物聯(lián)網(wǎng)（Internet of Thing， IoT）廣義定義是萬物皆可連接到網(wǎng)絡，并可互相溝通或交換信息，以達到某種便利人類生活的目的。先前的文章介紹到設備管理平臺為止，它一直聚焦在通過一個中央的硬件管理平臺將硬件連接到網(wǎng)絡、硬件間使用哪一種或哪些的通訊協(xié)議溝通、用硬件管理平臺如何管控這些硬件等議題。

等到這里為止都屬于硬件架構設計范疇（雖然硬件管理平臺本身是軟件），然而如何讓物體本身成為智能對象就是純軟件的范疇了。相信很多讀者都聽過機器學習、深度學者這些熱門名詞，其中機器學習之所以熱門，就是大部分專家都認為機器學習是成就智能對象的核心關鍵，因此機器學習方法堪稱是物聯(lián)智能的核心技術。

物聯(lián)網(wǎng)核心仰賴以機器學習為主的分析

物聯(lián)網(wǎng)的應用非常的廣泛，只要物體可以通過傳感器（Sensor）收集監(jiān)測到的訊號或信息，提供到硬件管理平臺再鏈接到應用程序處理后，反饋出特定的決策再指示原始對象做進一步動作的領域都是可能的應用場域，例如：智能門鎖（通過家庭成員的進出時間判定物流配送最佳時間）、智能冰箱（監(jiān)控冰箱里的食物保存狀態(tài)、甚至決定何時補貨）、智能汽車（通過路徑分析節(jié)省能源或交通時間、監(jiān)控車輛使用狀態(tài)，決定何時進場維修）、智能農業(yè)（監(jiān)控農田環(huán)境狀態(tài)，決定何時灑水或施肥）、智能家居（有效的節(jié)能與生活輔助）、智能供應鏈訂制化、智慧城市、智能工廠（提升生產效率或降低耗損）等，這些智能或智能的核心都倚賴以機器學習為主的預測分析。

數(shù)據(jù)分析的議題除了以機器學習為核心外，還有數(shù)據(jù)超載與新的因素加入時系統(tǒng)如何快速響應等問題。試想，物聯(lián)網(wǎng)中的連網(wǎng)的硬件無時無刻都在收集數(shù)據(jù)，時間久了自然會造成數(shù)據(jù)超載問題，僅僅依靠人力必然無法進行實時的分析和利用。

另一方面，數(shù)據(jù)科學家通過分析大量的數(shù)據(jù)來辨認模式并人工定義規(guī)則，盡管已預建良好的應變系統(tǒng)，應用方案實際實施環(huán)境中隨時出現(xiàn)新的因素卻可能影響正確行動的判斷。如何確保物聯(lián)網(wǎng)系統(tǒng)在快速變化的環(huán)境中，仍然能夠做出最佳響應也是一項很有挑戰(zhàn)性的課題。

機器學習先驅阿瑟塞穆爾（Arthur Samuel）說：機器學習使計算機賦有學習能力，不需要顯示的程序指令就能創(chuàng)建算法，從數(shù)據(jù)中學習并做出預測。從傳感器所搜集到的資料，經整理后變成信息，再通過機器學習之類的方法將之轉化成有用的知識，最后就會蛻變成可執(zhí)行的智能，這樣才真正讓對象有了智能。

給一個簡單的物聯(lián)網(wǎng)應用定義一個規(guī)則比如當溫度太高時，就把冷氣壓縮機啟動該規(guī)則非常簡。 然而確定多個傳感器的輸入與外部因素之間的相關性卻不是想當然的結論。舉個例子說明：根據(jù)自動販賣機的銷售狀況、庫存水平、當?shù)氐奶鞖忸A報和促銷廣告等傳感器數(shù)據(jù)，系統(tǒng)必須決定何時派遣一輛卡車去補充自動販賣機內的商品。如果判斷時間錯誤以致出現(xiàn)貨品空窗期或擺放不合適的商品，都可能導致不同的銷售失敗。

好的物聯(lián)網(wǎng)平臺層都應該提供具備機器學習功能的數(shù)據(jù)分析系統(tǒng)，幫助鏈接到這個物聯(lián)網(wǎng)平臺的各種物聯(lián)網(wǎng)應用方案能夠分析傳感器數(shù)據(jù)，尋找相關性，并做出最佳響應，解決類似上面自動販賣機補貨時間與內容的議題。這個系統(tǒng)還必須不斷監(jiān)控它的預測準確度，持續(xù)訓練完善既有的算法，提高決策的正確性與速度。

目前，主要有兩類的機器學習方法：

1、監(jiān)督式學習：它是指在一組實例的基礎上開發(fā)一種算法。例如，一個簡單的智能零售為例可能是一個產品每天的銷售記錄。該算法計算的是一種相關，有關每個產品在一天之中到底有多少有可能會順利出售。這個信息有助于確定何時傳送卡車來補充自動販賣機器。過去常見的監(jiān)督式學習方法為支持向量機，現(xiàn)在流行的監(jiān)督式學習方法就是眾口傳頌的深度學習法。

2、非監(jiān)督式學習：不提供人為定義標簽（如銷售/天），系統(tǒng)需要自己去分析探索關鍵因素。它主動提供所有對分析相關的數(shù)據(jù)，而讓系統(tǒng)去主動識別不那么明顯的相關性，例如，價格折扣、本地事件和天氣狀態(tài)（例如：下雨與否）都可能影響自動販賣機的銷售數(shù)量。常見的非監(jiān)督式學習法包含有主成份分析、關聯(lián)規(guī)則學習、分群算法及同樣是最紅火的深度學習法。

按照Industrial Internet Consortium （IIC）提出的Industrial Internet Reference Architecture （IIRA）的定義，一個物聯(lián)網(wǎng)應用方案可以分成三個層次：各項硬件傳感器的硬件層、串連硬件層與企業(yè)層的平臺層、企業(yè)層。

物聯(lián)網(wǎng)中設備記錄文件（Machine log）以及傳感器產生的數(shù)據(jù)由硬件層中的網(wǎng)關收集轉換，經由網(wǎng)絡傳入位于云端或是企業(yè)內部私有云中的數(shù)據(jù)分析系統(tǒng)，數(shù)據(jù)分析的前端模塊執(zhí)行實時串流數(shù)據(jù)處理，由于每個單位時間都持續(xù)由硬件層中的分散的設備節(jié)點動態(tài)產生大量數(shù)據(jù)，因此前端模塊必須具有實時接收處理串流數(shù)據(jù)的能力，此時數(shù)據(jù)可經由分散處理的分析引擎與分散儲存的數(shù)據(jù)庫達成計算資源動態(tài)規(guī)劃支持。

在數(shù)據(jù)分析系統(tǒng)數(shù)據(jù)處理過程需進行數(shù)據(jù)清理，異質性數(shù)據(jù)匯整等數(shù)據(jù)前處理工作，關于異質性數(shù)據(jù)分析將另以專文說明。

這里可參考以下工作原則進行：

（1）補足原始數(shù)據(jù)不完整的字段，如時間位置或說明。

（2）同時過濾有錯誤的數(shù)據(jù)。

（3）并且對數(shù)據(jù)的單位和坐標進行轉換。

（4）幾種基本的分析模式也可以在此階段運行，如加總、相關性。

（5）同時生成并處理事件。這些結果倒入控制面板（Dashboard）以圖像化的方式呈現(xiàn)給用戶。

（6）處理后的數(shù)據(jù)置于數(shù)據(jù)庫中長期保存以利后續(xù)的進一步分析。較為復雜的預測建模分析需要統(tǒng)計機率建模與機器學習，則采批次分析模塊進行。

預測建模分析核心精神是基于統(tǒng)計模型的回歸分析模式，采用大量歷史數(shù)據(jù)提供建模，同時需要引入許多的外部數(shù)據(jù)，例如產業(yè)領域知識，供機器學習中特征工程使用。文字以及影像等非結構化數(shù)據(jù)特性則另外借助特定模塊處理，產生對應的半結構化數(shù)據(jù)以供后續(xù)建模所需特征工程使用。目前物聯(lián)網(wǎng)數(shù)據(jù)分析的來源數(shù)據(jù)可能包含廠房設備的狀態(tài)例如輸入電流、震動，環(huán)境因素如溫度、影像和語言文字，或是用戶行為等在線的數(shù)據(jù)。同時導入多種外部信息用以輔助數(shù)據(jù)分析，例如政府公開資料、天氣溫濕度、新聞事件、大眾輿論、人機互動等交互使用。

因此好的數(shù)據(jù)分析系統(tǒng)應具備以下幾個重要特征：

（1）在領域專家協(xié)助下，基于場域知識庫建設需求，以規(guī)則與事例建構專家系統(tǒng)，以自動化的規(guī)則處理方法以匯整運用大量的知識。

（2）統(tǒng)計專家結合領域知識對數(shù)據(jù)探索分析，然后進行特征工程抽取出適當?shù)奶卣鳎瑢霗C器學習，先進的非監(jiān)督學習算法可以自動化分析得到帶有最多信息量的特征，應用于預測建模過程特征工程使用。

（3）機器學習：實作并整合各種算法，持續(xù)評估運算效能，以統(tǒng)計采樣驗證模型的精確度，自動化混合多種算法并且調整參數(shù)，達到優(yōu)化的預測結果。

數(shù)據(jù)分析系統(tǒng)除了實作各種機器學習的算法，為了滿足不同產業(yè)、不同場域或主題的物聯(lián)網(wǎng)應用方案，還需要因應不同產業(yè)或場域應用提出不同評估驗證方式，以確?；蛱嵘鞣N預測建模方法的預測精確度和適用性。現(xiàn)階段期待一個數(shù)據(jù)分析與預測系統(tǒng)能夠通用性地解決各行各業(yè)、各別廠商數(shù)據(jù)分析需求。

例如：應用于在線串流數(shù)據(jù)實時分析、進而預測即將發(fā)生的設備異常狀態(tài)診斷、或是產能設備參數(shù)優(yōu)化、以及訂制化生產的配方提供，恐怕還需等若干年后數(shù)據(jù)分析方法有更突破性進展才有可能實現(xiàn)。因為單靠機器學習雖然可達到一定的效果，仍舊有學習成效上限存在，目前業(yè)界采用的方法是除了機器學習外，再搭配領域專家根據(jù)領域知識來制定相關有效的規(guī)則來輔助機器學習，或需數(shù)據(jù)科學家分析大量的數(shù)據(jù)后所得出的有用信息回饋給機器學習，以求達到更高效的均衡問題解決方案。

不少有志于物聯(lián)網(wǎng)應用方案研發(fā)的廠商往往選擇自行開發(fā)整體方案，宣稱有能力自行建設數(shù)據(jù)分析/預測系統(tǒng)，往往做出來的數(shù)據(jù)分析系統(tǒng)只是最基本的統(tǒng)計分析，缺乏真正使得整個物聯(lián)網(wǎng)應用方案“智能”的能力?？戳吮疚牡恼f明后，往后需求方在評估上門推銷的智慧物聯(lián)網(wǎng)方案時，應該要詢問方案提供廠商這些基本問題，才不致花錢買到不智能的物聯(lián)網(wǎng)應用方案。至于有意進入開發(fā)物聯(lián)網(wǎng)應用方案的廠商，最好在規(guī)劃研發(fā)之初審慎思考是否有能力開發(fā)這個核心系統(tǒng)，否則就應該覓妥優(yōu)秀的數(shù)據(jù)分析/預測團隊合作。

責任編輯：ct