就大数据和人工智能等技术的机遇和威胁，以及对它们未来的担忧进行了热烈的讨论。同时，公司希望通过安装越来越多的传感器来提高效率和降低成本。然而，根据InDataLabs的机器学习顾问的说法，如果没有适当的数据管理和分析策略，这些技术只会产生更多噪音并占用更多服务器。没有意识到他们的实际潜力。有没有办法将简单的传感器记录转换为可操作的行业洞察力？简单的答案是肯定的，它在于机器学习(ML)。机器学习能力的范围ML是模仿人脑处理输入以产生逻辑响应的方式。如果人们依赖学习、训练或经验，那么机器就需要算法。此外，随着我??们每个人知识储备的增加，我们会调整我们的反应，变得更加熟练并开始有选择地应用它。在机器中复制这种自我调节行为是ML开发的终点。为便于学习，计算机会显示原始数据并尝试使其更有意义。随着它的发展，它变得更有经验，产生越来越复杂的反馈。物联网挑战在物联网(IoT)的广阔领域中，我们可以找到从智能手机到智能冰箱再到监控工业过程的传感器的一切事物。然而，至少有四个与IoT实施相关的基本问题需要解决：收集个人数据时的医疗传感器。操作的准确性：在恶劣的条件下，实施的传感器可能会发送错误的数据或没有数据，从而破坏算法。大数据的3v：大多数物联网设备生成可归类为大数据的内容，因为它检查3v：体积、速度和变化。解决3v问题意味着针对您正在处理的数据类型和您要解决的问题找到最佳算法。连通性：物联网的价值在于使断开连接的对象和工具能够相互“交谈”。然而，由于这些都是以不同的方式创建的，因此它们需要使用共同的语言，而这通常是最不共同的标准。如果您的计算机已经具备TCP/IP，您的冰箱将如何与咖啡机通信？为什么将机器学习用于物联网？出于至少两个主要原因，机器学习是物联网领域的合适解决方案。首先是数据量和自动化机会。第二个与预测分析有关。数据分析自动化让我们以汽车传感器为例。随着汽车的移动，传感器会记录数以千计的数据点，这些数据点需要进行实时处理，以防止事故发生并为乘客提供舒适体验。人类分析师无法对每辆车执行这样的任务，因此自动化是唯一的解决方案。通过机器学习，车辆的中央计算机可以了解可能对驾驶员造成伤害的危险情况，例如速度和摩擦参数，并在现场采用安全系统。机器学习的预测能力回到汽车的例子，物联网的真正力量不仅在于检测眼前的危险，还在于识别更普遍的模式。例如，系统可以了解急转弯或平行停车有困难的驾驶员，并可以通过在这些问题上提供额外指导来帮助他或她。ML对IoT最有用的功能是它可以检测异常值和异常活动并触发必要的危险信号。随着它对一种现象了解得越多，它就会变得更加准确和有效。一个很好的例子是谷歌对其HVAC系统所做的，显着降低了能源消耗。最后但同样重要的是，还有机会创建模型，通过识别导致特定结果的因素来非常准确地预测未来事件。这提供了一个利用输入和控制结果的机会。它应该如何工作？重要的是要了解，当物联网系统依赖于人工输入时，它可能会失败。它需要机器学习的支持才能成为一个完全一致的系统，可以抵抗人为错误。在一个相互关联的世界中，人为错误会被算法迅速纠正。这有助于通过反馈机制优化整个过程。系统的预测组件识别正确的输入以获得预期的输出。在ML的支持下，物联网可以在个人层面上完美运行，这样你就不会在集体层面上打乱你的早晨例行工作。后一种情况可以通过互联汽车来说明，这些汽车可以相互通信并执行动态重新路由以避免交通拥堵。从大数据到智能数据“更聪明、更难”的建议非常适合管理物联网生成的数据并将其转化为有用的见解。虽然大数据都是为了克服3v带来的挑战，但智能数据可以指：传感器数据的现场清洗在将传感器信息发送到云端进行分析之前预处理批次传感器信息，准备好转化为可操作的见解在在这两种情况下，机器学习的附加价值在于它采用智能数据并使ML模型工作得更快、更准确。
