Aplikasi Pembelajaran Mesin di Internet of Things (IoT)

 

Dalam beberapa tahun terakhir, istilah pembelajaran mesin” (ML) dan “internet of things” (IoT) telah menjadi kata kunci yang sangat besar, banyak di antaranya adalah hype dan sebagian besar mencerminkan potensi mereka yang sangat besar. Seorang investor membuat kutipan di atas dengan agak bercanda , tetapi juga memiliki beberapa kebenaran.

Mungkin sulit untuk membedakan nilai sebenarnya dari hype seputar IoT dan pembelajaran mesin karena berbagai aplikasi yang dapat digunakan. Dalam posting ini, saya akan membahas beberapa aplikasi dan aplikasi pembelajaran mesin yang saat ini tersedia kepada dunia serta kapan dan bagaimana pembelajaran mesin dapat berguna untuk Internet of Things.

Selain itu, sebelum kita mulai, jika Anda tidak terbiasa dengan mata pelajaran ini, Anda mungkin ingin membiasakan diri dengan Machine Learning dan Internet of Things.

 

Analisis Data vs. Pembelajaran Mesin

Banyak bisnis bertanya-tanya apakah mereka harus memasukkan aplikasi pembelajaran mesin ke dalam operasi mereka sehubungan dengan hype yang disebutkan di atas. Sebagian besar waktu, jawabannya dengan tegas tidak.

Saya akan membahas lebih detail tentang bagaimana pembelajaran mesin berguna di masa depan, tetapi pada tingkat yang paling dasar, dibutuhkan banyak data dan mengubahnya menjadi wawasan berguna yang menguntungkan perusahaan. Ini dapat memerlukan prosedur perampingan, menurunkan biaya, meningkatkan pengalaman pelanggan, atau memperkenalkan model bisnis baru.

 

Masalahnya, sebagian besar bisnis tidak perlu menggunakan aplikasi pembelajaran mesin yang lebih rumit untuk mendapatkan banyak manfaat ini dari analitik data tradisional.

Penjelasan data sangat cocok dengan analisis data tradisional. Anda dapat membuat laporan atau model tentang apa yang telah terjadi di masa lalu atau apa yang sedang terjadi sekarang, memperoleh wawasan berguna yang dapat digunakan organisasi.

Dengan bantuan analitik data, tujuan dapat diukur dan dilacak, pengambilan keputusan yang lebih cerdas dapat dibuat, dan kesuksesan dapat dilacak dari waktu ke waktu.

 

Jadi Kapan Pembelajaran Mesin Berharga?

Ketika berurusan dengan data yang tidak terstruktur dan berubah dengan cepat, model data analitik data tradisional seringkali statis. Korelasi antara lusinan input sensor dan faktor eksternal yang menghasilkan jutaan titik data dengan cepat sering kali diperlukan di IoT.

Pembelajaran mesin secara otomatis mencari variabel prediktor dan interaksinya setelah memulai dengan variabel hasil (seperti penghematan energi), berbeda dengan analisis data tradisional, yang memerlukan model berdasarkan data sebelumnya dan pendapat ahli untuk membangun hubungan antar variabel.

 

Ketika Anda tahu apa yang Anda inginkan tetapi tidak tahu variabel input penting untuk membuat keputusan itu, pembelajaran mesin umumnya berguna. Oleh karena itu, Anda memberikan tujuan untuk algoritme pembelajaran mesin, dan “belajar” dari data yang faktor yang sangat penting untuk mencapai tujuan tersebut.

 

Penggunaan pembelajaran mesin Google di pusat datanya beberapa tahun yang lalu adalah contoh yang bagus. Karena pusat data harus tetap dingin, sistem pendinginnya membutuhkan banyak energi untuk bekerja dengan benar (atau Anda bisa mencelupkannya ke laut). Google harus membayar banyak untuk ini, jadi tujuannya adalah menggunakan pembelajaran mesin agar lebih efisien.

 

Sistem pendingin dipengaruhi oleh 120 variabel, termasuk jendela, kecepatan pompa, kipas, dan lainnya. Menggunakan metode tradisional untuk membuat model akan menjadi usaha yang sangat besar. Google, di sisi lain, menggunakan pembelajaran mesin untuk mengurangi penggunaan energi secara keseluruhan dengan 15%. Google akan menghemat ratusan juta dolar sebagai hasilnya.

 

Selain itu, peramalan yang akurat dari kejadian di masa depan adalah kegunaan lain dari pembelajaran mesin. Algoritme pembelajaran mesin terus meningkat dari waktu ke waktu karena lebih banyak data yang ditangkap dan diasimilasi, sedangkan model analitik data tradisional bersifat statis. Ini menunjukkan bahwa algoritma pembelajaran mesin mampu membuat prediksi, mengamati apa yang sebenarnya terjadi, membandingkan prediksinya dengan prediksi tersebut, dan kemudian membuat penyesuaian agar lebih akurat.

Banyak aplikasi IoT mendapat manfaat besar dari analitik prediktif yang dimungkinkan oleh pembelajaran mesin. Mari kita lihat beberapa contoh spesifik.

 

Aplikasi Pembelajaran Mesin di IoT

 

Penghematan Biaya dalam Aplikasi Industri

Dalam lingkungan industri, kemampuan prediktif sangat berguna. Algoritme pembelajaran mesin mampu mempelajari apa yang khas untuk sebuah mesin dan kemudian mengidentifikasi kapan sesuatu yang tidak normal mulai terjadi dengan mengambil data dari beberapa sensor pada atau di dalam mesin.

Sensor getaran dan ultrasonik digunakan dengan cara ini oleh perusahaan bernama Augury pada peralatan:

 

“Data yang dikumpulkan dikirim ke server kami, untuk dibandingkan dengan data yang dikumpulkan sebelumnya dari mesin itu dan dari mesin serupa. Platform kami dapat memberi tahu Anda tentang potensi masalah apa pun dengan mendeteksi perubahan terkecil sekalipun. Ponsel cerdas teknisi menerima hasil analisis real-time ini dalam hitungan detik.”

 

Memprediksi kapan sebuah mesin akan membutuhkan perawatan sangat berguna, menghemat jutaan dolar dalam pengeluaran. Goldcorp, sebuah perusahaan pertambangan yang menggunakan kendaraan besar untuk mengangkut material, adalah contoh yang bagus.

Sementara kendaraan penarik ini mogok, Goldcorp menghabiskan $2 juta setiap hari dalam efisiensi yang hilang. Dengan akurasi lebih dari 90%, Goldcorp sekarang dapat memprediksi kapan alat beratnya akan memerlukan perawatan, sehingga menghasilkan penghematan biaya yang signifikan.

 

Membentuk Pengalaman kepada Individu

Faktanya, kita semua akrab dengan aplikasi pembelajaran mesin dalam kehidupan kita sehari-hari. Pembelajaran mesin digunakan oleh Netflix dan Amazon untuk mempelajari preferensi kami dan meningkatkan pengalaman pengguna. Ini dapat mencakup menawarkan rekomendasi film dan acara TV yang relevan atau menyarankan produk yang mungkin Anda inginkan. 

 

Dalam nada yang sama, di Internet of Things, pembelajaran mesin dapat sangat membantu dalam menyesuaikan lingkungan kita dengan preferensi kita.

Ilustrasi yang sangat baik tentang hal ini adalah Nest Thermostat, yang memanfaatkan pembelajaran mesin untuk mempelajari preferensi Anda untuk pemanasan dan pendinginan. Hasilnya, ini memastikan bahwa rumah berada pada suhu yang sesuai saat Anda pulang kerja atau saat pertama kali bangun tidur.

 

Kami Hanya Menggaruk Permukaannya

Miliaran sensor dan perangkat yang akan terus terhubung ke internet di tahun-tahun mendatang akan menghasilkan lebih banyak data secara eksponensial. Seperti yang saya bahas di posting lain, peningkatan besar dalam data ini akan mendorong peningkatan besar dalam pembelajaran mesin, membuka peluang yang tak terhitung jumlahnya bagi kita untuk menuai keuntungan.

 

Kami tidak hanya dapat memprediksi kapan mesin membutuhkan perawatan, kami juga dapat memprediksi kapan kami membutuhkan perawatan. Pembelajaran mesin akan diterapkan pada data dari perangkat yang dapat dikenakan kami untuk mempelajari dasar kami dan menentukan kapan tanda vital kami menjadi tidak normal, memanggil dokter atau ambulans secara otomatis jika perlu.

 

Di luar individu, kami akan dapat menggunakan data kesehatan itu dalam skala besar untuk melihat tren di seluruh populasi, memprediksi wabah penyakit, dan secara proaktif menangani masalah kesehatan.

 

Kami juga dapat memprediksi kecelakaan dan kejahatan bahkan sebelum itu terjadi. Data dari sensor kebisingan, kamera video, bahkan tempat sampah pintar di Kota Cerdas dapat dimasukkan ke dalam algoritme pembelajaran mesin untuk menemukan prasyarat kecelakaan atau kejahatan, melengkapi penegakan hukum dengan alat canggih (tentu saja, ada beberapa masalah privasi).

 

Meskipun pembelajaran mesin dan IoT dapat dilebih-lebihkan, masa depan aplikasi pembelajaran mesin di IoT layak untuk sensasi itu. Kami benar-benar hanya menggaruk permukaan dari apa yang mungkin.