物联网和深度学习究竟有哪些真实的应用价值？

传说只要在商业计划书中加上机器学习这个词，就可以在估值后面加个0。

机器学习(ML)和物联网(IoT)在现在是非常流行的概念，它们都接近技术成熟度曲线的最高点(期望膨胀期)。鉴于机器学习和物联网的所有炒作带来的难以消除的噪声，我们可能并没有认清它们的真实价值。在本文中，作者将解释机器学习目前在物联网领域的应用情况和相关使用案例。

上图为Gartner2016新兴技术成熟度曲线，机器学习处于技术成熟度曲线顶峰，IoT平台和其他相关的IoT技术处于上升期。

数据分析VS机器学习

机器学习的概念越来越热，许多公司都希望在业务中或多或少的使用到机器学习技术，但在绝大多数情况下，答案是不可能。

后文我将更深入地探讨机器学习的价值，但总的来说，机器学习需要大量数据，并产生对企业有帮助的洞见。这可能意味着机器学习能够改善流程，降低成本，为用户创造更好的体验，或开辟新的商业模式。

事实是，大多数公司可以从传统的数据分析中获得足够的好处，而不需要更复杂的机器学习方法。

传统的数据分析在解释数据方面做的很好，你可以生成过去发生的事件或今天发生的情况的报告或模型，吸取有用的洞见来改善公司的运营情况。

数据分析可以帮助量化和跟踪目标，实现更智能的决策，然后提供一种随着时间推移的衡量成功的方法。

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，它在解决快速变化和非结构化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的输入与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历史数据和专家意见的模型来建立变量之间的关系，而机器学习从结果(比如节能)出发，自动寻找预测变量及其相互之间的关系。

一般来说，当你知道你想要实现的目标是什么，但你不知道实现这个目标需要哪些重要变量的时候，机器学习是非常有价值的，你给机器学习算法一个目标，然后它从数据中"学习"哪些因素对实现这一目标很重要。

一个很好的例子是去年Google在数据中心应用机器学习。数据中心需要保持低温，因此需要大量的能源才能使冷却系统正常工作(除非像微软一样将数据中心建在海底)。这对Google来说是巨大成本，所以目标是通过机器学习提高冷却效率。

因为有120多个影响冷却系统的变量(即风扇，泵速度，窗户等)，用传统的方法构建模型将是一项巨大的任务。相反，Google通过机器学习，将整体能源消耗降低15%。 在未来几年，Google将节省数亿美元。

　　机器学习显著降低了Google数据中心的功耗

此外，机器学习在准确预测未来事件方面也很有价值。因为使用传统数据分析构建的数据模型是静态的，随着更多数据被捕获和吸收，机器学习算法随着时间的推移不断改进。这意味着机器学习算法可以做出预测，将实际发生的情况与其预测的情况进行比较，然后调整算法，让预测越来越准确。

通过机器学习实现的预测分析对于许多IoT应用来说是非常有价值的。下面我们来看几个具体的例子。

l 物联网中的应用

1、节约工业应用成本

预测能力在工业环境中非常有用。通过从机器内部或机器表面的多个传感器绘制数据，机器学习算法可以"学习"机器的典型特征，然后检测异常情况发生的时间。

一个名叫Augury的公司正是在做这件事，在设备上安装了振动和超声波传感器：

"将收集的数据发送到我们的服务器当中，与之前从该机器以及类似机器收集到的数据进行对比。我们的平台可以检测到最轻微的变化，并对任何故障进行警报。这个分析过程是实时完成的，结果会在几秒钟内显示在技术人员的智能手机上。"

预测机器何时需要维护是非常有价值的，能够节省数百万美元的成本。Goldcorp是一个很好的例子，Goldcorp是一家采矿公司，它使用巨大的车辆来运送材料。

当这些运输车辆出现故障时，Goldcorp每天将损失200万美元。 Goldcorp正在使用机器学习预测机器需要维护的时间，准确度超过90%，这意味着巨大的成本节省。

2、塑造个人体验

其实我们都很熟悉日常生活中机器学习的应用。亚马逊和Netflix都使用机器学习来了解我们的偏好，并为用户提供更好的体验。这可能意味着建议它会向你推荐你可能喜欢的产品和视频节目。

类似的，机器学习在物联网中，能根据我们的个人喜好来塑造环境，这是非常有价值的。Nest Thermostat是一个很好的例子，它使用机器学习来了解用户对室温冷暖的偏好，确保当用户从上班回家或在早晨醒来时，家里保持合适的温