Ứng dụng của học máy trong Internet vạn vật (IoT)

Có rất nhiều sự cường điệu và ồn ào xung quanh học máy và IoT. Dưới đây là một số ứng dụng học máy trong IoT thực sự đã xuất hiện trên thế giới hiện nay.

0

Học máy (ML) và Internet vạn vật (IoT) đã là những từ thông dụng trong vài năm qua, mà phần lớn đã được thổi phồng và phần nhiều cũng phản ánh tiềm năng sâu sắc của chúng. Các trích dẫn ở trên có phần đùa cợt từ một nhà đầu tư, nhưng chúng cũng có một số sự thật đi kèm.

Với sự cường điệu xung quanh học máy và IoT cũng như phạm vi ứng dụng rộng lớn mà chúng có thể mang lại, có thể khó mà vượt qua tạp âm và hiểu giá trị thực sự nằm ở đâu. Trong bài đăng này, tôi sẽ giải thích cách học máy có thể có giá trị đối với IoT, khi nó phù hợp để sử dụng và một số ứng dụng học máy và các trường hợp sử dụng hiện có trên thế giới hiện nay.

Và nếu bạn mới biết những chủ đề này, bạn có thể muốn tăng tốc tìm hiểu học máy và Internet vạn vật trước khi chúng ta bắt đầu!

Phân tích dữ liệu so với học máy

Với tất cả sự cường điệu nói trên xung quanh học máy, nhiều tổ chức đang hỏi liệu có nên ứng dụng học máy trong doanh nghiệp của họ bằng cách nào đó không. Trong phần lớn các trường hợp, câu trả lời là không.

Sau này tôi sẽ khám phá giá trị của học máy ở mức sâu hơn, nhưng ở mức độ cao, học máy chiếm một lượng lớn dữ liệu và tạo ra những hiểu biết hữu ích giúp tổ chức. Điều đó có thể cải thiện các quy trình, cắt giảm chi phí, tạo trải nghiệm tốt hơn cho khách hàng hoặc mở ra các mô hình kinh doanh mới.

Vấn đề là, hầu hết các tổ chức có thể nhận được nhiều lợi ích từ các phân tích dữ liệu truyền thống, mà không cần các ứng dụng học máy phức tạp hơn.

Phân tích dữ liệu truyền thống khá là tuyệt vời trong việc giải thích dữ liệu. Bạn có thể tạo các báo cáo hoặc mô hình về những gì đã xảy ra trong quá khứ hoặc về những gì mà xảy ra ngày hôm nay, rút ra những hiểu biết hữu ích để áp dụng cho tổ chức.

Phân tích dữ liệu có thể giúp định lượng và theo dõi các mục tiêu, cho phép ra quyết định thông minh hơn và sau đó cung cấp các phương tiện để đo lường thành công theo thời gian.

Khi nào thì học máy có giá trị?

Các mô hình dữ liệu điển hình cho phân tích dữ liệu truyền thống thường là tĩnh và được sử dụng hạn chế trong việc giải quyết dữ liệu thay đổi nhanh và không có cấu trúc. Khi nói đến IoT, nó thường cần thiết để xác định mối tương quan giữa hàng tá đầu vào cảm biến và các yếu tố bên ngoài đang nhanh chóng tạo ra hàng triệu điểm dữ liệu.

Mặc dù phân tích dữ liệu truyền thống sẽ cần một mô hình được xây dựng dựa trên dữ liệu trong quá khứ và ý kiến chuyên gia để thiết lập mối quan hệ giữa các biến, học máy bắt đầu với các biến kết quả (ví dụ: tiết kiệm năng lượng) và sau đó tự động tìm kiếm các biến dự đoán và tương tác của chúng.

Nói chung, học máy có giá trị khi bạn biết bạn muốn gì nhưng bạn không biết các biến đầu vào quan trọng để đưa ra quyết định. Vì vậy, bạn cung cấp cho thuật toán học máy (các) mục tiêu và sau đó, nó học hỏi từ dữ liệu, yếu tố nào là quan trọng để đạt được mục tiêu đó.

Một ví dụ tuyệt vời là ứng dụng Google học máy cho các trung tâm dữ liệu của nó vài năm trước. Các trung tâm dữ liệu cần phải duy trì trạng thái mát mẻ, vì vậy chúng đòi hỏi một lượng năng lượng khổng lồ để hệ thống làm mát của chúng hoạt động tốt (hoặc bạn có thể nhúng chúng xuống đại dương). Điều này đòi hỏi một chi phí đáng kể từ Google, vì vậy mục tiêu là tăng hiệu quả với học máy.

Với 120 biến số ảnh hưởng đến hệ thống làm mát (tức là quạt, tốc độ bơm, cửa sổ, v.v…), xây dựng một mô hình với các phương pháp cổ điển sẽ là một công việc rất lớn. Thay vào đó, Google đã áp dụng học máy và cắt giảm 15% mức tiêu thụ năng lượng. Điều đó có nghĩa là Google có thể tiết kiệm hàng trăm triệu đô la.



Học máy rõ ràng giảm mức tiêu thụ năng lượng trong các trung tâm dữ liệu của Google (Nguồn: The Verge)

Ngoài ra, học máy cũng có giá trị để dự đoán chính xác các sự kiện trong tương lai. Trong khi các mô hình dữ liệu được xây dựng bằng phân tích dữ liệu truyền thống là tĩnh, thuật toán học máy liên tục cải thiện theo thời gian khi nhiều dữ liệu được thu thập và đồng hóa. Điều này có nghĩa là thuật toán học máy có thể đưa ra dự đoán, xem điều gì thực sự xảy ra, so sánh với dự đoán của nó, sau đó điều chỉnh để trở nên chính xác hơn.

Các phân tích dự đoán được thực hiện bằng học máy rất có giá trị đối với nhiều ứng dụng IoT. Hãy cùng xem một vài ví dụ cụ thể…

Ứng dụng học máy trong IoT

Tiết kiệm chi phí trong các ứng dụng công nghiệp

Khả năng dự đoán là cực kỳ hữu ích trong một môi trường công nghiệp. Bằng cách vẽ dữ liệu từ nhiều cảm biến trong hoặc trên máy, các thuật toán học máy có thể học được những gì tiêu biểu cho máy và sau đó phát hiện khi có điều gì đó bất thường bắt đầu xảy ra.

Một công ty có tên Augury thực hiện chính xác điều này với các cảm biến rung và siêu âm được cài đặt trên thiết bị:

“Dữ liệu thu thập được gửi đến máy chủ của chúng tôi, nơi nó được so sánh với dữ liệu trước đó được thu thập từ máy đó, cũng như dữ liệu được thu thập từ các máy tương tự. Nền tảng của chúng tôi có thể phát hiện những thay đổi nhỏ nhất và cảnh báo bạn về việc phát triển các sự cố. Phân tích này được thực hiện trong thời gian thực và kết quả được hiển thị trên điện thoại thông minh của kỹ thuật viên trong vòng vài giây.”

Dự đoán khi một máy cần bảo trì là vô cùng có giá trị, chuyển thành hàng triệu đô la chi phí tiết kiệm. Một ví dụ tuyệt vời là Goldcorp, một công ty khai thác sử dụng các phương tiện khổng lồ để chuyên chở vật liệu.

Khi những chiếc xe kéo này bị hỏng, nó sẽ khiến Goldcorp mất 2 triệu đô la mỗi ngày khi mất năng suất. Goldcorp hiện đang sử dụng học máy để dự đoán với độ chính xác hơn 90% khi nào máy sẽ cần bảo trì, tức là có thể tiết kiệm chi phí rất lớn.

Định hình kinh nghiệm cho cá nhân

Chúng tôi thực sự quen thuộc với các ứng dụng học máy trong cuộc sống hàng ngày. Cả Amazon và Netflix đều sử dụng học máy để tìm hiểu sở thích của chúng tôi và cung cấp trải nghiệm tốt hơn cho người dùng. Điều đó có thể có nghĩa là đề xuất các sản phẩm mà bạn có thể thích hoặc cung cấp các đề xuất có liên quan cho phim và chương trình truyền hình.

Tương tự như vậy, trong học máy IoT có thể cực kỳ có giá trị trong việc định hình môi trường của chúng ta theo sở thích cá nhân.

Bộ điều nhiệt Nest là một ví dụ tuyệt vời, nó sử dụng máy học để tìm hiểu sở thích của bạn để sưởi ấm và làm mát, đảm bảo rằng ngôi nhà có nhiệt độ phù hợp khi bạn đi làm về hoặc khi bạn thức dậy vào buổi sáng.

Và hơn thế nữa

Các trường hợp sử dụng được mô tả ở trên chỉ là một vài khả năng trong số gần như vô hạn, nhưng chúng rất quan trọng bởi vì chúng là ứng dụng hữu ích của học máy trong IoT đang xảy ra ngay bây giờ.

Nhưng nhìn chung thì…

Chúng ta chỉ đang nhìn bề mặt

Hàng tỷ cảm biến và thiết bị mà sẽ tiếp tục được kết nối với internet trong những năm tới, sẽ tạo ra nhiều dữ liệu hơn theo cấp số nhân. Như tôi đã thảo luận trong một bài đăng khác, sự gia tăng dữ liệu khổng lồ này sẽ thúc đẩy những cải tiến lớn trong học máy, mở ra vô số cơ hội để chúng ta gặt hái những lợi ích.

Chúng ta không chỉ có thể dự đoán khi nào máy cần bảo trì, chúng tôi còn có thể dự đoán khi nào chúng ta cũng cần bảo trì. Học máy sẽ được áp dụng vào dữ liệu từ thiết bị đeo của chúng ta để tìm hiểu đường cơ sở của chúng ta và xác định khi nào cơ quan trọng yếu của chúng ta trở nên bất thường, tự động gọi bác sĩ hoặc xe cứu thương nếu cần thiết.

Ngoài các cá nhân, chúng tôi sẽ có thể sử dụng dữ liệu sức khỏe đó ở một quy mô nhất định để xem xu hướng trên toàn bộ dân số, dự đoán sự bùng phát của bệnh và chủ động giải quyết các vấn đề sức khỏe.

Chúng tôi cũng có thể dự đoán tai nạn và tội phạm trước khi chúng xảy ra. Dữ liệu từ cảm biến tiếng ồn, máy quay video, thậm chí thùng rác thông minh trong Thành phố thông minh có thể được đưa vào thuật toán học máy để khám phá các điều kiện tiên quyết cho tai nạn hoặc tội phạm, trang bị cho các cơ quan thực thi pháp luật với các công cụ mạnh mẽ (tất nhiên, có một số lo ngại về quyền riêng tư).

Mặc dù cả máy học và IoT đều có thể bị cường điệu hóa, tương lai của các ứng dụng học máy trong IoT rất xứng đáng với sự cường điệu đó. Chúng tôi thực sự chỉ cần nhìn ở bề mặt của những gì có thể.

BÌNH LUẬN

Vui lòng nhập bình luận của bạn
Vui lòng nhập tên của bạn ở đây