物聯網與人工智慧結合帶來的巨大機遇
你知道洗碗機的運轉時間嗎？很多人可能會說無聊。
我直到2013年才找到這個問題的答案，記得我當時用筆記型電腦興奮地拿給妻子看，她迷惑不解，這種事也值得我興奮？
令人興奮的原因是，Ubi（智慧聲控設備）可以成功記錄廚房裡整天的聲音變化，我能夠得知洗碗機運行時的聲音大小以及持續時間。我甚至可以知道它有三個工作週期，期間有幾分鐘停頓安靜時間。通過分析洗碗機聲音大小和讀取相關日誌，我能夠推斷出洗碗機所處的工作週期。
洗碗機的秘密生活
從那時起，我們家的設備和感測器平均數量呈指數級增長。許多連網設備都配備了感測器，當這些感測器結合在一起時，我們就可以深入瞭解自己和自己的生活方式。正是這種原因促使我們在UBI設備中增加了麥克風、光線、濕度、氣壓和溫度感測器，未來希望機器學習能夠跟上，提供更多的見解。
物聯網可以幫助我們更加瞭解自己及自己的生活方式，並採取行動説明我們實現生活目標；人工智慧應用於物聯網可以讓我們心情更好、節約電力並保持身體健康。
實現上述目標需要三方面支撐：
1、微型感測器的成本降低和大規模應用
2、資料收集和資料存儲成本的降低
3、AI、機器學習API平臺的商品化和易用性
當年Twine智慧裝置價格昂貴，現在類似設備價格已經大幅下降，
在為Ubi收集感測器資料時，我們必須構造能夠處理HTTP長輪詢、感測器資料資訊流傳輸、資料累積、根據規則處理、存儲和調用資料以進行分析的基礎架構。
在縮小圖形時，調用太多資料點可能會出現問題，
我們還需要瞭解，每10秒鐘採樣5次數據可能會導致大量資料湧入我們伺服器。如今，AWS、Google App Engine和其他公司擁有物聯網平臺，與五年前相比，這種平臺非常容易設置資料收集規則。
新的要求在於使用這些資料來預測我們下一步要做什麼或試圖影響我們下一步的工作，要做到這一點，我們需要逐步提高資訊層次。
◆原始資料
◆資訊
◆情報
◆知識
◆智慧
在洗碗機的例子中，原始資料是聲音分貝水準和時間；資訊是知道在哪裡收集資料；情報是指有一台洗碗機已經打開，位於同一個房間裡，並且能夠瞭解運作週期；知識是能夠確定週期的總長度和靜音的時刻；然後智慧在於知道洗碗機現在會運行這麼多時間，並產生這麼多的噪音，所以也許我不應該在半夜打開它。
今天收集這類資訊需要使用者進行大量的學習和輸入來升級系統。這是可以應用人工智慧的地方，但需要為每個特定場景構建AI，這是一項艱苦的工作。資源有限的公司需要關注真正的機會在哪裡:
◆在相關情況下向使用者提供見解
◆結合資料以創造新見解
◆預測什麼事情會改變情緒和情感
新的規則是，能夠影響使用者情緒和情感的公司將獲勝。
尋找模式
雖然捕獲和記錄原始資料已成為物聯網設備的必備功能，而且能夠標記位置是開始提取可用資訊的另一個優勢，但公司可以通過一些更簡單的方式將這些資訊轉化為情報。也就是說，它們是通過抽象、平均和比較來實現的。
抽象可以意味著我們對資訊進行某種解釋以識別事件，或者我們整合或區分以收集總和或速率。對於Ubi來說，它可能是光照變化、每天有多少次對設備說話或設備對使用者說話（“交互作用”）、溫度變化量、達到閾值等等。
平均也是一種抽象，但可以用於個人使用者/設備或更大的使用者或設備集合。最後，將特定使用者或設備的資料與平均值進行比較可以提供很多可操作的參考見解，所有這些都可以在沒有任何機器學習或AI系統的情況下完成。
但是，能夠讓系統接受訓練來識別並標記事件是更強大的。Nest在視覺處理方面做了一個有趣的工作，它們基本上是通過允許使用者在視頻回饋上畫出一個區域並將其命名為事件來實現機器視覺的。
對於物聯網設備公司來說，如果擁有用戶標籤或識別事件會給用戶帶來直接好處，那麼為什麼不應該使用它來訓練系統自動識別事件？聲音檢測、是否在家、暖氣或空調故障都是可以讓使用者訓練系統的有用事件。然後，可以將該資料集應用於TensorFlow等工具，並向用戶呈現另一輪驗證或校正。
智慧家居識別中特別有用的情報包括:
◆在家/不在家
◆到達/離開時間
◆有多少人在家
◆睡眠/清醒時間
◆吃飯時間
◆設備使用
◆其他家庭活動（例如看電視，打掃衛生，做飯等）
把它們放在一起
更進一步，我們可以開始把上面的資訊組合起來，創造“知識”，最終創造“智慧”。這是可以應用機器學習來説明提取預測資訊的地方，Target提供了一個很好的例子，他們能夠根據事件預測女性的懷孕情況。
例如，你可以開始預測一個家庭通常在下午6點45吃晚餐，這些資訊可以用來在下午5點30分觸發一個吃飯提示，系統也可以開始測試輸入並評估效果是否對用戶產生積極的影響。
在用餐想法場景中，如果用戶採用這個想法，則可以將其視為正面影響。也可以收集一些其他的情報作為評估幸福指數（語音分析、早睡時間、晚睡覺減少等）也與系統的輸入相關。
也許訓練系統更好地操縱我們是一個可怕的命題。但是，如果我們的目標是要提高自己，例如，在系統約束範圍內提供一些自主性，比如家庭照明和溫度，我們可能會取得巨大成功。
今天收集這類資訊需要使用者進行大量的學習和輸入來升級系統。這是可以應用人工智慧的地方，但需要為每個特定場景構建AI，這是一項艱苦的工作。資源有限的公司需要關注真正的機會在哪裡:
◆在相關情況下向使用者提供見解
◆結合資料以創造新見解
◆預測什麼事情會改變情緒和情感
新的規則是，能夠影響使用者情緒和情感的公司將獲勝。
尋找模式
雖然捕獲和記錄原始資料已成為物聯網設備的必備功能，而且能夠標記位置是開始提取可用資訊的另一個優勢，但公司可以通過一些更簡單的方式將這些資訊轉化為情報。也就是說，它們是通過抽象、平均和比較來實現的。
抽象可以意味著我們對資訊進行某種解釋以識別事件，或者我們整合或區分以收集總和或速率。對於Ubi來說，它可能是光照變化、每天有多少次對設備說話或設備對使用者說話（“交互作用”）、溫度變化量、達到閾值等等。
平均也是一種抽象，但可以用於個人使用者/設備或更大的使用者或設備集合。最後，將特定使用者或設備的資料與平均值進行比較可以提供很多可操作的參考見解，所有這些都可以在沒有任何機器學習或AI系統的情況下完成。
但是，能夠讓系統接受訓練來識別並標記事件是更強大的。Nest在視覺處理方面做了一個有趣的工作，它們基本上是通過允許使用者在視頻回饋上畫出一個區域並將其命名為事件來實現機器視覺的。
對於物聯網設備公司來說，如果擁有用戶標籤或識別事件會給用戶帶來直接好處，那麼為什麼不應該使用它來訓練系統自動識別事件？聲音檢測、是否在家、暖氣或空調故障都是可以讓使用者訓練系統的有用事件。然後，可以將該資料集應用於TensorFlow等工具，並向用戶呈現另一輪驗證或校正。
智慧家居識別中特別有用的情報包括:
◆在家/不在家
◆到達/離開時間
◆有多少人在家
◆睡眠/清醒時間
◆吃飯時間
◆設備使用
◆其他家庭活動（例如看電視，打掃衛生，做飯等）
把它們放在一起
更進一步，我們可以開始把上面的資訊組合起來，創造“知識”，最終創造“智慧”。這是可以應用機器學習來説明提取預測資訊的地方，Target提供了一個很好的例子，他們能夠根據事件預測女性的懷孕情況。
例如，你可以開始預測一個家庭通常在下午6點45吃晚餐，這些資訊可以用來在下午5點30分觸發一個吃飯提示，系統也可以開始測試輸入並評估效果是否對用戶產生積極的影響。
在用餐想法場景中，如果用戶採用這個想法，則可以將其視為正面影響。也可以收集一些其他的情報作為評估幸福指數（語音分析、早睡時間、晚睡覺減少等）也與系統的輸入相關。
也許訓練系統更好地操縱我們是一個可怕的命題。但是，如果我們的目標是要提高自己，例如，在系統約束範圍內提供一些自主性，比如家庭照明和溫度，我們可能會取得巨大成功。