机器学习在物联网中有何应用？首先要搞清楚它和数据分析的区别

2017-03-25 14:44

机器学习（ML）和物联网（IoT）现在都非常流行。关于机器学习和物联网有大量的关注和炒作，我们可能很难穿过噪音去了解它的实际价值。
数据分析vs.机器学习
关于机器学习的炒作越来越多，许多组织都会希望在他们的业务中多少使用一些机器学习。可是绝大多数时候都不能如此。
后面我将更深入地探讨机器学习的价值，但首先我要说，机器学习需要大量数据。这可能意味着改进流程、降低成本、为客户创造更好的体验，或者开辟新的商业模式。
事实是，大多数组织可以从传统的数据分析中获得许多好处，而不需要更复杂的机器学习的方法。
传统的数据分析在解释数据这方面做得很棒。你可以依照过去发生的事件或今天发生的情况生成报告或模型，吸取有用的见解来应用于组织之中。
数据分析可以帮助量化和跟踪目标，实现更智能的决策，然后随着时间的推移提供衡量成功的手段。
那么机器学习在什么时候有价值？
典型的传统数据分析的数据模型通常是静态的，它在处理快速变化和非结构化的数据方面的使用是有局限性的。当涉及到物联网时，通常需要确定几十个传感器输入和迅速产生数百万个数据点的外部因素之间的相关性。
传统的数据分析需要基于过去数据和专家意见的模型来建立变量之间的关系，而机器学习是从结果变量（例如节能）出发，然后自动寻找预测变量及其相互作用。
一般来说，当你知道你想要什么，但却并不知道做出该决策所需要的重要的输入变量的时候，机器学习是有价值的。所以你给了机器学习算法一个目标，然后它会从数据中“学习”到哪些因素对于实现这一目标很重要。
Google去年在其数据中心应用机器学习就是一个很好的例子。数据中心需要保持低温，因此它们需要大量的能源来让冷却系统正常工作（或者你可以直接将它们扣入海洋中）。这对于Google来说是巨大的成本，所以目标是通过机器学习来提高效率。
因为有一百二十个变量影响着冷却系统（风扇、水泵转速、窗等），使用传统的方法来建造模型将是一个非常艰巨的任务。而Google应用机器学习，将整体能源消耗降低了百分之十五。这将为Google在未来几年节省数亿美元。
此外，机器学习对于准确预测未来事件而言也很有价值。鉴于使用传统数据分析所构建的数据模型是静态的，随着越来越多的数据被捕获和吸收，机器学习算法会随着时间的推移而不断改进。这意味着机器学习算法可以做出一些预测，将

余下全部

共有评论0条