Інтернет речей не працює без штучного інтелекту.

Як інтернет речей набирає популярність у світі технології та найбільші технологічні фрази року, є дебатами про те, як це зробити. Інтернет речей виготовить велику кількість даних — дані, які допоможуть містам прогнозувати нещасні випадки та злочин; надати лікарям оперативну інформацію, відхилену від темпераментів або біочипів; оптимізувати продуктивність по всій галузях промисловості; забезпечити важливу з'єдність між автотранспортами; і живлення розумних будинків з підключеною побутовою технікою.

Можливості, які пропонуються інтернетом речей, дійсно обмежені. Але є питання.

Кількість пристроїв та датчиків, підключених до Інтернету речей, продовжує розширюватися, кількість даних зростає на рівні розуму. Ці дані дають цінні уявлення про те, що добре працює і що не є – це точка конфлікту і відкрити нові можливості і зв’язки по сегментах.

Звуки чудово. Але великий виклик залишається пошук шляхів аналізу цієї повені даних. Якщо ви коли-небудь спробували знайти підключення в терабайтах машинних даних, ви знаєте, наскільки важко це. Люди просто не здатні вивчити і зрозуміти всі дані — і з традиційними методами, навіть якщо ви усадите розмір зразка, це займе занадто довго.

Для інтернету речей, які обіцяють, необхідно збільшити швидкість і точність аналізу великих обсягів даних. Якщо це не вдалося, наслідки можуть бути катастрофічними, від неприємності — коли побутова техніка не працює, як запланована — до життєздатності — коли сотні автомобілів не полягають за планом.

Єдиний спосіб збереження даних, що створюються інтернетом речей, полягає в тому, щоб включити приховані інсайти через машинне навчання.

Машинне навчання – субфілд комп’ютерної науки та штучного інтелекту, який працює з будівельними та навчальними системами, які можуть аналізувати дані за попередніми програмами.

Хоча це звучить як наукова фантастика, в повсякденному житті вона вже присутня. Pandora використовує машинне навчання, щоб визначити, які інші пісні, які вам можуть сподобатися. Amazon.com є одним з книг і фільмів. Обидві системи побудовані на тому, що вони дізнаються про користувача та рефінансувати протягом часу, дізнаючись більше про їх поведінку.

У разі інтернету речей, машинне навчання допоможе компаніям приймати мільярди точок даних і відчувати їх. Генеральний принцип досить простий: потрібно переглядати і аналізувати зібрані дані в пошуку шаблонів або схожостей, з яких можна витягти щось, а потім приймати краще рішення.

Наприклад, зносні пристрої, які відстежують Ваше здоров’я, як і раніше, є частиною існуючої галузі, але незабаром вони стануть пристроями, які з'єднуються між собою і інтернетом, забезпечуючи оперативний моніторинг вашого здоров’я.

Мета полягає в тому, що ваш лікар буде отримувати повідомлення, коли зустрінеться певні умови – рівень серця підвищується до небезпечних рівнів або навіть зупинок, наприклад. Щоб визначити потенційні проблеми, дані необхідно аналізувати в умовах, що є нормальним і яким не є. Схожі, кореляції та відхилення слід швидко визначитися на основі струмків даних в режимі реального часу. Чи може людина фізично це зробити? Ознайомитися з тисячами пацієнтів в режимі реального часу і визначитися з тим, як відправити швидку допомогу? Важко.

Щоб проаналізувати дані відразу після збору, точно виявляти нові і вже відомі візерунки поведінки, машини також потрібно знати нормальну поведінку кожного пацієнта, а також критичний рівень поведінки здоров'я.

Реалізація інтернету речей залежить від того, чи можна проникнути на сутність, приховану у вирощуванні моря доступних даних. Оскільки підходи наразі не поширюються на розмір інтернету речей, його майбутнє залежить виключно від машинного навчання, які можуть знайти візерунки, кореляції та аномалії в даних. Якщо успішний, це дозволить поліпшити практично кожен аспект життя нашого повсякденного життя.

Джерело: hi-news.ru