Аналіз дадзеных супраць машыннага навучання

У чым розніца? Якім павінен карыстацца ваш бізнес? І як машыннае навучанне ставіцца да IoT?

Гэтая старонка адаптавана з Кіраўніцтва па пытаннях пачатку працы ў IoT - бясплатнай электроннай кнізе, напісанай Leverege. Каб загрузіць электронную кнігу, націсніце тут.

Шмат шуму вакол машыннага навучання шматлікія арганізацыі пытаюцца, ці не павінна ў іх бізнэсе нейкім чынам быць прыкладанняў машыннага навучання.

У пераважнай большасці выпадкаў адказ гучны "не".

Адна з галоўных пераваг воблака заключаецца ў тым, што яна дазваляе выкарыстоўваць практычна бясконцую магутнасць захоўвання і апрацоўкі, каб атрымаць крытычную інфармацыю з дадзеных, якія будуць збірацца датчыкамі / прыладамі. І аналітыка дадзеных, і машыннае навучанне могуць стаць магутным інструментам для гэтага, але часта існуе блытаніна ў тым, што яны на самай справе азначаюць і калі лепш за ўсё выкарыстоўваць тое ці іншае.

На высокім узроўні машыннае навучанне займае вялікую колькасць дадзеных і стварае карысную інфармацыю, якая дапамагае арганізацыі. Гэта можа азначаць паляпшэнне працэсаў, зніжэнне выдаткаў, стварэнне лепшага вопыту для кліента альбо адкрыццё новых бізнес-мадэляў.

Аднак большасць арганізацый можа атрымаць многія з гэтых выгод ад традыцыйнай аналітыкі дадзеных без неабходнасці больш складаных прыкладанняў машыннага навучання.

Традыцыйны аналіз дадзеных выдатна растлумачвае дадзеныя. Вы можаце ствараць справаздачы або мадэлі таго, што адбывалася ў мінулым ці таго, што сёння адбываецца, каб зрабіць карысную інфармацыю, якая датычыцца арганізацыі.

Аналіз дадзеных можа дапамагчы колькасна вызначыць і прасачыць мэты, дазволіць разумнейшае прыняцце рашэнняў, а затым забяспечыць сродкі для вымярэння поспеху ў часе.

Такім чынам, калі машыннае навучанне каштоўна?

Мадэлі дадзеных, характэрныя для традыцыйнай аналітыкі дадзеных, часта статычныя і абмежаваныя ў вырашэнні хутка змяняюцца і неструктураваных дадзеных. Што тычыцца IoT, то часта трэба выяўляць карэляцыю паміж дзясяткамі ўваходных датчыкаў і знешнімі фактарамі, якія хутка ствараюць мільёны кропак дадзеных.

У той час як для традыцыйнага аналізу дадзеных спатрэбіцца мадэль, пабудаваная на дадзеных мінулага і экспертнага меркавання, каб усталяваць сувязь паміж зменнымі, машыннае навучанне пачынаецца з зменных вынікаў (напрыклад, эканомія энергіі), а затым аўтаматычна шукае зменныя прагназатары і іх узаемадзеянне.

Увогуле машыннае навучанне каштоўна, калі вы ведаеце, што хочаце, але не ведаеце важных зменных крыніц для прыняцця такога рашэння. Такім чынам, вы даяце мэты (мэты) алгарытму машыннага навучання, а потым ён "вучыцца" з дадзеных, якія фактары важныя для дасягнення гэтай мэты.

Выдатным прыкладам з'яўляецца прымяненне Google машыннага навучання ў сваіх цэнтрах апрацоўкі дадзеных у мінулым годзе. Даменныя цэнтры павінны заставацца халаднаватымі, таму для нармальнага функцыянавання іх астуджальных сістэм патрабуецца вялікая колькасць энергіі. Гэта ўяўляе значную цану для Google, таму мэтай было павысіць эфектыўнасць працы з дапамогай машыннага навучання.

З 120 пераменных, якія ўплываюць на сістэму астуджэння (гэта значыць, вентылятары, помпы, хуткасці, вокны і г.д.), стварэнне мадэлі з класічнымі падыходамі было б велізарнай задачай. Замест гэтага Google ужыў машыннае навучанне і скараціў агульнае спажыванне энергіі на 15%. Гэта азначае сотні мільёнаў долараў эканоміі Google у бліжэйшыя гады.

Акрамя таго, машыннае навучанне таксама каштоўна для дакладнага прагназавання будучых падзей. У той час як мадэлі дадзеных, пабудаваныя з выкарыстаннем традыцыйнай аналітыкі дадзеных, з'яўляюцца статычнымі, алгарытмы машыннага навучання з цягам часу пастаянна ўдасканальваюцца, бо ўсё больш дадзеных захопліваецца і засвойваецца. Гэта азначае, што алгарытм машыннага навучання можа рабіць прагнозы, бачыць, што адбываецца на самай справе, параўноўваць з яго прагнозамі, а потым наладжваць, каб стаць больш дакладным.

Прагнастычная аналітыка, магчымая пры дапамозе машыннага навучання, вельмі важная для многіх прыкладанняў IoT. Давайце разгледзім некалькі канкрэтных прыкладаў ...

Вы можаце прачытаць пра выпадкі выкарыстання і даведацца больш пра машыннае навучанне і аналітыку дадзеных у кантэксце IoT у бясплатнай электроннай кнізе, якую я напісаў з камандай Leverege. Мы дзелімся інфармацыяй, неабходнай для стварэння трывалага падмурка ў Інтэрнэце рэчаў і спадарожных яму канцэпцыях, кампанентах і тэхналогіях, якія робяць усё гэта магчымым.