最需要它的区域进行有针对性的修复。
• 闭路电视监控：这可能是当今规模最大的机器学习物联网示例。这使得面部识别软件可以与闭路电视摄像机一起使用。在许多城市和机场，这种设置被用来检测被通缉的罪犯和恐怖分子。这项技术有其缺点，其主要问题是对人们隐私的担忧。由于这样的原因，这项技术最近在旧金山被禁止。
• 预测性供应链：由于当今的组织拥有大量关于客户行为的数据和洞察力，因此他们正在使用这种洞察力来相应地更改其库存。今天这个应用程序的先驱是沃尔玛和优步。