Интернет вещей не будет работать без искусственного интеллекта

По мере того как «Интернет вещей» набирает популярность в мире технологий и самых громких технологических словечек года, разгорается дискуссия о том, как заставить его работать. Интернет вещей будет производить большой объем данных — данных, которые помогут городам прогнозировать аварийные ситуации и преступления; будут давать врачам информацию в режиме реального времени, полученную от кардиостимуляторов или биочипов; оптимизировать производительность в различных отраслях; обеспечивать важную связь между самоуправляемыми автомобилями; обеспечивать работу умных домов с подключенной бытовой техникой.

Возможности, которые открывает Интернет вещей, воистину безграничны. Но есть вопросы.

По мере того как продолжается расширение числа устройств и датчиков, подключенных к Интернету вещей, объем данных растет до умопомрачительных уровней. Эти данные содержат ценную информацию — что работает хорошо, а что нет — указывают на конфликты и открывают глаза на новые возможности и связи в разных сегментах.

Звучит здорово. Но большой проблемой остается поиск путей анализа этого потопа данных. Если вы когда-нибудь пытались найти связь в терабайтах машинных данных, вы знаете, как это сложно. Люди просто не в состоянии изучать и понять все эти данные — и с традиционными методами, если даже вы сокращаете размер выборки, на это уходит слишком много времени.

Чтобы Интернет вещей сложился, как и обещал, нужно увеличить скорость и точность анализа крупных объемов данных. Если этого сделать не удастся, последствия могут быть катастрофическими, от раздражения — когда бытовая техника не работает вместе, как планировалось — до угрозы жизни — когда сотни автомобилей ведут себя не по плану.

Единственный способ идти в ногу с объемами генерируемых Интернетом вещей данных — это включить в них скрытое понимание с помощью машинного обучения.

Машинное обучение уже используется

Машинное обучение — это «субполе компьютерной науки и искусственного интеллекта, которое занимается строительством и изучением систем, которые могут анализировать данные не только по заранее запрограммированным инструкциям».

Хотя звучит такое определение как научная фантастика, в повседневной жизни оно уже присутствует. Pandora использует машинное обучение, чтобы определить, какие еще песни вам могут понравиться; Amazon.com делает то же самое с книгами и фильмами. Обе системы построены на том, что узнают о пользователе и уточняют со временем, узнавая все больше и больше об их поведении.

В случае с Интернетом вещей, машинное обучение поможет компаниям взять миллиарды точек данных и сварить из них что-то осмысленное. Общий принцип довольно простой: нужно просматривать и анализировать собранные данные в поиске шаблонов или сходств, из которых можно что-то извлечь с последующим принятием лучших решений.

К примеру, носимые устройства, которые отслеживают ваше здоровье, пока являются частью развивающейся индустрии — но вскоре они станут устройствами, которые связаны между собой и с Интернетом, будут обеспечивать наблюдение за вашим здоровьем в режиме реального времени.

Цель состоит в том, что ваш врач будет получать уведомления при соблюдении определенных условий — ваш пульс увеличивается до небезопасного уровня или даже останавливается, к примеру. Чтобы уметь выявлять потенциальные проблемы, данные нужно анализировать с точки зрения того, что нормально, а что нет. Сходства, корреляции и отклонения должны быстро выявляться на основе потоков данных в реальном времени. Может ли это делать физически человек? Просматривать данные тысяч пациентов в режиме реального времени и точно определять, когда нужно высылать неотложку? Вряд ли.

Чтобы анализировать данные сразу после сбора, точно определяя новые и уже известные паттерны поведения, машины также должны знать нормальное поведение каждого пациента, а также — критический уровень поведения здоровья.

Реализация Интернета вещей зависит от того, получится ли проникнуть в суть, скрытую в увеличивающемся море имеющихся данных. Поскольку в настоящее время подходы не масштабируются до объемов Интернета вещей, его будущее зависит исключительно от машинного обучения, которое сможет находить паттерны, корреляции и аномалии в данных. Если удастся, это улучшит практически все аспекты нашей повседневной жизни.