數據是新的石油，企業物聯網部署是一種從許多不同來源獲取大量數據的簡單方法。但最終，真正重要的是數據的業務處理。通過將這些數據運用起來，組織可以提高效率，增加盈利，推動創新。

　　這就是機器學習的問題。它仍然是一個相當新生的技術，但一些公司正在使用機器學習來提升物聯網計劃的價值。

　　對于初學者來說，機器學習算法可以使物聯網數據更適合處理和分析。企業可以使用經過訓練的算法來幫助組織和標記數據。使用機器學習，公司可以確定數據來源和分類，以及它是否符合某些合規要求。這對于在高度監管的醫療和金融服務領域的物聯網部署尤其有用。

　　機器學習也可以用于分析本身。根據IDC認知與人工智能系統研究總監Dave Schubmehl的說法，該技術可以為企業物聯網部署提供“預測，建議或可能的規定性措施” 。

　　這種算法的核心用例是預測性維護。Schubmehl說，這是在復雜機器上的傳感器發回數據時完成的，該數據“用于預測各種子系統何時可能出現故障，并建議何時該機器應該進行預防性維護以防止故障發生”。通過使用數據在發生故障之前解決維護問題，企業可以節省時間和金錢。

　　根據物聯網公司研究總監Christian Renaud的說法，預測性維護用例約占451 Research所認為的物聯網部署的三分之二。

　　Renaud表示，通常發生的情況是“您正在監控的實時數據很多，但直到出現異常情況時才開始捕獲和分析。” 其中一個例子就是醫院配備高價值冰箱用于需要保持恒定溫度的器官移植。沒有人真正關心他們在恒定的溫度下待到他們不再工作，機器學習可以(希望)阻止他們失敗。

　　資源管理是機器學習可以用于物聯網計劃的另一種方式。根據Schubmehl的說法，像約翰迪爾這樣的公司使用“拖拉機和農場設備上的傳感器來監控土壤，植物，昆蟲，水分等等的狀態，以建立預測模型，以準確計算應施用多少化肥，水和殺蟲劑以最大限度地提高作物產量。“

　　在2017年Gartner報告“邊緣人工智能：融合人工智能和物聯網將催化新的數字價值創造”一文中，舉例說明了Google如何使用物聯網和機器學習優化其數據中心的資源。據報道，傳感器可監測溫度，功率，泵速，設定值等。通過使用這些數據和特定的算法，Google將冷卻費用減少了40%，并從相同的能源消耗中獲得了3.5倍的計算能力。

　　從射頻識別(RFID)標簽收集的數據也可以用于機器學習，以創造商業價值。Schubmehl給出了航運業使用的RFID優化供應鏈路線和物流的例子。Renaud說這在卡車運輸中很常見，機器學習用于確定哪條路線對發動機影響最小，并有助于保持最佳的燃油經濟性。

　　目前，物聯網中的機器學習實施在成熟的垂直領域比較普遍，例如制造和運輸等已經使用這些技術一段時間，Renaud說。然而，大多數公司“仍處于試驗階段，”他們不知道重要變量是什么，Renaud說。

　　隨著機器學習在企業中進一步發展并與物聯網相結合，其他新的使用案例將呈現出來。其中一個用例是機器學習，用于理解上下文相關的客戶數據。

　　“你會從零售渠道獲得大量的用戶意圖 - 能夠將你作為消費者和你的在線行為與你在店內做的事情聯系起來，”雷諾說。

　　Gartner報告還提到了零售環境數據，特別是使用店內攝像機和機器學習來創建智能視頻分析。

　　Schubmehl表示，機器學習和物聯網的其他整合包括 可吞食自主外科手術機器人，使用制造數據和算法自主觸發制造過程中的其他特定行為，并使用連接的車輛數據和機器學習創建定制化保險產品。

　　國內最大的物聯卡交易平臺（http://www.namesmade.com）表示，雖然無法預測機器學習會影響物聯網的所有方式，但機器學習將成為推動物聯網實際企業價值的關鍵，這已經成為一個預見的結論。

延伸閱讀

http://www.namesmade.com/ask/251.html

http://www.namesmade.com/ask/250.html

http://www.namesmade.com/ask/249.html