你知道洗碗機的運轉時間嗎?很多人可能會說無聊。

我直到2013年才找到這個問題的答案，記得我當時用筆記本電腦興奮地拿給妻子看，她迷惑不解，這種事也值得我興奮?

令人興奮的原因是，Ubi(智能聲控設備)可以成功記錄廚房里整天的聲音變化，我能夠得知洗碗機運行時的聲音大小以及持續時間。我甚至可以知道它有三個工作周期，期間有幾分鐘停頓安靜時間。通過分析洗碗機聲音大小和讀取相關日志，我能夠推斷出洗碗機所處的工作周期。可是，我能用這些信息做什么卻是另一回事。

洗碗機的秘密生活

從那時起，我們家的設備和傳感器平均數量呈指數級增長。許多連網設備都配備了傳感器，當這些傳感器結合在一起時，我們就可以深入了解自己和自己的生活方式。正是這種原因促使我們在UBI設備中增加了麥克風、光線、濕度、氣壓和溫度傳感器，未來希望機器學習能夠跟上，提供更多的見解。

物聯網可以幫助我們更加了解自己及自己的生活方式，并采取行動幫助我們實現生活目標;人工智能應用于物聯網可以讓我們心情更好、節約電力并保持身體健康。

實現上述目標需要三方面支撐：

• 微型傳感器的成本降低和大規模應用
• 數據收集和數據存儲成本的降低
• AI、機器學習API平臺的商品化和易用性

2011年，我被Kickstarter眾籌網站上的Twine智能裝置迷住。該產品內置有溫度、濕度、加速傳感器，并可以通過無線網絡報告數據。購買它的原因來自我回家時發現廚房有積水，原來是冰箱壞了，要是我及早收到冰箱溫度正在下降的警告就好了!Twine智能裝置可以通過創建簡單規則，并在超過特定閾值時發送電子郵件或SMS消息。

當年Twine智能裝置價格昂貴，現在類似設備價格已經大幅下降，GPS、WiFi、藍牙、加速傳感器、紅外傳感器、麥克風、磁場探測器、力傳感器和氣壓計可以與多個傳感器集成在一塊芯片上，并已經在數十億部智能手機上配備，而且通過他們實現應用程序也很容易。

在為Ubi收集傳感器數據時，我們必須構造能夠處理HTTP長輪詢、傳感器數據信息流傳輸、數據累積、根據規則處理、存儲和調用數據以進行分析的基礎架構。

在縮小圖形時，調用太多數據點可能會出現問題，由于此問題，我們在早期曾多次造成服務器崩潰。

我們還需要了解，每10秒鐘采樣5次數據可能會導致大量數據涌入我們服務器。如今，AWS、Google App Engine和其他公司擁有物聯網平臺，與五年前相比，這種平臺非常容易設置數據收集規則。

新的要求在于使用這些數據來預測我們下一步要做什么或試圖影響我們下一步的工作，要做到這一點，我們需要逐步提高信息層次。Haeckel提出了這樣一種等級:

• 原始數據
• 信息
• 情報
• 知識
• 智慧

在洗碗機的例子中，原始數據是聲音分貝水平和時間;信息是知道在哪里收集數據;情報是指有一臺洗碗機已經打開，位于同一個房間里，并且能夠了解運作周期;知識是能夠確定周期的總長度和靜音的時刻;然后智慧在于知道洗碗機現在會運行這么多時間，并產生這么多的噪音，所以也許我不應該在半夜打開它。

今天收集這類信息需要用戶進行大量的學習和輸入來升級系統。這是可以應用人工智能的地方，但需要為每個特定場景構建AI，這是一項艱苦的工作。資源有限的公司需要關注真正的機會在哪里:

• 在相關情況下向用戶提供見解
• 結合數據以創造新見解
• 預測什么事情會改變情緒和情感

新的規則是，能夠影響用戶情緒和情感的公司將獲勝。

尋找模式

雖然捕獲和記錄原始數據已成為物聯網設備的必備功能，而且能夠標記位置是開始提取可用信息的另一個優勢，但公司可以通過一些更簡單的方式將這些信息轉化為情報。也就是說，它們是通過抽象、平均和比較來實現的。

抽象可以意味著我們對信息進行某種解釋以識別事件，或者我們整合或區分以收集總和或速率。對于Ubi來說，它可能是光照變化、每天有多少次對設備說話或設備對用戶說話(“交互作用”)、溫度變化量、達到閾值等等。

平均也是一種抽象，但可以用于個人用戶/設備或更大的用戶或設備集合。***，將特定用戶或設備的數據與平均值進行比較可以提供很多可操作的參考見解，所有這些都可以在沒有任何機器學習或AI系統的情況下完成。

但是，能夠讓系統接受訓練來識別并標記事件是更強大的。Nest在視覺處理方面做了一個有趣的工作，它們基本上是通過允許用戶在視頻反饋上畫出一個區域并將其命名為事件來實現機器視覺的。

對于物聯網設備公司來說，如果擁有用戶標簽或識別事件會給用戶帶來直接好處，那么為什么不應該使用它來訓練系統自動識別事件?聲音檢測、是否在家、暖氣或空調故障都是可以讓用戶訓練系統的有用事件。然后，可以將該數據集應用于TensorFlow等工具，并向用戶呈現另一輪驗證或校正。

智能家居識別中特別有用的情報包括:

• 在家/不在家
• 到達/離開時間
• 有多少人在家
• 睡眠/清醒時間
• 吃飯時間
• 設備使用
• 其他家庭活動(例如看電視，打掃衛生，做飯等)

把它們放在一起

更進一步，我們可以開始把上面的信息組合起來，創造“知識”，最終創造“智慧”。這是可以應用機器學習來幫助提取預測信息的地方，Target提供了一個很好的例子，他們能夠根據事件預測女性的懷孕情況。

例如，你可以開始預測一個家庭通常在下午6點45吃晚餐，這些信息可以用來在下午5點30分觸發一個吃飯提示，系統也可以開始測試輸入并評估效果是否對用戶產生積極的影響。

在用餐想法場景中，如果用戶采用這個想法，則可以將其視為正面影響。也可以收集一些其他的情報作為評估幸福指數(語音分析、早睡時間、晚睡覺減少等)也與系統的輸入相關。

也許訓練系統更好地操縱我們是一個可怕的***。但是，如果我們的目標是要提高自己，例如，在系統約束范圍內提供一些自主性，比如家庭照明和溫度，我們可能會取得巨大成功。