物聯網將產生海量數據——這些數據可以幫助城市預測事故和犯罪;讓醫生實時了解起搏器或生物芯片的信息;通過對設備和機械進行預測性維護，實現跨行業的高效生產效率;創建真正智能的家用電器，并提供自動駕駛汽車之間的關鍵通信。物聯網帶來的可能性是無限的。

[[271161]]

隨著連網設備和傳感器的快速擴展，它們創建的數據量將呈指數級增長，而隨之而來的問題是如何分析這些海量性能數據。

事情就是這樣：跟上物聯網生成數據的速度并獲得洞察力的唯一方法是機器學習。

什么是人工智能，什么是機器學習?

人工智能是對感知周圍世界、形成計劃并為實現目標而做出決策的智能體的研究。它的基礎包括數學、邏輯、哲學、概率論、語言學、神經科學和決策理論。許多領域都屬于人工智能的范疇，如計算機視覺、機器人學、機器學習和自然語言處理。

機器學習是人工智能的一個分支，它的目標是讓計算機能夠自己學習。機器的學習算法使其能夠識別數據中的模式，然后構建解釋世界的模型，并在沒有明確預先編程規則和模型的情況下預測事物。

為什么機器學習很重要?

人工智能將比任何其他創新更有能力塑造我們的未來，任何不了解它的人很快就會發現自己被拋在后面。

在經過多個人工智能冬天和“虛假繁榮”之后，數據存儲和計算機處理能力的快速發展極大地改變了游戲規則。

機器學習已經對計算機視覺(機器識別圖像或視頻中對象的能力)做出了巨大改進。例如，您收集了幾十萬甚至幾百萬張圖片，需要分別給它們貼上標簽，比如要給有貓的圖片貼上標簽，然后，該算法試圖建立一個模型，可以準確無誤地給每一張有貓的圖片貼上標簽。一旦精度足夠高，機器就能“了解”貓的樣子。

例如，跟蹤健康狀況的可穿戴設備已經是一個新興行業，但很快這些設備將發展成為相互連接并連接到互聯網的設備，可以跟蹤您的健康狀況并為健康服務提供實時更新。

如果您身體的某項指標達到閾值，您的醫生會收到通知——例如，心率增加到不安全的水平，甚至停止。為了能夠指出潛在問題，必須從正常和不正常的角度來分析數據，而這需要基于實時數據流快速識別相似性、相關性和異常性。這能否由在醫療服務部門工作的個人來完成?——實時審查來自數千名患者的數據，并正確決定何時發出緊急信息?不太可能——編寫代碼或規則來搜索數據以查找已知模式非常耗時，充滿了錯誤，并且僅限于識別先前已知的模式。

為了在收集數據時立即進行分析，以準確識別先前已知和先前從未見過的新模式，還必須使用能夠生成和聚合這些大數據的機器來了解每個患者的正常行為，并跟蹤、發現和標記任何可能表明嚴重健康問題的異常內容。

物聯網的實現依賴于能夠獲得隱藏在廣闊且不斷增長的數據海洋中的洞察力。由于目前的方法不能擴展到物聯網的規模，因此，實現物聯網承諾的未來依賴于機器學習來發現模式、相關性和異常，而這些模式、相關性和異常有可能會改善我們日常生活的所有方面。

機器學習是我們走向人工智能之旅的核心，與此同時，它將改變每個行業，并對我們的日常生活產生巨大影響。