Анализ на данни спрямо машинно обучение

Каква е разликата? Кой трябва да използва вашият бизнес? И как машинното обучение се прилага за IoT?

Тази глава е адаптирана от Крайния наръчник за Първи стъпки в IoT - безплатна електронна книга, написана от Leverege. За да изтеглите електронната книга, щракнете тук.

С целия шум около машинното обучение много организации се питат дали трябва да има някакви приложения за машинно обучение в техния бизнес.

В по-голямата част от случаите отговорът е оскъден „не“.

Едно от основните предимства на облака е, че той ви позволява да използвате практически безкрайната мощност за съхранение и обработка, за да получите критична представа от данните, които вашите сензори / устройства ще събират. Както анализирането на данни, така и машинното обучение могат да бъдат мощни инструменти за това, но често има объркване относно това какво всъщност означават и кога е най-добре да се използва едно или друго.

На високо ниво машинното обучение отнема големи количества данни и генерира полезна информация, която помага на организацията. Това може да означава подобряване на процесите, намаляване на разходите, създаване на по-добро изживяване за клиента или отваряне на нови бизнес модели.

Въпреки това, повечето организации могат да получат много от тези ползи от традиционните анализи на данни, без да са необходими по-сложни приложения за машинно обучение.

Традиционният анализ на данни е чудесен за обяснение на данните. Можете да генерирате отчети или модели за това, което се е случило в миналото или за това, което се случва днес, като извличате полезна информация, която да приложите към организацията.

Анализът на данни може да помогне за количествено определяне и проследяване на целите, да даде възможност за по-интелигентно вземане на решения и след това да предостави средства за измерване на успеха във времето.

И така, когато машинното обучение е ценно?

Моделите данни, които са характерни за традиционната анализа на данни, често са статични и с ограничена употреба при адресиране на бързо променящи се и неструктурирани данни. Що се отнася до IoT, често е необходимо да се установят връзки между десетки входни сензори и външни фактори, които бързо генерират милиони точки от данни.

Докато традиционният анализ на данни ще се нуждае от модел, изграден на базата на минали данни и експертно мнение, за да се установи връзка между променливите, машинното обучение започва с променливите на резултатите (напр. Спестяване на енергия) и след това автоматично търси променливи за прогноза и техните взаимодействия.

По принцип машинното обучение е ценно, когато знаете какво искате, но не знаете важните входни променливи, за да вземете това решение. Така вие давате на алгоритъма за машинно обучение целта (ите) и след това той „се учи“ от данните кои фактори са важни за постигането на тази цел.

Чудесен пример е приложението на Google за машинно обучение в своите центрове за данни миналата година. Центровете за данни трябва да останат хладни, така че се нуждаят от огромни количества енергия, за да функционират правилно техните охладителни системи. Това представлява значителни разходи за Google, така че целта беше да се повиши ефективността с машинно обучение.

Със 120 променливи, засягащи охлаждащата система (т.е. вентилатори, помпи, скорости, прозорци и т.н.), изграждането на модел с класически подходи би било огромно начинание. Вместо това Google приложи машинно обучение и намали общата си консумация на енергия с 15%. Това представлява стотици милиони долари спестявания за Google през следващите години.

Освен това машинното обучение е ценно и за точно прогнозиране на бъдещи събития. Докато моделите на данни, изградени с помощта на традиционна анализа на данни, са статични, алгоритмите за машинно обучение постоянно се подобряват с течение на времето, тъй като повече данни се улавят и усвояват. Това означава, че алгоритъмът за машинно обучение може да прави прогнози, да види какво всъщност се случва, да сравнява с неговите прогнози, след което да се коригира, за да стане по-точен.

Прогнозната анализа, станала възможна чрез машинно обучение, е изключително ценна за много приложения на IoT. Нека да разгледаме няколко конкретни примера ...

Можете да прочетете за случаи на използване и да научите повече за машинното обучение и анализа на данни в контекста на IoT в безплатната електронна книга, която написах с екипа на Leverege. Ние споделяме информацията, която ви е необходима, за да изградите солидна основа в Интернет на нещата и придружаващите я концепции, компоненти и технологии, които правят всичко възможно.