深度學習算法是機器學習 (ML)的未來——但僅限于具有特定要求的算法。許多 ML 算法可以有效地處理小數(shù)據(jù)。在這里，我們將研究其中的一些算法，例如神經(jīng)網(wǎng)絡(luò)和 k-means 聚類，以及如何應(yīng)用它們。

當我們考慮用于物聯(lián)網(wǎng) (IoT) 的 ML 時，我們通常會想到云中的 ML 和研究大量數(shù)據(jù)的大規(guī)模算法。這是 ML 在 IoT 中的一個使用模型，但它不是唯一的。ML 可以應(yīng)用于物聯(lián)網(wǎng)生態(tài)系統(tǒng)中的任何地方，只是用不同的算法解決不同的問題（圖 1）。

圖 1：物聯(lián)網(wǎng)生態(tài)系統(tǒng)和機器學習/數(shù)據(jù)視角。（來源：作者）

從圖 1 中，您還可以看到數(shù)據(jù)使用方式的一些差異。云處理來自許多站點的數(shù)據(jù)，使其能夠探索跨 IoT 產(chǎn)品的各種實例的模式。如果您關(guān)心端點的故障預測，擁有來自所有端點的數(shù)據(jù)可以幫助預測故障。

網(wǎng)關(guān)可以處理來自給定站點的數(shù)據(jù)和生成的 IoT 端點數(shù)據(jù)，為您提供站點級視圖。對于傳感器融合和學習家庭能源使用模式，網(wǎng)關(guān)（或家庭級）數(shù)據(jù)視圖是合適的。

最后，端點本身孤立地查看傳感器數(shù)據(jù)（它本身可以代表多個傳感器，但視圖更窄）。在此級別，ML 可以應(yīng)用于 ML 算法層次結(jié)構(gòu)中的各個傳感器。

端點機器學習

在邊緣使用 ML 的原因有很多，從通信延遲到云，再到數(shù)據(jù)隱私和學習模型。讓我們看一下在邊緣應(yīng)用機器學習的一些方法。

Nest 恒溫器或“Google Nest”被認為是物聯(lián)網(wǎng)、智能家居和邊緣 ML 的杰出示例。Nest 恒溫器會學習自我編程，并根據(jù)您獨特的溫度偏好和居家時間表設(shè)置您家中的最佳溫度。

另一個例子是住宅雨水收集系統(tǒng)，該系統(tǒng)將根據(jù)環(huán)境傳感器數(shù)據(jù)、草坪區(qū)域優(yōu)先級、一天中的時間、可用水位和當?shù)貧v史降雨預報，了解何時以及如何確定和優(yōu)化草坪澆水的優(yōu)先級。

表 1說明了一些可應(yīng)用于 IoT 端點的 ML 算法及其可服務(wù)的應(yīng)用程序。

表 1：機器學習算法及其應(yīng)用

深度學習呢？

對于涉及視頻和音頻信息的許多使用模型，深度學習是一種有用的算法。深度學習協(xié)處理器使在資源受限的嵌入式設(shè)備中構(gòu)建深度學習應(yīng)用程序成為可能。您還可以找到專為嵌入式設(shè)備定制的深度學習算法。

因此，您使用的算法是應(yīng)用程序的一個功能。如果深度學習是您所需要的，那么該方法可以通過正確的硬件和固件實現(xiàn)應(yīng)用于 IoT 端點。

結(jié)論

在物聯(lián)網(wǎng)領(lǐng)域，沒有一種方法是萬能的。那些成功的解決方案是那些盡可能接近數(shù)據(jù)有效解決問題的解決方案。無論您是在 IoT 系統(tǒng)的各個級別集成 ML 還是在整個體系結(jié)構(gòu)中分布 ML，ML 未來都將在 IoT 系統(tǒng)中扮演更重要的角色。

M. Tim Jones 是一位資深的嵌入式固件架構(gòu)師，擁有超過 30 年的架構(gòu)和開發(fā)經(jīng)驗。Tim 是多本書籍和多篇文章的作者，涉及軟件和固件開發(fā)領(lǐng)域。他的工程背景從地球同步航天器的內(nèi)核開發(fā)到嵌入式系統(tǒng)架構(gòu)和協(xié)議開發(fā)。

審核編輯黃宇