machine-learning

Aplicando Machine Learning al Internet de las Cosas Deja un comentario

¿Cuáles son algunas de las aplicaciones y casos de uso? #askIoT

Machine Learning (ML) e Internet of Things (IoT) son grandes palabras de moda en este momento, y ambos están cerca del pico del ciclo de bombo.

machine-learning

Dado todo el alboroto y el zumbido en torno al machine learning y la IoT, puede ser difícil cortar el ruido y comprender dónde reside el valor real. En la publicación #askIoT de esta semana, explicaré cómo el machine learning puede ser valioso para IoT, cuando es apropiado usarlo, y algunas aplicaciones y casos de uso actualmente en el mundo.

IoT versus Machine Learning

Con todo el despliegue publicitario mencionado sobre el machine learning, muchas organizaciones se preguntan si de alguna manera necesitan usar el machine learning en sus negocios.

En la gran mayoría de los casos, la respuesta es un rotundo no.

Más adelante exploraré el valor del machine learning con mayor profundidad, pero a un alto nivel, el machine learning toma grandes cantidades de datos y genera información útil que ayuda a la organización. Eso podría significar mejorar los procesos, reducir costos, crear una mejor experiencia para el cliente o abrir nuevos modelos de negocio.

La cuestión es que la mayoría de las organizaciones pueden obtener muchos de estos beneficios del análisis de datos tradicional, sin la necesidad de enfoques de machine learning más complicados.

El análisis de datos tradicional es excelente para explicar los datos. Puede generar informes o modelos de lo que sucedió en el pasado o de lo que está sucediendo hoy, obteniendo información útil para aplicar a la organización.

El análisis de datos puede ayudar a cuantificar y rastrear objetivos, permitir una toma de decisiones más inteligente y luego proporcionar los medios para medir el éxito a lo largo del tiempo.

Entonces, ¿cuándo de valioso es el Machine Learning?

Los modelos de datos que son típicos de los análisis de datos tradicionales son a menudo estáticos y de uso limitado en el tratamiento de datos no estructurados y de rápido cambio. Cuando se trata de IoT, a menudo es necesario identificar correlaciones entre docenas de entradas de sensores y factores externos que están produciendo rápidamente millones de puntos de datos.

Si bien el análisis de datos tradicional necesitaría un modelo basado en datos anteriores y la opinión de expertos para establecer una relación entre las variables, el machine learning comienza con las variables de resultados (por ejemplo, ahorro de energía) y luego busca automáticamente las variables predictoras y sus interacciones.

En general, el machine learning es valioso cuando sabes lo que quieres pero no conoces las variables de entrada importantes para tomar esa decisión. Entonces, le da al algoritmo de machine learning los objetivos y luego “aprende” de los datos qué factores son importantes para lograr ese objetivo.

Un gran ejemplo es la aplicación de Google de machine learning en sus centros de datos el año pasado. Los centros de datos deben permanecer fríos, por lo que requieren grandes cantidades de energía para que sus sistemas de enfriamiento funcionen correctamente. Esto representa un costo significativo para Google, por lo que el objetivo era aumentar la eficiencia con el machine learning.

Con 120 variables que afectan el sistema de enfriamiento (es decir, ventiladores, velocidades de las bombas, ventanas, etc.), construir un modelo con enfoques clásicos sería una tarea enorme. En cambio, Google aplicó el machine learning y redujo su consumo general de energía en un 15%. Eso representa cientos de millones de dólares en ahorros para Google en los próximos años.

machine-learning

‍El machine learning reduce claramente el consumo de energía en los centros de datos de Google ( fuente )

Además, el machine learning también es valioso para predecir con precisión eventos futuros. Mientras que los modelos de datos creados con el análisis de datos tradicional son estáticos, los algoritmos de machine learning mejoran constantemente con el tiempo a medida que se capturan y asimilan más datos. Esto significa que el algoritmo de machine learning puede hacer predicciones, ver qué sucede realmente, comparar con sus predicciones y luego ajustar para ser más preciso.

El análisis predictivo hecho posible por el machine learning es enormemente valioso para muchas aplicaciones de IoT. Echemos un vistazo a algunos ejemplos concretos…

Aplicaciones en IoT

Ahorro de costos en aplicaciones industriales

Las capacidades predictivas son extremadamente útiles en un entorno industrial. Al extraer datos de múltiples sensores dentro o en las máquinas, los algoritmos de machine learning pueden “aprender” lo que es típico de la máquina y luego detectar cuándo algo anormal comienza a ocurrir.

Una compañía llamada Augury hace exactamente esto con sensores de vibración y ultrasonidos instalados en el equipo:

“Los datos recopilados se envían a nuestros servidores, donde se comparan con los datos anteriores recopilados de esa máquina, así como los datos recopilados de máquinas similares. Nuestra plataforma puede detectar los más mínimos cambios y advertirle sobre el desarrollo de mal funcionamiento. Este análisis se realiza en tiempo real y los resultados se muestran en el teléfono inteligente del técnico en cuestión de segundos “.

Predecir cuándo una máquina necesita mantenimiento es increíblemente valioso, lo que se traduce en millones de dólares en costos ahorrados. Un gran ejemplo es Goldcorp , una compañía minera que utiliza inmensos vehículos para transportar materiales.

machine-learning

Cuando estos vehículos de transporte se descomponen, le cuesta a Goldcorp $ 2 millones por día en pérdida de productividad . Goldcorp ahora está utilizando el machine learning para predecir con más del 90% de precisión cuándo las máquinas necesitarán mantenimiento, lo que significa un gran ahorro de costos.

Dando forma a las experiencias de los individuos

En realidad, todos estamos familiarizados con el machine learning en nuestra vida cotidiana. Tanto Amazon como Netflix utilizan el machine learning para conocer nuestras preferencias y proporcionar una mejor experiencia para el usuario. Eso podría significar sugerir productos que le podrían gustar o proporcionar recomendaciones relevantes para películas y programas de televisión.

Del mismo modo, en IoT, el machine learning puede ser extremadamente valioso para configurar nuestro entorno según nuestras preferencias personales.

El Nest Thermostat es un gran ejemplo, utiliza el machine learning para conocer sus preferencias de calefacción y refrigeración, asegurándose de que la casa tenga la temperatura adecuada cuando llegue a casa del trabajo o cuando se levante por la mañana.

Y más

Los casos de uso descritos anteriormente son solo algunas de las posibilidades prácticamente infinitas, pero son importantes porque son aplicaciones útiles de machine learning en IoT que están sucediendo en este momento.

Pero en general….

Solo estamos rascando la superficie

Los miles de millones de sensores y dispositivos que continuarán conectados a Internet en los próximos años generarán exponencialmente más datos. Este gran aumento de datos impulsará grandes mejoras en el machine learning, abriendo innumerables oportunidades para que podamos cosechar los beneficios.

No sólo vamos a ser capaces de predecir cuando las máquinas necesitan mantenimiento, vamos a ser capaces de predecir cuando nos necesitan mantenimiento también. El machine learning se aplicará a los datos de nuestros dispositivos portátiles para conocer nuestra línea de base y determinar cuándo nuestros signos vitales se han vuelto anormales, llamando a un médico o ambulancia automáticamente si es necesario.

Más allá de las personas, podremos usar esos datos de salud a escala para ver las tendencias en poblaciones enteras, predecir brotes de enfermedades y abordar proactivamente los problemas de salud.

También podremos predecir accidentes y delitos incluso antes de que sucedan. Los datos de sensores de ruido, cámaras de video, incluso contenedores de basura inteligentes en Smart Cities se pueden alimentar a algoritmos de machine learning para descubrir las condiciones previas para accidentes o delitos, equipando a la policía con herramientas poderosas (por supuesto, hay algunas preocupaciones de privacidad).

Aunque tanto el machine learning como IoT están a la altura de las exageraciones, las aplicaciones y posibilidades futuras son dignas de esa exageración. Realmente solo estamos rascando la superficie de lo que es posible.

También te puede interesar:

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

CARRITO DE COMPRAS

close