你知道洗碗機的運轉(zhuǎn)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，記得我當時用筆記本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(智能聲控設(shè)備)可以成功記錄廚房里整天的聲音變化，我能夠得知洗碗機運行時的聲音大小以及持續(xù)時間。我甚至可以知道它有三個工作周期，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(guān)日志，我能夠推斷出洗碗機所處的工作周期?？墒?，我能用這些信息做什么卻是另一回事。
洗碗機的秘密生活
從那時起，我們家的設(shè)備和傳感器平均數(shù)量呈指數(shù)級增長。許多連網(wǎng)設(shè)備都配備了傳感器，當這些傳感器結(jié)合在一起時，我們就可以深入了解自己和自己的生活方式。正是這種原因促使我們在UBI設(shè)備中增加了麥克風、光線、濕度、氣壓和溫度傳感器，未來希望機器學(xué)習(xí)能夠跟上，提供更多的見解。
物聯(lián)網(wǎng)可以幫助我們更加了解自己及自己的生活方式，并采取行動幫助我們實現(xiàn)生活目標;人工智能應(yīng)用于物聯(lián)網(wǎng)可以讓我們心情更好、節(jié)約電力并保持身體健康。
實現(xiàn)上述目標需要三方面支撐：
微型傳感器的成本降低和大規(guī)模應(yīng)用
數(shù)據(jù)收集和數(shù)據(jù)存儲成本的降低
AI、機器學(xué)習(xí)API平臺的商品化和易用性
2011年，我被Kickstarter眾籌網(wǎng)站上的Twine智能裝置迷住。該產(chǎn)品內(nèi)置有溫度、濕度、加速傳感器，并可以通過無線網(wǎng)絡(luò)報告數(shù)據(jù)。購買它的原因來自我回家時發(fā)現(xiàn)廚房有積水，原來是冰箱壞了，要是我及早收到冰箱溫度正在下降的警告就好了!Twine智能裝置可以通過創(chuàng)建簡單規(guī)則，并在超過特定閾值時發(fā)送電子郵件或SMS消息。
當年Twine智能裝置價格昂貴，現(xiàn)在類似設(shè)備價格已經(jīng)大幅下降，GPS、WiFi、藍牙、加速傳感器、紅外傳感器、麥克風、磁場探測器、力傳感器和氣壓計可以與多個傳感器集成在一塊芯片上，并已經(jīng)在數(shù)十億部智能手機上配備，而且通過他們實現(xiàn)應(yīng)用程序也很容易。
在為Ubi收集傳感器數(shù)據(jù)時，我們必須構(gòu)造能夠處理HTTP長輪詢、傳感器數(shù)據(jù)信息流傳輸、數(shù)據(jù)累積、根據(jù)規(guī)則處理、存儲和調(diào)用數(shù)據(jù)以進行分析的基礎(chǔ)架構(gòu)。
在縮小圖形時，調(diào)用太多數(shù)據(jù)點可能會出現(xiàn)問題，由于此問題，我們在早期曾多次造成服務(wù)器崩潰。
我們還需要了解，每10秒鐘采樣5次數(shù)據(jù)可能會導(dǎo)致大量數(shù)據(jù)涌入我們服務(wù)器。如今，AWS、Google App Engine和其他公司擁有物聯(lián)網(wǎng)平臺，與五年前相比，這種平臺非常容易設(shè)置數(shù)據(jù)收集規(guī)則。
新的要求在于使用這些數(shù)據(jù)來預(yù)測我們下一步要做什么或試圖影響我們下一步的工作，要做到這一點，我們需要逐步提高信息層次。Haeckel提出了這樣一種等級:
原始數(shù)據(jù)
信息
情報
知識
智慧
在洗碗機的例子中，原始數(shù)據(jù)是聲音分貝水平和時間;信息是知道在哪里收集數(shù)據(jù);情報是指有一臺洗碗機已經(jīng)打開，位于同一個房間里，并且能夠了解運作周期;知識是能夠確定周期的總長度和靜音的時刻;然后智慧在于知道洗碗機現(xiàn)在會運行這么多時間，并產(chǎn)生這么多的噪音，所以也許我不應(yīng)該在半夜打開它。
今天收集這類信息需要用戶進行大量的學(xué)習(xí)和輸入來升級系統(tǒng)。這是可以應(yīng)用人工智能的地方，但需要為每個特定場景構(gòu)建AI，這是一項艱苦的工作。資源有限的公司需要關(guān)注真正的機會在哪里:
在相關(guān)情況下向用戶提供見解
結(jié)合數(shù)據(jù)以創(chuàng)造新見解
預(yù)測什么事情會改變情緒和情感
新的規(guī)則是，能夠影響用戶情緒和情感的公司將獲勝。
尋找模式
雖然捕獲和記錄原始數(shù)據(jù)已成為物聯(lián)網(wǎng)設(shè)備的必備功能，而且能夠標記位置是開始提取可用信息的另一個優(yōu)勢，但公司可以通過一些更簡單的方式將這些信息轉(zhuǎn)化為情報。也就是說，它們是通過抽象、平均和比較來實現(xiàn)的。
抽象可以意味著我們對信息進行某種解釋以識別事件，或者我們整合或區(qū)分以收集總和或速率。對于Ubi來說，它可能是光照變化、每天有多少次對設(shè)備說話或設(shè)備對用戶說話(“交互作用”)、溫度變化量、達到閾值等等。
平均也是一種抽象，但可以用于個人用戶/設(shè)備或更大的用戶或設(shè)備集合。最后，將特定用戶或設(shè)備的數(shù)據(jù)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(xué)習(xí)或AI系統(tǒng)的情況下完成。
但是，能夠讓系統(tǒng)接受訓(xùn)練來識別并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用戶在視頻反饋上畫出一個區(qū)域并將其命名為事件來實現(xiàn)機器視覺的。
對于物聯(lián)網(wǎng)設(shè)備公司來說，如果擁有用戶標簽或識別事件會給用戶帶來直接好處，那么為什么不應(yīng)該使用它來訓(xùn)練系統(tǒng)自動識別事件?聲音檢測、是否在家、暖氣或空調(diào)故障都是可以讓用戶訓(xùn)練系統(tǒng)的有用事件。然后，可以將該數(shù)據(jù)集應(yīng)用于TensorFlow等工具，并向用戶呈現(xiàn)另一輪驗證或校正。
智能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(shè)備使用
其他家庭活動(例如看電視，打掃衛(wèi)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信息組合起來，創(chuàng)造“知識”，最終創(chuàng)造“智慧”。這是可以應(yīng)用機器學(xué)習(xí)來幫助提取預(yù)測信息的地方，Target提供了一個很好的例子，他們能夠根據(jù)事件預(yù)測女性的懷孕情況。
例如，你可以開始預(yù)測一個家庭通常在下午6點45吃晚餐，這些信息可以用來在下午5點30分觸發(fā)一個吃飯?zhí)崾?，系統(tǒng)也可以開始測試輸入并評估效果是否對用戶產(chǎn)生積極的影響。
在用餐想法場景中，如果用戶采用這個想法，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(shù)(語音分析、早睡時間、晚睡覺減少等)也與系統(tǒng)的輸入相關(guān)。
也許訓(xùn)練系統(tǒng)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(tǒng)約束范圍內(nèi)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。
