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，将实际发生的情况与其预测的情况进行比较，然后进行调整，从而变得更加准确。
通过机器学习实现的预测分析对于许多物联网应用来说都是非常有价值的。我们来看几个具体的例子。
物联网中的应用
工业应用的成本节约
预测的能力在工业环境中非常有用。通过从机器内部或表面上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，然后检测异常状况。
一个名叫Augury的公司做的正是这个事情，它在设备上安装了振动和超声波传感器:
“收集的数据被发送到我们的服务器中，在那里与从该机器收集到的原来的数据以及从类似机器收集到的数据进行比较。我们的平台可以检测到最微小的变化，并在故障发生时发出警告。这个分析是实时完成的，其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，它将节省数百万美元的成本。Goldcorp就是一个很好的例子，它是一家采矿公司，使用巨大的车辆来运送材料。
当这些运输车辆出现故障时，将导致Goldcorp每天损失200万美元。Goldcorp正在使用机器学习预测机器需要维护的时间，准确度超过百分之九十，这节省了巨大的成本。
塑造个人体验
其实我们都熟悉我们日常生活中的机器学习。Amazon和Netflix都在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。这可能意味着它会向你推荐你可能喜欢的产品或推荐一些相关的电影和电视节目。
同样的，在物联网的机器学习中，它能将我们的环境塑造成我们个人所喜爱的这一事实将非常有价值。Nest Thermostat是一个很好的例子，它使用机器学习来了解你对冷热度的偏好，确保当你下班回家或在早晨醒来时，房间的温度是合适的。
更多
上面所述的几个例子只是无限的可能性中的一小部分，但它们很重要，因为它们是现在正在运行的物联网中的机器学习的有用的应用程序。
但总的来说…
我们只抓到了皮毛
未来几年将继续连接到互联网的数十亿个传感器和设备将生成指数级的更多的数据。正如我在上一篇文章中讨论过的那样，数据的巨大增长将带来机器学习的巨大进步，并为我们带来无数获得收益的机会。
我们不仅可以预测机器需要维护的时间，还可以预测需要维护我们自己的时间。机器学习将应用于我们的可穿戴设备，以了解我们的基础状况，并在维持我们身体的重要器官出现异常时作出判断，必要时，会自动打电话给医生或救护车。
除了个体之外，我们还可以使用这个健康数据来查看整个人群的身体状况的整体趋势，预测疾病的爆发并主动解决健康问题。
我们还可以在事故发生之前预测事故和犯罪行为。来自智能城市的噪音传感器、摄像机、甚至智能垃圾箱的数据都可以传送到机器学习算法中，以发现事故或犯罪行为发生的征兆，为执法部门提供强有力的工具（当然这将涉及到一些隐私问题）。
尽管机器学习和物联网都处于炒作的高潮，但未来的应用和可能性值得这样的炒作。我们真的只抓到了所有可能性的皮毛。
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，将实际发生的情况与其预测的情况进行比较，然后进行调整，从而变得更加准确。
通过机器学习实现的预测分析对于许多物联网应用来说都是非常有价值的。我们来看几个具体的例子。
物联网中的应用
工业应用的成本节约
预测的能力在工业环境中非常有用。通过从机器内部或表面上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，然后检测异常状况。
一个名叫Augury的公司做的正是这个事情，它在设备上安装了振动和超声波传感器:
“收集的数据被发送到我们的服务器中，在那里与从该机器收集到的原来的数据以及从类似机器收集到的数据进行比较。我们的平台可以检测到最微小的变化，并在故障发生时发出警告。这个分析是实时完成的，其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，它将节省数百万美元的成本。Goldcorp就是一个很好的例子，它是一家采矿公司，使用巨大的车辆来运送材料。
当这些运输车辆出现故障时，将导致Goldcorp每天损失200万美元。Goldcorp正在使用机器学习预测机器需要维护的时间，准确度超过百分之九十，这节省了巨大的成本。
塑造个人体验
其实我们都熟悉我们日常生活中的机器学习。Amazon和Netflix都在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。这可能意味着它会向你推荐你可能喜欢的产品或推荐一些相关的电影和电视节目。
同样的，在物联网的机器学习中，它能将我们的环境塑造成我们个人所喜爱的这一事实将非常有价值。Nest Thermostat是一个很好的例子，它使用机器学习来了解你对冷热度的偏好，确保当你下班回家或在早晨醒来时，房间的温度是合适的。
更多
上面所述的几个例子只是无限的可能性中的一小部分，但它们很重要，因为它们是现在正在运行的物联网中的机器学习的有用的应用程序。
但总的来说…
我们只抓到了皮毛
未来几年将继续连接到互联网的数十亿个传感器和设备将生成指数级的更多的数据。正如我在上一篇文章中讨论过的那样，数据的巨大增长将带来机器学习的巨大进步，并为我们带来无数获得收益的机会。
我们不仅可以预测机器需要维护的时间，还可以预测需要维护我们自己的时间。机器学习将应用于我们的可穿戴设备，以了解我们的基础状况，并在维持我们身体的重要器官出现异常时作出判断，必要时，会自动打电话给医生或救护车。
除了个体之外，我们还可以使用这个健康数据来查看整个人群的身体状况的整体趋势，预测疾病的爆发并主动解决健康问题。
我们还可以在事故发生之前预测事故和犯罪行为。来自智能城市的噪音传感器、摄像机、甚至智能垃圾箱的数据都可以传送到机器学习算法中，以发现事故或犯罪行为发生的征兆，为执法部门提供强有力的工具（当然这将涉及到一些隐私问题）。
尽管机器学习和物联网都处于炒作的高潮，但未来的应用和可能性值得这样的炒作。我们真的只抓到了所有可能性的皮毛。
本文转自d1net（转载
