物联网可以帮助我们更加了解自己及自己的生活方式, 并采取行动帮助我们实现生活目标; 人工智能应用于物联网可以让我们心情更好, 节约电力并保持身体健康.
你知道洗碗机的运转时间吗? 很多人可能会说无聊.
我直到 2013 年才找到这个问题的答案, 记得我当时用笔记本电脑兴奋地拿给妻子看, 她迷惑不解, 这种事也值得我兴奋?
令人兴奋的原因是, Ubi(智能声控设备)可以成功记录厨房里整天的声音变化, 我能够得知洗碗机运行时的声音大小以及持续时间. 我甚至可以知道它有三个工作周期, 期间有几分钟停顿安静时间. 通过分析洗碗机声音大小和读取相关日志, 我能够推断出洗碗机所处的工作周期. 可是, 我能用这些信息做什么却是另一回事.
洗碗机的秘密生活
从那时起, 我们家的设备和传感器平均数量呈指数级增长. 许多连网设备都配备了传感器, 当这些传感器结合在一起时, 我们就可以深入了解自己和自己的生活方式. 正是这种原因促使我们在 UBI 设备中增加了麦克风, 光线, 湿度, 气压和温度传感器, 未来希望机器学习能够跟上, 提供更多的见解.
物联网可以帮助我们更加了解自己及自己的生活方式, 并采取行动帮助我们实现生活目标; 人工智能应用于物联网可以让我们心情更好, 节约电力并保持身体健康.
实现上述目标需要三方面支撑:
微型传感器的成本降低和大规模应用
数据收集和数据存储成本的降低
AI, 机器学习 API 平台的商品化和易用性
2011 年, 我被 Kickstarter 众筹网站上的 Twine 智能装置迷住. 该产品内置有温度, 湿度, 加速传感器, 并可以通过无线网络报告数据. 购买它的原因来自我回家时发现厨房有积水, 原来是冰箱坏了, 要是我及早收到冰箱温度正在下降的警告就好了! Twine 智能装置可以通过创建简单规则, 并在超过特定阈值时发送电子邮件或 SMS 消息.
当年 Twine 智能装置价格昂贵, 现在类似设备价格已经大幅下降, GPS,WiFi, 蓝牙, 加速传感器, 红外传感器, 麦克风, 磁场探测器, 力传感器和气压计可以与多个传感器集成在一块芯片上, 并已经在数十亿部智能手机上配备, 而且通过他们实现应用程序也很容易.
在为 Ubi 收集传感器数据时, 我们必须构造能够处理 HTTP 长轮询, 传感器数据信息流传输, 数据累积, 根据规则处理, 存储和调用数据以进行分析的基础架构.
在缩小图形时, 调用太多数据点可能会出现问题, 由于此问题, 我们在早期曾多次造成服务器崩溃.
我们还需要了解, 每 10 秒钟采样 5 次数据可能会导致大量数据涌入我们服务器. 如今, AWS,Google App Engine 和其他公司拥有物联网平台, 与五年前相比, 这种平台非常容易设置数据收集规则.
新的要求在于使用这些数据来预测我们下一步要做什么或试图影响我们下一步的工作, 要做到这一点, 我们需要逐步提高信息层次. Haeckel 提出了这样一种等级:
原始数据
信息
情报
知识
智慧
在洗碗机的例子中, 原始数据是声音分贝水平和时间; 信息是知道在哪里收集数据; 情报是指有一台洗碗机已经打开, 位于同一个房间里, 并且能够了解运作周期; 知识是能够确定周期的总长度和静音的时刻; 然后智慧在于知道洗碗机现在会运行这么多时间, 并产生这么多的噪音, 所以也许我不应该在半夜打开它.
今天收集这类信息需要用户进行大量的学习和输入来升级系统. 这是可以应用人工智能的地方, 但需要为每个特定场景构建 AI, 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在哪里:
在相关情况下向用户提供见解
结合数据以创造新见解
预测什么事情会改变情绪和情感
新的规则是, 能够影响用户情绪和情感的公司将获胜.
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, 而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式将这些信息转化为情报. 也就是说, 它们是通过抽象, 平均和比较来实现的.
抽象可以意味着我们对信息进行某种解释以识别事件, 或者我们整合或区分以收集总和或速率. 对于 Ubi 来说, 它可能是光照变化, 每天有多少次对设备说话或设备对用户说话("交互作用"), 温度变化量, 达到阈值等等.
平均也是一种抽象, 但可以用于个人用户 / 设备或更大的用户或设备集合. 最后, 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参考见解, 所有这些都可以在没有任何机器学习或 AI 系统的情况下完成.
但是, 能够让系统接受训练来识别并标记事件是更强大的. Nest 在视觉处理方面做了一个有趣的工作, 它们基本上是通过允许用户在视频反馈上画出一个区域并将其命名为事件来实现机器视觉的.
对于物联网设备公司来说, 如果拥有用户标签或识别事件会给用户带来直接好处, 那么为什么不应该使用它来训练系统自动识别事件? 声音检测, 是否在家, 暖气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, 并向用户呈现另一轮验证或校正.
智能家居识别中特别有用的情报包括:
在家 / 不在家
到达 / 离开时间
有多少人在家
睡眠 / 清醒时间
吃饭时间
设备使用
其他家庭活动(例如看电视, 打扫卫生, 做饭等)
把它们放在一起
更进一步, 我们可以开始把上面的信息组合起来, 创造 "知识", 最终创造 "智慧". 这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, 他们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 吃晚餐, 这些信息可以用来在下午 5 点 30 分触发一个吃饭提示, 系统也可以开始测试输入并评估效果是否对用户产生积极的影响.
在用餐想法场景中, 如果用户采用这个想法, 则可以将其视为正面影响. 也可以收集一些其他的情报作为评估幸福指数 (语音分析, 早睡时间, 晚睡觉减少等) 也与系统的输入相关.
也许训练系统更好地操纵我们是一个可怕的命题. 但是, 如果我们的目标是要提高自己, 例如, 在系统约束范围内提供一些自主性, 比如家庭照明和温度, 我们可能会取得巨大成功.
来源: http://iot.51cto.com/art/201805/571941.htm