如何使用機器學習解決物聯網的大資料挑戰

機器學習將在2017年開始從實驗室研究和概念驗證實施轉向領先的業務解決方案。 機器學習將幫助企業進行創新， 如自主汽車， 精密養殖， 治療藥物發現， 以及金融機構的高級欺詐檢測。

機器學習與統計學， 電腦科學和人工智慧相結合， 側重于開發快速高效的演算法以實現即時資料處理。 這些機器學習演算法並不只是遵循明確程式設計的指令， 而是從經驗中學習， 使它們成為人工智慧平臺的關鍵元件。

機器學習有助於解決物聯網資料流程問題

機器學習也可能幫助人們應對物聯網的挑戰。

英特爾資料中心機器學習解決方案總監VinSharma表示， 第一代大資料分析是圍繞社交媒體， 線上購物， 線上視頻， 飆網， 馺其他用戶生成的線上行為產生的資訊流動而成長的。

分析這些海量資料集需要採用新技術， 例如靈活的雲計算和虛擬化， ApacheHadoop和Spark等軟體。 它還需要更強大的高性能處理器， 並提供工具來發現大資料的洞察力。

如今的物聯網連接網路使大資料第一代的資料量相形見絀。 隨著設備和感測器不斷增長， 他們創建的資料量也將增加。

例如， 一輛自主駕駛汽車每天將生成4,000GB的資料。 新的空中客車A380-1000飛機在每個機翼上配備了10,000個感測器。 傳統的大資料技術將不再能夠處理智慧家庭中的連接電器， 智慧城市中的交通感測器，

以及智慧工廠中的機器人系統所創建的資料。

新的和令人興奮的系統要求

機器學習的關鍵是分析來自龐大的， 永遠線上的物聯網網路的巨大而重複的資料量。 雖然機器學習可能看起來像許多科幻小說一樣神秘， 對許多人來說， 機器學習已被用戶所熟悉的社交媒體和線上購物網站所應用(Facebook的新聞依靠機器學習演算法， 亞馬遜的推薦引擎使用機器學習向讀者推薦書籍或電影)。

機器學習系統識別物聯網網路上存在的資料的正常流動模式， 並集中於規範之外的異常或模式。 因此， 機器學習可以從數十億資料點在巨大的資料流程中分離“信號與雜訊”， 説明組織關注有意義的內容。

然而， 為了對企業有用和有效，

機器學習演算法必須在大約幾毫秒的時間內在持續的基礎上運行計算。 這些更複雜的計算將會給傳統的資料中心處理器和計算平臺帶來壓力。

為了以規模和即時操作， 機器學習系統需要具有多個集成核心的處理器， 更快的記憶體子系統， 以及可並行化用於下一代分析智慧的處理的架構。 這些是具有內置分析處理引擎的平臺， 以及在記憶體中運行複雜演算法以即時結果和立即應用洞察的能力。

最終預測

為高性能計算而構建的處理器將面臨很高的需求。 機器學習和人工智慧將需要更多的力量， 因為他們開始連接物聯網資料流程和客戶參與之間的點， 提高銷售和推廣的能力。

這些處理器是傳統的研究實驗室和超級電腦的挑戰，

例如天氣模式和基因組測序的建模。 但是隨著物聯網網路變得越來越大， 越來越普遍， 機器學習平臺將變得越來越必要， 因為企業越來越多地將其成功基於機器到機器通信的洞察。

這些處理器提供了最苛刻的工作負載所需的性能， 包括機器學習和人工智慧演算法。 因此， 它們不再局限於研究中心和大學中超級電腦的惡劣環境， 因為它們越來越成為尖端企業的要求。