先前幾篇文章從物聯(lián)網(wǎng)基本概念、物聯(lián)網(wǎng)架構(gòu)出發(fā)到硬件管理平臺的介紹，接下來就來談?wù)勎锫?lián)網(wǎng)的最重要功能“智能”。

物聯(lián)網(wǎng)（Internet of Thing， IoT）廣義定義是萬物皆可連接到網(wǎng)絡(luò)，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(shè)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(luò)、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(gòu)設(shè)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(xué)習(xí)、深度學(xué)者這些熱門名詞，其中機器學(xué)習(xí)之所以熱門，就是大部分專家都認為機器學(xué)習(xí)是成就智能對象的核心關(guān)鍵，因此機器學(xué)習(xí)方法堪稱是物聯(lián)智能的核心技術(shù)。

物聯(lián)網(wǎng)核心仰賴以機器學(xué)習(xí)為主的分析

物聯(lián)網(wǎng)的應(yīng)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(yīng)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(lǐng)域都是可能的應(yīng)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(nóng)業(yè)（監(jiān)控農(nóng)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(yīng)鏈訂制化、智慧城市、智能工廠（提升生產(chǎn)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(xué)習(xí)為主的預(yù)測分析。

數(shù)據(jù)分析的議題除了以機器學(xué)習(xí)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(yīng)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(xué)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(yù)建良好的應(yīng)變系統(tǒng)，應(yīng)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(yīng)也是一項很有挑戰(zhàn)性的課題。

機器學(xué)習(xí)先驅(qū)阿瑟塞穆爾（Arthur Samuel）說：機器學(xué)習(xí)使計算機賦有學(xué)習(xí)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(xué)習(xí)并做出預(yù)測。從傳感器所搜集到的資料，經(jīng)整理后變成信息，再通過機器學(xué)習(xí)之類的方法將之轉(zhuǎn)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(yīng)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(guān)性卻不是想當然的結(jié)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(yù)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(nèi)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(dǎo)致不同的銷售失敗。

好的物聯(lián)網(wǎng)平臺層都應(yīng)該提供具備機器學(xué)習(xí)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(yīng)用方案能夠分析傳感器數(shù)據(jù)，尋找相關(guān)性，并做出最佳響應(yīng)，解決類似上面自動販賣機補貨時間與內(nèi)容的議題。這個系統(tǒng)還必須不斷監(jiān)控它的預(yù)測準確度，持續(xù)訓(xùn)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(xué)習(xí)方法：

1、監(jiān)督式學(xué)習(xí)：它是指在一組實例的基礎(chǔ)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(chǎn)品每天的銷售記錄。該算法計算的是一種相關(guān)，有關(guān)每個產(chǎn)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(xué)習(xí)方法為支持向量機，現(xiàn)在流行的監(jiān)督式學(xué)習(xí)方法就是眾口傳頌的深度學(xué)習(xí)法。

2、非監(jiān)督式學(xué)習(xí)：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(guān)鍵因素。它主動提供所有對分析相關(guān)的數(shù)據(jù)，而讓系統(tǒng)去主動識別不那么明顯的相關(guān)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(xué)習(xí)法包含有主成份分析、關(guān)聯(lián)規(guī)則學(xué)習(xí)、分群算法及同樣是最紅火的深度學(xué)習(xí)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(yīng)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(shè)備記錄文件（Machine log）以及傳感器產(chǎn)生的數(shù)據(jù)由硬件層中的網(wǎng)關(guān)收集轉(zhuǎn)換，經(jīng)由網(wǎng)絡(luò)傳入位于云端或是企業(yè)內(nèi)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(shè)備節(jié)點動態(tài)產(chǎn)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(jīng)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(zhì)性數(shù)據(jù)匯整等數(shù)據(jù)前處理工作，關(guān)于異質(zhì)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(zhuǎn)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(guān)性。

（5）同時生成并處理事件。這些結(jié)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(fù)雜的預(yù)測建模分析需要統(tǒng)計機率建模與機器學(xué)習(xí)，則采批次分析模塊進行。

預(yù)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(chǎn)業(yè)領(lǐng)域知識，供機器學(xué)習(xí)中特征工程使用。文字以及影像等非結(jié)構(gòu)化數(shù)據(jù)特性則另外借助特定模塊處理，產(chǎn)生對應(yīng)的半結(jié)構(gòu)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(shè)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(dǎo)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(yīng)具備以下幾個重要特征：

（1）在領(lǐng)域?qū)＜覅f(xié)助下，基于場域知識庫建設(shè)需求，以規(guī)則與事例建構(gòu)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(jié)合領(lǐng)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?，?dǎo)入機器學(xué)習(xí)，先進的非監(jiān)督學(xué)習(xí)算法可以自動化分析得到帶有最多信息量的特征，應(yīng)用于預(yù)測建模過程特征工程使用。

（3）機器學(xué)習(xí)：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(diào)整參數(shù)，達到優(yōu)化的預(yù)測結(jié)果。

數(shù)據(jù)分析系統(tǒng)除了實作各種機器學(xué)習(xí)的算法，為了滿足不同產(chǎn)業(yè)、不同場域或主題的物聯(lián)網(wǎng)應(yīng)用方案，還需要因應(yīng)不同產(chǎn)業(yè)或場域應(yīng)用提出不同評估驗證方式，以確?；蛱嵘鞣N預(yù)測建模方法的預(yù)測精確度和適用性。現(xiàn)階段期待一個數(shù)據(jù)分析與預(yù)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(yīng)用于在線串流數(shù)據(jù)實時分析、進而預(yù)測即將發(fā)生的設(shè)備異常狀態(tài)診斷、或是產(chǎn)能設(shè)備參數(shù)優(yōu)化、以及訂制化生產(chǎn)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(xué)習(xí)雖然可達到一定的效果，仍舊有學(xué)習(xí)成效上限存在，目前業(yè)界采用的方法是除了機器學(xué)習(xí)外，再搭配領(lǐng)域?qū)＜腋鶕?jù)領(lǐng)域知識來制定相關(guān)有效的規(guī)則來輔助機器學(xué)習(xí)，或需數(shù)據(jù)科學(xué)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(xué)習(xí)，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(yīng)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(shè)數(shù)據(jù)分析/預(yù)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(yīng)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(yīng)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(yīng)用方案。至于有意進入開發(fā)物聯(lián)網(wǎng)應(yīng)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(yīng)該覓妥優(yōu)秀的數(shù)據(jù)分析/預(yù)測團隊合作。

責任編輯：ct