机器学习如何应用于工业物联网

根据GE Digital的机器学习专家，机器学习在应用于工业互联网（物联网）时，可以对人类的生活产生更大的影响。

在12月份在新加坡的Strata数据会议上发表演讲，Josui Digital副副总裁Joshua Bloom，描述了工业Iotas的“非常重要的东西互联网，电脑和我们生活的机器”。

Bloom指出，当应用于工业物联网时，机器学习可以使组织能够在失败之前替换对象，或者在医疗保健的情况下，帮助临床医生在计算机辅助诊断中发出大量数据感。

Bloom表示，预计将通过2020年部署5000亿工业物联网设备，通过这些设备产生的数据量也将每年气球到600个Zettabytes。

“GE创造的单一喷射发动机在五个小时内产生了大约一个数据的数据，”他说。“这是一个引擎只有一个发动机和每天50,000航班的无法解决的数据，你会实现我们开始处理的数据的规模。”

在强调工业机器学习模型的成功和失败的影响方面，盛开表示，真正的阳性可能意味着在为时已晚之前鉴定癌症肿瘤。“如果你有假阴性，那就意味着你的系统错过的管道上有一个裂缝，”他说。

Bloom表示，组织也必须对拥有更多误报感到舒服。“如果你能生活在一个有很多误报的世界里，你就可以做得更好，如果你没有机器学习，”他补充说，并指出这将确保在使用的机器学习模型中建立了“丰富的谨慎”在工业应用中。

与可能包含偏差的数据驱动模型不同，工业机器学习基于物理规律接地。“我们已经能够建立物理模型来捕捉我们对设备的理解，并模拟现实世界中没有发生的事情，”布隆说。

然而，盛开承认工业机器学习存在一些缺点。对于一个，物理模型不容易从新数据中学习，并且并非所有物理法则都建立在大型复杂系统中。

“这意味着我们有一个不完美的模型，我们只是希望瑕疵不致命，”他说，在工业机器学习模型中添加了改进，因为在专业领域经常需要博士学位的专家。如冶金。

然而，盛开的数据驱动模型不需要明确了解物理世界。“您只抛入大量数据并根据您设置的指标优化模型。当您抛出更多数据时，它会自然地提高，并且可以扩展更多数据来源。“

也就是说，盛开指出，是否可以将数据驱动的模型概括为其他类似系统存在不确定性。“为那些模型导出真正的物理直觉也很难，”他补充道。

在GE，正在进行工作，以将物理和数据驱动的机器学习模型在其系统中结合，并确保用户被用户信任和理解这些模型生成的信息。“即使模型是正确的，如果人们不信任并接受它们，他们就不会被使用，”彭酷说。

“到底，我们需要创造不仅仅是更好的算法，而且还使机器学习建议理解为具有域专业知识的人。我们还需要构建在反馈的系统中，并认识到最终用户以及良好和答案的效果。“

下一步

由于机器学习系统获得接受的网络，因此仍然需要人类和API的专家注意事项。了解原因。

了解为什么IT服务提供商是绘制的Tomachine学习应用程序