如果物联网设备本身可以通过观察我们的使用模式来了解我们的偏好, 会怎么样? 这有助于个性化过程的自动化.
环顾四周, 你会看到广泛佩戴健康和健身可穿戴传感器设备的身影, 例如 Fitbit,Garmin, 小米或其他设备.
许多人不知道的是, 我们还使用传感器来监测桥梁和建筑物的结构完整性, 以及跟踪昆虫和其他动物的活动.
随着物联网 ( IoT ) 的迅速发展, 预计未来十年将会有数百亿个物联网传感器设备连接起来. 这些连网的传感器设备将自动化各个经济领域的流程, 从制造工厂到医疗保健管理等等, 从而提高生产力, 并改善生活质量.
这些传感器设备将部署在广泛的应用领域, 它们都具有微处理器, 存储器, 有线或无线通信接口, 以及电池或其他能源.
每个应用程序和物联网设备都将迎来自己独特的环境, 例如其位置, 周围环境的条件以及该地区人们的行为, 个别设备将观察并适应其独特环境.
加入人工智能
那么, 当我们将人工智能 ( AI ) 引入到这个组合中会发生什么呢? 有了人工智能, 这些设备可以根据不断变化的环境来优化它们的行为, 就像生物如何根据周围环境优化它们的行为一样, 即使是我们周围较小的物联网设备也可以运行人工智能功能, 并随着时间推移进化它们的系统.
想想便携式移动设备, 例如智能手表或智能手机, 通常提供大量适用于所有用户的功能和应用程序.
要对其进行个性化设置, 用户必须单独手动配置每个应用程序, 并随着时间推移不断更新这些配置.
如果设备本身可以通过观察我们的使用模式来了解我们的偏好, 会怎么样? 这有助于个性化过程的自动化.
那么, 对于我们设备还没有经历过的情况呢? 该设备是否有可能了解我们在未知情况下的偏好?
这是人工智能设备可以通过彼此分享信息来帮助彼此更快, 更有效地学习的地方, 从而对这些设备的学习速度产生倍增效应.
会说话的智能手机
举例来说, 我们已经展示了彼此靠近的智能手机如何既能运行自己的人工智能模块, 又能分享程序中的逻辑块, 以加速学习如何保持电池寿命.
这些好处背后有两个原因. 首先, 每部手机都是独立学习, 开发自己的程序逻辑遗传材料 -- 各种各样的进化.
这在进化计算中被称为 "岛屿模式". 在物联网中, 每台设备都成为自己的 "孤岛", 有时, 这些设备会分享它们学到的知识.
这增加了它们遗传库的多样性, 这对学习或进化的系统是有益的, 这也意味着两个设备都知道如何更好地对其他协作设备最初可能观察到的新环境做出反应.
动物跟踪提供了物联网设备中协作人工智能 (AI) 的类似驱动程序, 设备经常被放置在项圈或耳标上, 以跟踪牲畜, 宠物或野生动物的位置和活动.
为了提供准确的跟踪信息, 每台设备都需要了解它正在跟踪动物的具体运动特征 -- 例如物种, 年龄和性别 -- 这是人工智能可以帮助的.
然后, 当两个或更多动物相遇时, 物联网设备可以分享它们对动物运动的了解, 这可以加快其他设备对具有相似特征动物的学习过程.
预测故障
物联网中共享学习的好处不仅限于动物和人的设备, 还可以用于监控桥梁或道路结构健康状况的设备.
在许多情况下, 由于成本高昂和位置偏远, 这些设备无法与网络有效链接, 但是它们可以在本地收集信息, 并学习观测到传感器数据中可能预测故障的特定模式.
由于故障相对较少, 因此与相邻设备共享学习提供了更大的资源库, 用于培训可能尚未遇到故障的物联网设备, 以及需要注意的事项.
在实现物联网设备共享学习的道路上, 仍有一些悬而未决的问题, 比如, 如果设备参与共享学习环境, 它是否会损害其所有者的隐私? 答案是, 这取决于人工智能方法是否共享具有内在意义的信息, 例如遗传编程.
物联网设备还需要确保在学习如何应对新情况时继续完成日常任务. 更需要设计适当的安全控制措施, 例如对设备可以学习什么, 以及为了响应学习而不应该改变的内容设置严格限制.
另一个问题是, 在决定与哪些设备协作时, 设备如何知道信任哪些相邻设备? 如果恶意实体进入网络, 目的是将破坏性逻辑注入共享物联网学习环境, 会怎么样? 因此, 仍然需要创建方法来全面解决这些问题.
那么, 我们在哪里可以找到可以相互学习的物联网设备呢? 虽然它们的应用仍被认为处于初级阶段, 但潜在的机会还是值得我们关注, 辩论和调查.
来源: http://iot.51cto.com/art/201810/585919.htm