Analýza dat vs. strojové učení

Jaký je v tom rozdíl? Které by vaše firma měla používat? A jak se strojové učení vztahuje na IoT?

Tato kapitola je upravena z Konečného průvodce Začínáme v IoT - bezplatná eBook, kterou napsal Leverege. Chcete-li si stáhnout elektronickou knihu, klikněte zde.

Se všemi humbukem kolem strojového učení se mnoho organizací ptá, zda by v jejich podnikání neměly být nějaké aplikace strojového učení.

Ve velké většině případů je odpověď jasným ne.

Jednou z hlavních výhod cloudu je to, že vám umožňuje využívat prakticky nekonečný úložný a zpracovatelský výkon a získat kritický přehled o datech, která budou shromažďovat vaše senzory / zařízení. Analytika dat i strojové učení mohou být při tom výkonnými nástroji, ale často dochází k nejasnostem v tom, co ve skutečnosti znamenají a kdy je nejlepší použít jeden nebo druhý.

Strojové učení na vysoké úrovni bere velké množství dat a vytváří užitečné poznatky, které pomáhají organizaci. To by mohlo znamenat zlepšení procesů, snížení nákladů, vytvoření lepší zkušenosti pro zákazníka nebo otevření nových obchodních modelů.

Většina organizací však může získat mnoho z těchto výhod z tradičních analytických dat, aniž by potřebovala složitější aplikace strojového učení.

Tradiční analýza dat je skvělá při vysvětlování dat. Můžete vytvářet zprávy nebo modely toho, co se stalo v minulosti nebo co se dnes děje, a získat užitečné informace, které lze použít v organizaci.

Analytika dat může pomoci kvantifikovat a sledovat cíle, umožnit chytřejší rozhodování a poté poskytnout prostředky pro měření úspěchu v čase.

Kdy je tedy strojové učení hodnotné?

Datové modely, které jsou typické pro tradiční analytiku dat, jsou často statické a mají omezené použití při řešení rychle se měnících a nestrukturovaných dat. Pokud jde o IoT, je často nutné identifikovat korelace mezi desítkami senzorových vstupů a externími faktory, které rychle produkují miliony datových bodů.

Zatímco tradiční analýza dat by vyžadovala model založený na minulých datech a expertním posudku, aby se vytvořil vztah mezi proměnnými, strojové učení začíná s výslednými proměnnými (např. Úspora energie) a poté automaticky hledá predikční proměnné a jejich interakce.

Obecně je strojové učení cenné, když víte, co chcete, ale neznáte důležité vstupní proměnné pro toto rozhodnutí. Algoritmu strojového učení tedy dáte cíl (cíle) a poté se „učí“ z dat, které faktory jsou důležité pro dosažení tohoto cíle.

Skvělým příkladem je loňská aplikace strojového učení společnosti Google do datových center. Datová centra musí zůstat v chladu, takže pro správnou funkci svých chladicích systémů vyžadují obrovské množství energie. To pro společnost Google představuje značné náklady, takže cílem bylo zvýšit efektivitu strojového učení.

Se 120 proměnnými ovlivňujícími chladicí systém (tj. Ventilátory, čerpadla, rychlosti, okna atd.) By bylo vytvoření modelu s klasickými přístupy obrovským úkolem. Místo toho Google použil strojové učení a snížil celkovou spotřebu energie o 15%. To znamená, že společnost Google v nadcházejících letech ušetří stovky milionů dolarů.

Strojové učení je také cenné pro přesné předpovídání budoucích událostí. Zatímco datové modely vytvořené pomocí tradiční analytiky dat jsou statické, algoritmy strojového učení se v průběhu času neustále zlepšují, protože více dat je zachyceno a asimilováno. To znamená, že algoritmus strojového učení může provádět předpovědi, vidět, co se ve skutečnosti děje, porovnat s jeho předpovědi a poté upravit tak, aby byl přesnější.

Prediktivní analytika umožněná strojovým učením jsou velmi cenné pro mnoho aplikací IoT. Pojďme se podívat na několik konkrétních příkladů…

Můžete si přečíst o případech použití a dozvědět se více o strojovém učení a analytice dat v souvislosti s IoT v bezplatné elektronické knize, kterou jsem napsal s týmem Leverege. Sdílíme informace, které potřebujete k vybudování solidního základu na internetu věcí a jeho doprovodných konceptů, komponent a technologií, které to vše umožňují.