深度學習算法是機器學習 (ML)的未來——但僅限于具有特定要求的算法。許多 ML 算法可以有效地處理小數(shù)據(jù)。在這里，我們將研究其中的一些算法，例如神經(jīng)網(wǎng)絡和 k-means 聚類，以及如何應用它們。

當我們考慮用于物聯(lián)網(wǎng) (IoT) 的 ML 時，我們通常會想到云中的 ML 和研究大量數(shù)據(jù)的大規(guī)模算法。這是 ML 在 IoT 中的一個使用模型，但它不是唯一的。ML 可以應用于物聯(lián)網(wǎng)生態(tài)系統(tǒng)中的任何地方，只是用不同的算法解決不同的問題（圖 1）。

圖 1：物聯(lián)網(wǎng)生態(tài)系統(tǒng)和機器學習/數(shù)據(jù)視角。（來源：作者）

從圖 1 中，您還可以看到數(shù)據(jù)使用方式的一些差異。云處理來自許多站點的數(shù)據(jù)，使其能夠探索跨 IoT 產(chǎn)品的各種實例的模式。如果您關心端點的故障預測，擁有來自所有端點的數(shù)據(jù)可以幫助預測故障。

網(wǎng)關可以處理來自給定站點的數(shù)據(jù)和生成的 IoT 端點數(shù)據(jù)，為您提供站點級視圖。對于傳感器融合和學習家庭能源使用模式，網(wǎng)關（或家庭級）數(shù)據(jù)視圖是合適的。

最后，端點本身孤立地查看傳感器數(shù)據(jù)（它本身可以代表多個傳感器，但視圖更窄）。在此級別，ML 可以應用于 ML 算法層次結構中的各個傳感器。

端點機器學習

在邊緣使用 ML 的原因有很多，從通信延遲到云，再到數(shù)據(jù)隱私和學習模型。讓我們看一下在邊緣應用機器學習的一些方法。

Nest 恒溫器或“Google Nest”被認為是物聯(lián)網(wǎng)、智能家居和邊緣 ML 的杰出示例。Nest 恒溫器會學習自我編程，并根據(jù)您獨特的溫度偏好和居家時間表設置您家中的最佳溫度。

另一個例子是住宅雨水收集系統(tǒng)，該系統(tǒng)將根據(jù)環(huán)境傳感器數(shù)據(jù)、草坪區(qū)域優(yōu)先級、一天中的時間、可用水位和當?shù)貧v史降雨預報，了解何時以及如何確定和優(yōu)化草坪澆水的優(yōu)先級。

表 1說明了一些可應用于 IoT 端點的 ML 算法及其可服務的應用程序。

表 1：機器學習算法及其應用

深度學習呢？

對于涉及視頻和音頻信息的許多使用模型，深度學習是一種有用的算法。深度學習協(xié)處理器使在資源受限的嵌入式設備中構建深度學習應用程序成為可能。您還可以找到專為嵌入式設備定制的深度學習算法。

因此，您使用的算法是應用程序的一個功能。如果深度學習是您所需要的，那么該方法可以通過正確的硬件和固件實現(xiàn)應用于 IoT 端點。

結論

在物聯(lián)網(wǎng)領域，沒有一種方法是萬能的。那些成功的解決方案是那些盡可能接近數(shù)據(jù)有效解決問題的解決方案。無論您是在 IoT 系統(tǒng)的各個級別集成 ML 還是在整個體系結構中分布 ML，ML 未來都將在 IoT 系統(tǒng)中扮演更重要的角色。

M. Tim Jones 是一位資深的嵌入式固件架構師，擁有超過 30 年的架構和開發(fā)經(jīng)驗。Tim 是多本書籍和多篇文章的作者，涉及軟件和固件開發(fā)領域。他的工程背景從地球同步航天器的內核開發(fā)到嵌入式系統(tǒng)架構和協(xié)議開發(fā)。

審核編輯黃宇