洗碗机的运行时间你知道吗？很多人可能会说无聊。直到2013年我才找到这个问题的答案。我记得我兴奋地拿着我的笔记本电脑给妻子看，她很疑惑。这种事情，值得我激动吗？兴奋的原因是Ubi（智能声控设备）可以成功记录下厨房一整天的声音变化，我可以知道洗碗机运行时的响度和时长。我什至可以看出它有三个工作周期，中间有几分钟的安静时间。通过分析洗碗机的响度并阅读相关日志，我能够推断出洗碗机的运行周期。然而，我能用这些信息做什么是另一回事。洗碗机的秘密生活从那时起，我们家中的设备和传感器的平均数量呈指数级增长。许多联网设备都配备了传感器，结合使用这些传感器可以让我们深入了解自己和我们的生活方式。正是这个原因促使我们为UBI设备添加麦克风、光线、湿度、气压和温度传感器，希望未来机器学习能够跟上并提供更多见解。物联网可以帮助我们更加了解自己和我们的生活方式，并采取行动帮助我们实现人生目标；人工智能应用于物联网可以让我们感觉更好，节省电力，保持身体健康。实现上述目标需要三个方面的支持：微型传感器成本降低和大规模应用数据采集和数据存储成本降低AI、机器学习API平台商业化和易用性2011年，我在KickstarterSmart上获得Twine奖励设备着迷。产品内置温度、湿度、加速度传感器，可通过无线网络上报数据。我买它的原因是当我回家时在厨房里找到水，结果是冰箱坏了，要是早点提醒我冰箱温度下降就好了！Twine智能设备可以通过创建简单的规则来做到这一点，并在超过某个阈值时随时发送电子邮件或短信。Twine智能设备当时价格昂贵，但现在同类设备的价格已经大幅下降。GPS、WiFi、蓝牙、加速度传感器、红外传感器、麦克风、磁场检测器、力传感器和气压计可以将多个传感器集成在一个芯片上，并且已经搭载在数十亿部智能手机上，通过它们也很容易实现应用。在为Ubi收集传感器数据时，我们必须构建一个能够处理HTTP长轮询、传感器数据流、数据积累、按规则处理、存储和调用数据进行分析的基础设施。缩小图表时调用太多数据点可能会出现问题，由于这个问题，我们很早就发生了多次服务器崩溃。我们还需要了解，每10秒采样5次数据会导致大量数据淹没我们的服务器。如今，AWS、GoogleAppEngine和其他公司拥有IoT平台，与五年前相比，它们可以更轻松地设置数据收集规则。新的要求是利用这些数据来预测我们接下来要做什么，或者试图影响我们接下来要做什么，而要做到这一点，我们需要逐步提高信息水平。Haeckel提出了这样一个层次结构：原始数据信息智能知识智慧在洗碗机的例子中原始数据是声音的分贝级别和时间；信息是知道在哪里收集数据；智能是打开洗碗机，在同一个房间并且能够知道运行周期；知识是能够确定周期的总长度和沉默的时刻；那么智慧就是知道洗碗机现在会运行很长时间并发出很大的噪音，所以也许我不应该在半夜打开它。今天收集此类信息需要用户进行大量学习和输入以升级系统。这就是AI可以应用的地方，但是AI需要针对每一个特定的场景去构建，这是一项艰苦的工作。资源有限的公司需要关注真正的机会所在：在相关的地方向用户提供见解结合数据以创造新的见解预测什么事情会改变情绪和情绪新规则是能够影响用户情绪和情绪的公司将获胜。寻找模式虽然捕获和记录原始数据已成为物联网设备的必备功能，并且能够标记位置是开始提取可用信息的另一个优势，但公司可以通过一些更简单的方法将这些信息转化为情报。也就是说，他们通过抽象、平均和比较来做到这一点。抽象可能意味着我们对信息进行一些解释以识别事件，或者我们整合或区分以收集总和或比率。对于Ubi，它可能是照明变化、每天与设备通话或设备与用户通话（“交互”）的次数、温度变化量、达到的阈值等。平均值也是一种抽象，但可用于单个用户/设备或更大的用户或设备集合。最终，将特定用户或设备的数据与平均值进行比较可以提供很多可操作的见解，所有这些都不需要任何机器学习或人工智能系统。但能够训练系统识别和标记事件则更为强大。Nest在视觉处理方面做了一项有趣的工作，他们基本上通过允许用户在视频源上绘制一个区域并将其命名为事件来实现机器视觉。对于物联网设备公司，如果拥有用户标签或识别事件对用户有立竿见影的好处，为什么不应该用它来训练系统自动识别事件呢？声音检测、家庭存在、供暖或空调故障都是可以让用户训练系统的有用事件。然后可以将该数据集应用于TensorFlow等工具，并呈现给用户以进行另一轮验证或更正。智能家居识别中特别有用的智能包括：在家/外出时间有多少人在家睡觉/起床时间用餐时间设备使用情况其他家庭活动（例如看电视、打扫卫生、做饭等）将它们放在一起更进一步，我们可以开始结合以上信息来创造“知识”，最终创造“智慧”。这就是可以应用机器学习来帮助提取预测信息的地方，Target提供了一个很好的例子，说明他们如何能够根据事件预测女性的怀孕情况。例如，你可以开始预测一个家庭通常在下午6点45分吃晚饭，这个信息可以用来在下午5点30分触发用餐提醒，系统也可以开始测试输入并评估效果是否有积极影响在用户身上。在餐点场景中，如果用户采纳了点子，可以认为是正面影响。也可以收集一些其他的情报作为幸福指数的评价（语音分析、早睡时间、晚睡减少等）也与系统的输入有关。也许训练系统更好地操纵我们是一个可怕的***。但是，如果我们的目标是提高自己，例如在系统的约束范围内提供一些自主权，例如家庭照明和温度，我们可能会取得很大的成功。
