یادگیری ماشین (ML) و اینترنت اشیا (IoT) طی سالهای گذشته از جمله تکنولوژی هایی بوده اند که سروصدای زیادی به پا کرده اند. خیلی از حرفهایی که در رابطه با آنها گفته شده است شعار و خیلی از حرف ها واقعیت بوده که نشان دهنده قدرت واقعی آنهاست.

با توجه به حرف های زیادی که در رابطه با این دو تکنولوژی بیان می شود، همچنین کاربردهای فراوانی که آنها در کنار هم می توانند پشتیبانی کنند، درک قدرت واقعی این تکنولوژی ها و توانایی آنها تا حدودی دشوار است. در این مقاله موضوعاتی نظیر آنکه چگونه یادگیری ماشین می تواند برای آیوتی ارزشمند باشد، در چه شرایطی درست از یادگیری ماشین استفاده کنیم، و تعدادی از کاربردها و موارد پیاده شده حال حاضر را شرح خواهیم داد .

اگر شما جدیدا با این تکنولوژی ها آشنا شده اید توصیه می شود قبل از همراه شدن با ما و خواندن بقیه مقاله، ابتدا این مطلب را مطالعه کنید.

آنالیز داده ها در مقابل یادگیری ماشین

با تمام بزرگنمایی هایی که در رابطه با یادگیری ماشین وجود دارد باز هم مشاغل بسیاری به دنبال آن هستند که آیا لازم است در کارشان به نحوی از برنامه های یادگیری ماشین استفاده کنند. در بسیاری از موارد جواب یک نهههههههه محکم است .بعدا ارزش “یادگیری ماشین” را به صورت عمیق برسی می کنیم ولی در یک دیگاه سطح بالا، یادگیری ماشین حجم زیادی از داده را دریافت کرده و یک بینش از آنها تولید میکند که برای شرکت مفید است . به این معنی که باعث کاهش هزینه و بهبود فعالیت ها ، به وجود آوردن یک تجربه بهتر برای مشتری و یا بوجود آوردن یک مدل جدید کاری می شود.

نکته ایجاست که خیلی از این مزیت ها را شرکت ها میتوانند با تحلیل داده ها بدست آورند و نیازی به برنامه های پیچیده تر یادگیری ماشین ندارند.تحلیل داده سنتی در توضیح داده ها عالی عمل می کند. شما می توانید گزارش ها و یا مدل هایی از آنچکه در گذشته روی داده یا در حال اتفاق افتادن هستن ایجاد کنید و در نهایت یک خط مشی برای شرکت بدست آورده و اعمال کنید.تحلیل داده ها میتواند به تعیین خط مشی شرکت و تحت نظر گرفتن روند پیشرفت به سمت هدف کمک کند. همچنین، امکان تصمیم گیری هوشمند را فراهم میکند و مفهومی جهت اندازه گیری موفقیت در طول زمان را ایجاد میکند.

پس چه مواقعی ارزش دارد که از یادگیری ماشین استفاده شود ؟

مدل داده هایی که بر پایه مدل های سنتی تحلیل داده هستند غالبا ثابت بوده و کاربرد کمی برای داده هایی با سرعت تغییر بالا و با ساختار نامنظم دارند. وقتی که حرف از آیوتی به میان می آید معمولا لازم است که رابطه ای میان داده های تولید شده از تعداد بسیار زیادی حسگر ها و فاکتور های خارجی که به صورت مداوم داده تولید می کنند ایجاد شود.

مدل های سنتی آنلایز داده نیاز به ساخت مدلی بر پایه داده های گذشته و نظر یک متخصص برای ایجاد رابطه میان متغیر ها دارند. در مقابل یادگیری ماشین با استفاده از داده های خروجی کارش را آغاز میکند (صرفه جویی در انرژی ) و به صورت خودکار به دنبال متغیر هایی که قدرت پیش بینی به آن میدهند و رابطه هایشان میگردد.

به صورت کلی یادگیری ماشین زمانی مفید است که شما بدانید چه چیزی میخواهید اما متغیر مهمی که با توجه به آن تصمیم گیری کنید را نمی شناسید.

پس به الگوریتم یادگیری ماشین هدفتان را معرفی میکند، سپس الگوریتم از داده های شما یاد میگیرد که کدام عامل برای رسیدن به هدف مهم هست.برای نمونه می شود به برنامه یادگیری ماشین در دیتاسنتر های گوگل در چند سال قبل اشاره کرد. سیستم های خنک کننده دیتا سنترها نیاز به مقدار فوق العاده زیادی انرژی دارند تا بتوانند به صورت درست کار کنند ( یا باید داخل دریا شناورشان کرد!!! ) این مسئله برای گوگل یک مشکل پر خرج حساب می آمد. پس هدف آنها افزایش بهره وری با استفاده از یادگیری ماشین بود.

با ۱۲۰ متغیر که بر روی سیستم خنک کننده اثر داشتند ( فن،سرعت پمپ،پنجره ها، … ) ساخت مدلی با سیستم سنتی غیر ممکن بود. در مقابل گوگل با استفاده از یادگیری ماشین مصرف انرژی را ۱۵% کاهش داد که نشان دهنده صد ها میلیون دلار صرفه جویی برای گوگل است. همچنین، یادگیری ماشین برای پیش بینی دقیق وقایع آینده نیز مفید است. در حالی که مدل های داده های ساخته شده بر پایه انالیز داده سنتی ثابت هستند الگوریتم های یادگیری ماشین به صورت مداوم با دریافت وتحلیل داده ها بهبود پیدا میکنند. به این صورت که برنامه های یادگیری ماشین میتوانند یک رویداد را پیش بینی کرده و بعد از آنکه اتفاق افتاد آن را با پیش بینی خود مقایسه کرده و خود را برای پیش بینی دقیق تر تنظیم کند.

پیش بینی هایی که توسط یادگیری ماشین انجام میشود به شدت برای بسیاری از برنامه های آیوتی مفید هستند. بیایید با هم چند مثال قدرتمند در این مورد را برسی کنیم …

کاهش هزینه ها در برنامه های صنعتی

قابلیت های پیش بینی بسیار در  زمینه های صنعتی مفید هستند. با استخراج داده ها از حسگر هایی که بر روی ماشین ها نصب یا در داخل آنها تعبیه شده است، الگوریتم های یادگیری ماشین میتوانند حالت کاری عادی یک ماشین را یادگرفته و هنگامی شروع به وقوع پیوستن یک اتفاق غیر عادی متوجه آن شوند. یک شرکت به نام  “Augury”  دقیقا همین کار را با نصب حسگر های فراصوت (ultrasonic) و حسگر لرزش بر روی تجهیزات انجام داده است :

داده های جمع آوری شده از یک ماشین به سرور ها ارسال شده، در آنجا پردازش شده و با اطلاعات قبلی همان ماشین و اطاعاتی که از ماشین های مشابه به آن بدست آمده مقایسه میشود. سیستم ها کوچکترین تغییر را تشخیص داده و به وقوع پیوستن یک خرابی را بلافاصله اعلام میکنند. این پردازش ها به صورت بلادرنگ و در لحظه (real-time) انجام گرفته و نتیجه آنها بر روی گوشی هوشمند تکنسین ها نمایش داده میشود.

تشخیص اینکه یک ماشین چه زمانی نیاز به تعمیرات دارد بسیار با ارزش است و میتواند باعث صرفه جویی میلیون ها دلار شود. یکی دیگه از مثال های خوب در این مورد کمپانی “Goldcrop” است.یک کمپانی معدن کاری است که از وسایل نقلیه غول پیکری برای جابه جایی مواد معدنی استفاده میکند.وقتی که این ماشین های حمل مواد خراب شوند برای شرکت روزانه ضرری به مبلغ ۲ میلیون دلار به تولیدات وارد میکند.شرکت با استفاده از یادگیری ماشین با دقتی بالای ۹۰% میتواند پیش بینی کند که دقیقا چه زمانی ماشین ها به تعمیرات نیاز دارند ، و این باعث یک صرفه جویی عظیم میشود.

تجربه خرید برای افراد :

در حقیقت همه ما تجربه برخورد با یادگیری ماشین در برنامه روزانه را داریم. شرکت های آمازون Amazon و Netflix هردو از یادگیری ماشین استفاده میکنند تا الویت های افراد را تشخیص داده و تجربه بهتری را برای مشتری فراهم کنند. به این صورت که به شما محصولی را پیشنهاد می کند که ممکن است آن را لازم داشته باشید ، یا سریال ها و فیلم هایی به شما پیشنهاد میکند که با فیلم و سریال هایی که شما قبلا تماشا کرده اید مرتبط هستند. همچنین در آیوتی، یادگیری ماشین میتواند به شکل قابل توجهی در شکل دادن محیط با توجه به نیاز های شخصی افراد مفید باشد.

ترموستات های Nest مثال خوبی است ، آنها با استفاده از یادگیری ماشین علایق شما به سردی و گرمی هوا را یاد گرفته و این امکان را فراهم میکنند هنگامی که شما از کار به خانه برمیگردید و یا صبح که از خواب بیدار می شوید درجه حرارت خانه با علاقه شما تنظیم شده باشد.

 و مثال های دیگه

مواردی که در بالا توصیف شدن فقط تعداد کمی از بی نهایت قابلیت هایی هستند که میتوان مثال زد اما، آنها را بیان کردیم چون  هم اکنون در حال استفاده شدن هستند.

اما روی هم رفته…ما فقط سطح این کوه یخ را تراشیدیم!

بیلیون ها حسگر و دستگاه هایی که طی سالهای آینده به اینترنت متصل خواهند شد داده های بیشتری را به صورت نمایی تولید خواهند کرد. همانطور که در مقاله دیگری بیان شد، این تولید انبوه داده ها باعث یک پیشرفت چشم گیر در یادگیری ماشین خواهد شد و قابلیت های بی شماری را برای ما فراهم میکند تا از آنها سود ببریم.نه تنها می توانیم پیشبینی کنیم که ماشین ها چه زمانی به تعمیرات نیازمند هستند بلکه، می توان پیشبینی کرد ما نیز کی به تعمیرات نیاز داریم. یادگیری ماشین با استفاده از داده های بدست آمده از تجهیزات پوشیدنی میتواند حالت نرمال سلامتی انسان را نیز یاد گرفته و هنگامی که علایم حیاتی ما غیر نرمال شد در صورت نیاز به صورت خودکار به دکتر و آمبولانس اطلاع دهد.

در یک سطح بالاتر ما میتوانیم از این اطلاعات حیاتی در مقیاس های بزرگتر استفاده کرده و شیوع یک بیماری را پیش بینی کنیم و به صورت فعال با تهدیدات سلامتی به مقابله بپردازیم.حتی تصادفات و جرم ها را قبل از به وقوع پیوستن میتوان پیش بینی کرد. داده هایی که از حسگرهای صدا ، دوربین ها و حتی سطل های زباله هوشمند در شهر های هوشمند به خورد الگوریتم های یادگیری ماشین داده میشود تا شروط اتفاق افتادن یک تصادف یا جرم مشخص شود و مجهز کردن نیروی پلیس با این تجهیزات (البته نگرانی های در رابطه با امنیت حریم خصوصی وجود دارد).

هرچند در رابطه با آیوتی و یادگیری ماشین میتواند بزرگنمایی زیاد شود اما، آینده یادگیری ماشین در آیوتی ارزش این بزرگنمایی را دارد. ما واقعا به اندازه یک سر سوزن از قابلیت های این تکنولوژی را بیان کردیم.