Загрузил Yasna Chigir

Machine Learning

реклама
ДЕПАРТАМЕНТ ОБРАЗОВАНИЯ ГОРОДА МОСКВЫ
Государственное бюджетное профессиональное образовательное
учреждение
города Москвы
«Политехнический колледж им. Н.Н. Годовикова»
Доклад
Тема: Применение средств машинного обучения для обработки данных
На базе предприятия (организации) ГБПОУ ПК им. Н. Н. Годовикова
Специальность (код, наименование): 09.02.07 «Информационные системы и
программирование»
Выполнила:
Руководитель работы:
Студентка 3 курса,
Преподаватель
Группы 3 ИC - 15
Ученая степень, должность
Чигир Ясна Вячеславовна
Иванова Татьяна Михайловна
(Ф.И.О.)
(Ф.И.О.)
________ __________________
(Оценка / подпись)
Москва, 2022
2
Введение
Учитывая сложность и разнообразность данных, генерируемых
разнородными устройствами и датчиками, остро встает вопрос автоматизации их
управления и анализа. Автоматизированное выявление зависимостей и
построение взаимосвязей между устройствами – это новый вызов для
дальнейшего развития IoT. Именно поэтому IoT становится технологией, которую
сложно представить без инструментов машинного обучения (Machine Learning).
Благодаря им появляется возможность построения профилей поведения устройств
в сети и выявления скрытых взаимосвязей между ними, что, в свою очередь, несет
новые возможности автоматизации управления устройствами и предиктивной
аналитики.
Концепция IoT зарождалась и развивалась как вполне самостоятельная
идея, заключающаяся в объединении большого числа физических устройств,
поддерживающих интерфейсы взаимодействия друг с другом и внешней средой в
единой вычислительной сети. Однако, учитывая стремительные темпы роста
популярности и востребованности данной концепции на рынке, число устройств в
подобных сетях растет настолько быстро, что традиционная архитектура
становится малоэффективной и сложно реализуемой.
Концепция IoT на текущий момент находится на том этапе, когда
интеграция со вспомогательными технологиями и инструментами является
необходимым логическим шагом к дальнейшему развитию.
3
Применение средств машинного обучения для обработки
данных
Чтобы понять, как Machine Learning и Big Data могут повысить
эффективность работы IoT, стоит взглянуть на принципиальные различия
архитектур IoT-систем, которые следуют традиционной концепции, и систем,
использующих инструменты для работы с большими данными и машинное
обучение.
Типовая архитектура IoT без машинного обучения включает в себя четыре
основных блока (см. схему 1):

интернет-вещи – умные устройства, датчики и сенсоры;

шлюзы, использующие промышленные протоколы связи и
располагающиеся относительно близко к конечным устройствам;

централизованное хранилище данных – ЦХОД и облачные
хранилища;

конечные устройства, с которыми взаимодействуют
пользователи – исследуют данные и получают уведомления.
4
В архитектуре IoT, применяющей инструменты для работы с большими
данными и алгоритмы машинного обучения, присутствует дополнительный, но
очень важный блок (см. схему 2).
В ней повышается качество данных, а следовательно и качество
принимаемых решений и уведомлений, генерируемых системой. Кроме того, за
счет адаптивной приоритизации и фильтрации данных существенно снижаются
затраты на хранение данных в ЦХОД и облачных хранилищах.
Machine Learning & IoT: реализация
Лучше всего преимущества и эффективность применения инструментов
машинного обучения и технологий Big Data при построении IoT-систем
демонстрируют практические сценарии использования. Ниже приведены
несколько Use Cases, в которых благодаря современным инструментам для
работы с данными IoT-система сделала значительный шаг вперед.
Tesla Motors. Автомобили Tesla – это "вещи", использующие множество
других интернет-вещей, которые благодаря Machine Learning позволяют из
"вещи" сделать мощный искусственный интеллект. Помимо Tesla, другие
крупные автомобильные компании также используют концепцию IoT, однако без
современных инструментов для работы с данными. Для того чтобы понять, чем
же Tesla так сильно отличается от всех остальных, достаточно цитаты Илона
Маска из недавнего интервью: "Все автомобили в Tesla работают как единая сеть.
5
Когда одна машина учится чему-то, этому учатся и все остальные. Это выходит за
рамки того, что делают другие автомобильные компании". Таким образом, каждая
ситуация на дороге – это новый опыт для автомобиля, который он обязательно
учтет в следующей поездке и передаст своим "коллегам" (см. схему 3).
Nest. Термин "умный дом", наверное, слышал каждый. Однако у компании
Nest, которую недавно приобрела корпорация Google за $3,2 млрд, получилось
сделать дом действительно умным. Искусственный интеллект Nest анализирует
график работы пользователей, их температурные и прочие предпочтения.
Благодаря этому системе удается сократить затраты на потребление энергии и
повысить комфорт за счет адаптации системы под конкретного пользователя (см.
схему 4).
6
IoT-платформы. Стоит упомянуть не только конкретные сценарии
использования IoT с Machine Learning, но и взглянуть на то, как развиваются
передовые IoT-платформы, такие как Google Cloud IoT и AWS IoT. Они
позволяют интегрировать IoT-устройства с моделями машинного обучения и
решать сложные комплексные задачи. Сервис AWS IoT Greengrass ML Inference
может локально формировать на устройствах логические выводы с
использованием машинного обучения, применяя модели, созданные, обученные и
оптимизированные в облаке. Так, в SageMaker можно создать прогнозирующую
модель для анализа видеозаписей, оптимизировать ее для работы на камерах,
которые смогут самостоятельно выявлять подозрительную активность и
отправлять уведомления об этом. Например, при обнаружении нелегитимной
активности около банковского терминала умная камера сама определит, что
злоумышленник планирует взлом, и предиктивно вызовет наряд полиции.
Данные, полученные с помощью логических выводов на IoT Greengrass, можно
отправить обратно в SageMaker, где они обогащаются индикаторами и
используются для непрерывного повышения качества моделей машинного
обучения.
7
Заключение
В современном мире в силу постоянно растущего количества умных
устройств и объема данных, генерируемых ими, индустрия IoT уже не может
существовать без инструментов для работы с большими данными и машинного
обучения. Яркие примеры компаний, использующих Machine Learning в IoTархитектурах, и векторы развития актуальных IoT-платформ демонстрируют нам
очевидные преимущества данного подхода. Для эффективной работы
современных IoT-систем жизненно необходима интеграция с сторонними
продуктами, реализующими соответствующий функционал.
8
Список использованной литературы
1. https://www.bigdataschool.ru/blog/iot-architecture-big-data.html – (Интернет ресурс)
2. Архитектура Интернет - Вещей / Эшли Роттей. – Германия: ЭКОМ
Паблишерз, 2017. – 397 с. – (Учебное пособие)
3. https://habr.com/ru/company/toshibarus/blog/473024/ – Конечные устройства –
(Интернет - ресурс)
4. https://nag.ru/material/38920 – Функции архитектуры IoT – (Интернет ресурс)
5. https://www.bigdataschool.ru/blog/iot-architecture-big-data.html – Как работает
Интернет - вещей – (Интернет - ресурс)
6. https://controlengrussia.com/internet-veshhej/eurotech-iot/ – Интернет вещей –
(Интернет - ресурс)
Скачать