集人类和机器之长,通过机器学习提高物联网运作成效

分享到:

 

 

在您阅读本文的这段时间里,一个普通成年人大概已经做出了200多个不同事项的决定。哥伦比亚大学的研究则提出,人们有意识做出的决定其实少得多,每日总数约为70个。无论实际决策的数量是多少,人们其实都会做出很多决定,而且我们在这方面已经熟能生巧。

我们擅长做出决策,因为我们早已学会如何弥补自己的弱点。我们依赖启发法或思维捷径来帮助我们判断可信度,弥补人类无法处理大量信息的劣势。我们根据观察和经验所带来的无意识回忆,使用感观和直觉来帮助自己做出决定。 

 

像机器一样思考

另一方面,机器的“思考”方式是依靠计算优势来快速处理数亿个数据点,并且根据处理结果做出决策,与依靠直觉的人类完全不同。通过这种方法,现如今计算机已经可以很好地完成一些特定的任务。例如,在国际象棋和围棋等游戏中,机器可以轻松击败最优秀的人类棋手。还有一些更有用的例子,就是机器可以比任何放射科医生更快速、可靠地识别数千张X射线图片中的异常情况,察觉到其中微乎其微的差异。

在物联网中协同工作

就目前而言,机器需要人类,就像人类需要机器一样。在这个时候,机器学习(ML)为物联网内数十亿台终端设备的管理带来了令人欣慰的可能性。ML是实用的数学领域,人类在这方面创建了算法和程序,允许计算机遵循数亿条指令进行操作。计算机在几乎无穷无尽的不起眼的数据流中寻找偶尔的偏差,然后解释这些偏差中的模式,以解决现实世界的问题。

机器学习的巨大力量

想象一下未来的智慧城市。路灯上的传感器能够监测交通流量和空气质量;气象站测量气象变量以预测各种天灾;建筑物中嵌入数百个传感器,监控从空调和电梯直到水管和煤气管道的一切情况。这些设备以及数以百万计的其它设备将产生数万亿千兆字节数据。解读这些数据的巨大工作量令人头疼,幸好ML能够帮助人类完成这些任务。

将如此巨量的数据传输到云端再进行处理,是不切实际的。通常由电池供电的终端设备没有足够的能量,网络也无法承载负荷;即便可以,这种做法带来的高昂成本也会令人望而却步。

边缘TinyML

然而,今天的物联网设备能够支持ML的缩减版本——TinyML,使得边缘设备能够监控数据,并使用算法不断检测偏差。用户将从一个或多个传感器收集的数据传送到云端,然后使用功能强大的云服务器来训练ML模型,该模型通过无线方式更新发送到终端设备。这使得终端设备能够确定未来将哪些数据发送到云,例如,有些数据偏差表明空调装置即将发生故障或龙卷风即将来临。在未来,“学习”操作将在设备上进行,只是我们还未到那个时代。

机器学习增强人类智能

关于机器学习增强智能可行性,并将其应用于物联网作业中的的研究仍处于初级阶段,但这些研究仍处于起步阶段。毕竟在物联网中,大型问题无法依靠计算机或人类单独解决。协作智能运作可以集合人类和计算器之长。人类必须训练机器及其ML算法来执行所设计的工作;而对于解读机器的决定并确保它们正常、安全和尽责地运行方面,人类的介入和操作也是必不可少的。

另一方面,机器可以在正确的时间提供正确的信息,并过滤掉无利于做出决定的噪音,从而提高人类的分析和决策能力。机器及其机器学习算法也可以成为指导工具,用作提高人类的技能和操作表现。

谁在控制机器学习?

然而,机器还没有称霸,现在是人类在发号施令,而不是机器。对于在没有人工监督的情况下让物联网解决方案进行自主决策的决定,必须根据性能、成本和风险因素进行仔细的权衡考虑。

 
继续阅读
物联网时代,2023年数据治理的趋势

数据治理的价值,指对企业和整个数据管理的价值。所有市场都要求数据治理变得比以往任何时候都灵活易变,以适应更多需求的出现。很多企业组织正在认识到,尝试完全预先确定每一种可能的数据治理突发事件并为此做好相应准备是很困难的。

5G在医疗保健领域如何帮助物联网

在医疗服务需求稳步上升之际,资源是有限的,需要将成本控制在最高水平。物联网有望成为医疗保健领域的灵丹妙药,提高其覆盖范围、效率、互操作性、准确性和价值。

物联网设备正在改变全球碳排放量

制造商面临着越来越大的减少温室气体排放的压力。物联网——更具体地说,环境传感器——标志着一个新的领域,可以帮助这些减排战略取得成功。

为什么说深圳是“物联网之城”?

物联网成长于互联网土壤,从PC时代到移动互联网时代,技术史上的每一次能力提升,都伴随着连接设备数量的激增。在摩尔定律的驱动下,现如今,普通物品将很容易获得与第一代智能手机相当的计算和连接能力,由智能设备数量激增带来的物联时代已经到来。

物联网:SASE和零信任是关键吗?

SASE和零信任是在生产环境中保护物联网实施的关键吗?随着制造企业一头扎进智能工厂计划,工厂、仓库和整个供应链基础设施中的物联网设备数量呈爆炸式增长。