Сочетание Интернета вещей и машинного обучения делает наше будущее умнее

Интернет вещей (IoT) уже давно является горячей темой для людей. Хотя он еще не взорвался, но, безусловно, движется в этом направлении. Это дало нашему неодушевленному физическому миру, как говорит доктор Джудит Дейхофф, « цифровую нервную систему ». Но эта технология в ее нынешнем состоянии далека от совершенства. Все текущие приложения, от умной кофеварки до умных носимых устройств, имеют по крайней мере один общий недостаток. Все это оборудование требует ручного ввода для достижения оптимальной работы. На первый взгляд это может не показаться недостатком, но если задуматься, это кажется более очевидным.
Эти устройства действуют почти как продолжение человеческого тела. Поскольку мы, люди, ведем очень «случайный» образ жизни, жесткое кодирование смарт-устройств не кажется логичным. Например, предположим, что в обычный день я просыпаюсь в 8:00 и хочу кофе ровно через 15 минут после того, как просыпаюсь. Естественно, я кодирую свою умную кофеварку, чтобы начать варить в 8:15. Но это будет оптимальная обстановка только в том случае, если я дисциплинированный человек и строго соблюдаю свой утренний распорядок. Но такую дисциплину проявить не могут все. Следовательно, в совокупности это жесткое кодирование не будет обеспечивать оптимальную функциональность.

Решение вышеупомянутых и многих подобных проблем - включить в процесс машинное обучение.

Машинное обучение позволит этим умным устройствам стать в буквальном смысле умнее. Он может анализировать данные, генерируемые подключенными устройствами, и получать представление о поведенческой модели человека. Это заставит устройства чувствовать себя немного больше как помощник, а не как ответственность, которую нужно закодировать.

Давайте включим машинное обучение в наш пример выше.

В этой ситуации мой будильник и кофеварка будут соединены в истинном смысле слова. По мере того как я продолжаю использовать эту настройку устройств, модель машинного обучения будет узнавать о моем поведении в течение определенного периода времени. Поэтому, когда я откладываю будильник, моя кофемашина обнаруживает это и соответственно изменяет время заваривания.

Продолжая приведенный выше пример, если я подключаю свое приложение Google Maps к своему будильнику с использованием оборудования IoT, тогда установка может динамически изменять время моего пробуждения в зависимости от количества трафика, присутствующего на моем маршруте на работу.

Включение машинного обучения также будет использоваться для групповой оптимизации.
В автомобилях будущего может быть установлена «умная» система Интернета вещей, которая, таким образом, позволит автомобилям «общаться» и соответствующим образом координировать движение.

После некоторых гипотетических ситуаций, вот некоторые современные приложения:

• Профилактическое обслуживание: в 2017 году компания Siemens запустила проект «Интернет поездов». В соответствии с этим компания Siemens внедрила датчики в поезда и пути в Испании, России и Таиланде. Используя данные с датчиков, они обучили модель машинного обучения определять признаки отказа поезда или пути. Затем они используют полученную информацию для целенаправленного ремонта в тех областях, где это требуется больше всего.
• Видеонаблюдение: это, вероятно, самый крупный современный пример Интернета вещей с машинным обучением. Это позволило использовать программное обеспечение для распознавания лиц в тандеме с камерами видеонаблюдения. Во многих городах и аэропортах такая установка используется для обнаружения разыскиваемых преступников и террористов. У этой технологии есть свои недостатки, и ее основная проблема - это забота о конфиденциальности людей. По этой причине эта технология недавно была запрещена в Сан-Франциско.
• Прогнозирующая цепочка поставок: поскольку сегодня организации имеют много данных и понимание поведения своих клиентов, они используют это понимание, чтобы соответствующим образом изменить свои запасы. Пионерами этого приложения сегодня являются Walmart и Uber.