在讀者閱讀本文的這段時間裡，一個普通成年人大概已經做出了200多個決定，或者說有人會這麼主張。哥倫比亞大學的研究指出，人們有意識做出的決定其實少得多，每日總數約為70個。但無論實際的決定量是多少，人們都會做出很多決定，而且我們在這方面已經熟能生巧。
人類會擅長做決定，是因為我們早已學會如何彌補自己的弱點。我們依賴啟發法或心理思考捷徑來幫助我們判斷可信度，彌補人類無法處理大量資訊的劣勢，並且根據觀察和經驗所帶來的無意識回憶，使用感觀和直覺來幫助自己做決定。
像機器一樣思考
另一方面，機器的「思考」方式是依靠運算優勢來快速處理數億個資料點，並且根據處理結果做出決策，這與依靠直覺的人類完全不同。利用這種方法，如今電腦已經可以成功完成一些特定的任務。例如，在國際象棋和圍棋等遊戲中，機器可以輕鬆擊敗最優秀的人類棋手。還有一些更有用的例子，就是機器可以比任何放射科醫師更快速、可靠地辨識數千張X光片中的異常情況，察覺到其中微乎其微的差異。
在物聯網中和諧運作
至少就目前而言，機器需要人類，就像人類需要機器一樣。在這個交叉口，機器學習(ML)技術為物聯網(IoT)內數十億台終端裝置的管理帶來了令人欣慰的可能性。ML是實用的數學領域，人類在這方面建立了演算法和程式，允許電腦遵循數億條指令進行操作。電腦在幾乎無窮無盡的不起眼的資料流程中尋找偶爾的偏差，然後解釋這些偏差中的模式，以解決現實世界的問題。
機器學習的力量
想像一下未來的智慧城市。路燈上的感測器能夠監測交通流量和空氣品質；氣象站測量氣象變數以預測各種天災；建築物中嵌入數百個感測器，監控從空調和電梯直到水管和瓦斯管道的一切情況。這些設備，以及數以百萬計的其他設備將產生數萬億個千百萬位元組資料。解讀這些資料的龐大工作量令人感到頭疼，幸好ML能夠幫助人類完成這些任務。
將如此巨量的資料傳輸到雲端再進行處理，是不切實際的。通常由電池供電的終端裝置沒有足夠的能量，網路也無法承載負荷；即便可以，這種做法帶來的高昂成本也會令人望而卻步。
邊緣設備的TinyML
然而，今天的物聯網裝置能夠支援ML的縮減版本「TinyML」，使得邊緣設備能夠監控資料，並使用演算法不斷檢測偏差。使用者將從一個或多個感測器收集的資料傳送到雲端，然後使用功能強大的雲端伺服器來訓練ML模型，該模型透過無線方式更新發送到終端設備。這使得終端裝置能夠確定未來將哪些資料發送到雲端，例如，有些資料偏差會顯示空調裝置即將發生故障或龍捲風即將來臨。在未來，「學習」操作將在裝置上進行，只是我們還未到那個時代。
機器學習增強人類智慧
關於機器學習增強智慧可行性，並將其應用於物聯網作業中的研究仍處於起步階段，畢竟在物聯網中，大型問題無法依靠電腦或人類單獨解決，兩者共同運作可以集合人類和機器雙方的優勢。人類必須訓練機器及其ML演算法來執行所設計的工作；而對於解讀機器的決定並確保它們正常、安全和盡責地運作方面，人類的介入和操作也是必不可少的。
另一方面，機器可以在正確的時機提供正確的資訊，並過濾掉無助於做出決定的雜訊，從而提高人類的分析和決策能力。機器及其機器學習演算法也可以成為指導工具，用以提高人類的技能和操作表現。
誰在控制機器學習？
然而，機器還沒有稱霸做主，現在是人類在發號施令，並非機器。對於在沒有人工監督的情況下讓物聯網解決方案進行自主決策的決定，必須根據性能、成本和風險因素進行仔細的權衡考慮。
The post 結合人類和機器所長 利用ML提高物聯網運作成效 appeared first on 電子工程專輯.