Δεδομένα Analytics vs. Machine Learning

Ποιά είναι η διαφορά? Ποια θα πρέπει να χρησιμοποιεί η επιχείρησή σας; Και πώς ισχύει η μηχανική μάθηση για το IoT;

Αυτό το κεφάλαιο είναι προσαρμοσμένο από τον τελικό οδηγό για να ξεκινήσετε στο IoT - ένα δωρεάν ηλεκτρονικό βιβλίο που γράφτηκε από το Leverege. Για να κατεβάσετε το eBook, κάντε κλικ εδώ.

Με όλη τη διαφημιστική εκστρατεία γύρω από την εκμάθηση μηχανών, πολλοί οργανισμοί ρωτούν αν πρέπει να υπάρχουν εφαρμογές μηχανικής μάθησης στην επιχείρησή τους με κάποιο τρόπο.

Στη συντριπτική πλειοψηφία των περιπτώσεων, η απάντηση είναι ένα ηχηρό όχι.

Ένα από τα σημαντικότερα οφέλη του cloud είναι ότι σας επιτρέπει να αξιοποιήσετε σχεδόν άπειρη αποθήκευση και επεξεργαστική ισχύ για να αποκτήσετε κρίσιμες γνώσεις από τα δεδομένα που συλλέγουν οι αισθητήρες / συσκευές σας. Τόσο η ανάλυση δεδομένων όσο και η εκμάθηση μηχανών μπορούν να αποτελέσουν ισχυρά εργαλεία για την επίτευξη αυτού του στόχου, αλλά υπάρχει συχνά σύγχυση σχετικά με το τι πραγματικά σημαίνουν και πότε είναι καλύτερο να χρησιμοποιηθούν το ένα ή το άλλο.

Σε υψηλό επίπεδο, η εκμάθηση μηχανών λαμβάνει μεγάλα ποσά δεδομένων και παράγει χρήσιμες πληροφορίες που βοηθούν τον οργανισμό. Αυτό θα μπορούσε να σημαίνει βελτίωση διαδικασιών, μείωση του κόστους, δημιουργία καλύτερης εμπειρίας για τον πελάτη ή άνοιγμα νέων επιχειρηματικών μοντέλων.

Ωστόσο, οι περισσότερες οργανώσεις μπορούν να αποκομίσουν πολλά από αυτά τα οφέλη από την παραδοσιακή ανάλυση δεδομένων, χωρίς την ανάγκη για πιο πολύπλοκες εφαρμογές μηχανικής μάθησης.

Η παραδοσιακή ανάλυση δεδομένων είναι μεγάλη στην εξήγηση των δεδομένων. Μπορείτε να δημιουργήσετε αναφορές ή μοντέλα για το τι συνέβη στο παρελθόν ή για το τι συμβαίνει σήμερα, αντλώντας χρήσιμες πληροφορίες για την εφαρμογή στον οργανισμό.

Οι αναλύσεις δεδομένων μπορούν να βοηθήσουν στην ποσοτικοποίηση και την παρακολούθηση των στόχων, στην ευφυέστερη λήψη αποφάσεων και στη συνέχεια στην παροχή των μέσων μέτρησης της επιτυχίας με την πάροδο του χρόνου.

Έτσι πότε είναι η μηχανική μάθηση πολύτιμη;

Τα μοντέλα δεδομένων που είναι τυπικά για τις παραδοσιακές αναλύσεις δεδομένων είναι συχνά στατικά και έχουν περιορισμένη χρήση στην αντιμετώπιση ταχέως μεταβαλλόμενων και αδόμητων δεδομένων. Όταν πρόκειται για το Διαδίκτυο, είναι συχνά απαραίτητο να εντοπιστούν συσχετισμοί μεταξύ δεκάδων εισόδων αισθητήρων και εξωτερικών παραγόντων που παράγουν γρήγορα εκατομμύρια σημεία δεδομένων.

Ενώ η παραδοσιακή ανάλυση δεδομένων θα χρειαζόταν ένα μοντέλο βασισμένο σε προηγούμενα δεδομένα και γνώμες εμπειρογνωμόνων για τη δημιουργία μιας σχέσης μεταξύ των μεταβλητών, η μηχανική μάθηση ξεκινά με τις μεταβλητές των αποτελεσμάτων (π.χ. εξοικονόμηση ενέργειας) και στη συνέχεια αναζητά αυτόματα μεταβλητές πρόβλεψης και τις αλληλεπιδράσεις τους.

Γενικά, η μηχανική μάθηση είναι πολύτιμη όταν ξέρετε τι θέλετε, αλλά δεν γνωρίζετε τις σημαντικές μεταβλητές εισροών για να κάνετε αυτή την απόφαση. Έτσι δίνετε στον αλγόριθμο εκμάθησης της μηχανής τους στόχους και στη συνέχεια "μαθαίνει" από τα δεδομένα ποιοι παράγοντες είναι σημαντικοί για την επίτευξη αυτού του στόχου.

Ένα καλό παράδειγμα είναι η εφαρμογή της μηχανικής μάθησης από την Google στα κέντρα δεδομένων της πέρυσι. Τα κέντρα δεδομένων πρέπει να παραμείνουν δροσερά, επομένως απαιτούν τεράστια ποσά ενέργειας για να λειτουργούν σωστά τα συστήματα ψύξης τους. Αυτό αντιπροσωπεύει ένα σημαντικό κόστος για την Google, οπότε ο στόχος ήταν να αυξηθεί η αποδοτικότητα με τη μηχανική μάθηση.

Με 120 μεταβλητές που επηρεάζουν το σύστημα ψύξης (δηλ. Ανεμιστήρες, αντλίες, ταχύτητες, παράθυρα κ.λπ.), η οικοδόμηση ενός μοντέλου με κλασικές προσεγγίσεις θα ήταν μια τεράστια δέσμευση. Αντ 'αυτού, η Google εφάρμοσε μηχανική μάθηση και μείωσε τη συνολική κατανάλωση ενέργειας κατά 15%. Αυτό αντιπροσωπεύει εκατοντάδες εκατομμύρια δολάρια εξοικονόμησης για την Google τα επόμενα χρόνια.

Επιπλέον, η μηχανική μάθηση είναι επίσης πολύτιμη για την ακριβή πρόβλεψη μελλοντικών γεγονότων. Ενώ τα μοντέλα δεδομένων που κατασκευάστηκαν χρησιμοποιώντας παραδοσιακές αναλύσεις δεδομένων είναι στατικά, οι αλγόριθμοι μηχανικής μάθησης βελτιώνονται διαρκώς με την πάροδο του χρόνου καθώς συλλέγονται και εξομοιώνονται περισσότερα δεδομένα. Αυτό σημαίνει ότι ο αλγόριθμος εκμάθησης μηχανής μπορεί να κάνει προβλέψεις, να δει τι συμβαίνει στην πραγματικότητα, να συγκρίνει τις προβλέψεις του, και στη συνέχεια να προσαρμοστεί για να γίνει πιο ακριβής.

Οι μέθοδοι πρόβλεψης που έγιναν δυνατές με την εκμάθηση μηχανών είναι εξαιρετικά πολύτιμες για πολλές εφαρμογές IoT. Ας ρίξουμε μια ματιά σε μερικά συγκεκριμένα παραδείγματα ...

Μπορείτε να διαβάσετε σχετικά με τις περιπτώσεις χρήσης και να μάθετε περισσότερα σχετικά με την εκμάθηση μηχανών και την ανάλυση δεδομένων στο πλαίσιο του IoT στο ελεύθερο eBook που έγραψα με την ομάδα Leverege. Μοιραζόμαστε τις πληροφορίες που χρειάζεστε για να δημιουργήσετε μια σταθερή βάση στο Διαδίκτυο των Πράξεων και τις συνοδευτικές έννοιες, τα συστατικά μέρη και τις τεχνολογίες που καθιστούν όλες τις δυνατότητες.