先前幾篇文章從物聯網基本概念、物聯網架構出發到硬件管理平臺的介紹，接下來就來談談物聯網的最重要功能“智能”。

物聯網（Internet of Thing， IoT）廣義定義是萬物皆可連接到網絡，并可互相溝通或交換信息，以達到某種便利人類生活的目的。先前的文章介紹到設備管理平臺為止，它一直聚焦在通過一個中央的硬件管理平臺將硬件連接到網絡、硬件間使用哪一種或哪些的通訊協議溝通、用硬件管理平臺如何管控這些硬件等議題。

等到這里為止都屬于硬件架構設計范疇（雖然硬件管理平臺本身是軟件），然而如何讓物體本身成為智能對象就是純軟件的范疇了。相信很多讀者都聽過機器學習、深度學者這些熱門名詞，其中機器學習之所以熱門，就是大部分專家都認為機器學習是成就智能對象的核心關鍵，因此機器學習方法堪稱是物聯智能的核心技術。

物聯網核心仰賴以機器學習為主的分析

物聯網的應用非常的廣泛，只要物體可以通過傳感器（Sensor）收集監測到的訊號或信息，提供到硬件管理平臺再鏈接到應用程序處理后，反饋出特定的決策再指示原始對象做進一步動作的領域都是可能的應用場域，例如：智能門鎖（通過家庭成員的進出時間判定物流配送最佳時間）、智能冰箱（監控冰箱里的食物保存狀態、甚至決定何時補貨）、智能汽車（通過路徑分析節省能源或交通時間、監控車輛使用狀態，決定何時進場維修）、智能農業（監控農田環境狀態，決定何時灑水或施肥）、智能家居（有效的節能與生活輔助）、智能供應鏈訂制化、智慧城市、智能工廠（提升生產效率或降低耗損）等，這些智能或智能的核心都倚賴以機器學習為主的預測分析。

數據分析的議題除了以機器學習為核心外，還有數據超載與新的因素加入時系統如何快速響應等問題。試想，物聯網中的連網的硬件無時無刻都在收集數據，時間久了自然會造成數據超載問題，僅僅依靠人力必然無法進行實時的分析和利用。

另一方面，數據科學家通過分析大量的數據來辨認模式并人工定義規則，盡管已預建良好的應變系統，應用方案實際實施環境中隨時出現新的因素卻可能影響正確行動的判斷。如何確保物聯網系統在快速變化的環境中，仍然能夠做出最佳響應也是一項很有挑戰性的課題。

機器學習先驅阿瑟塞穆爾（Arthur Samuel）說：機器學習使計算機賦有學習能力，不需要顯示的程序指令就能創建算法，從數據中學習并做出預測。從傳感器所搜集到的資料，經整理后變成信息，再通過機器學習之類的方法將之轉化成有用的知識，最后就會蛻變成可執行的智能，這樣才真正讓對象有了智能。

給一個簡單的物聯網應用定義一個規則比如當溫度太高時，就把冷氣壓縮機啟動該規則非常簡。 然而確定多個傳感器的輸入與外部因素之間的相關性卻不是想當然的結論。舉個例子說明：根據自動販賣機的銷售狀況、庫存水平、當地的天氣預報和促銷廣告等傳感器數據，系統必須決定何時派遣一輛卡車去補充自動販賣機內的商品。如果判斷時間錯誤以致出現貨品空窗期或擺放不合適的商品，都可能導致不同的銷售失敗。

好的物聯網平臺層都應該提供具備機器學習功能的數據分析系統，幫助鏈接到這個物聯網平臺的各種物聯網應用方案能夠分析傳感器數據，尋找相關性，并做出最佳響應，解決類似上面自動販賣機補貨時間與內容的議題。這個系統還必須不斷監控它的預測準確度，持續訓練完善既有的算法，提高決策的正確性與速度。

目前，主要有兩類的機器學習方法：

1、監督式學習：它是指在一組實例的基礎上開發一種算法。例如，一個簡單的智能零售為例可能是一個產品每天的銷售記錄。該算法計算的是一種相關，有關每個產品在一天之中到底有多少有可能會順利出售。這個信息有助于確定何時傳送卡車來補充自動販賣機器。過去常見的監督式學習方法為支持向量機，現在流行的監督式學習方法就是眾口傳頌的深度學習法。

2、非監督式學習：不提供人為定義標簽（如銷售/天），系統需要自己去分析探索關鍵因素。它主動提供所有對分析相關的數據，而讓系統去主動識別不那么明顯的相關性，例如，價格折扣、本地事件和天氣狀態（例如：下雨與否）都可能影響自動販賣機的銷售數量。常見的非監督式學習法包含有主成份分析、關聯規則學習、分群算法及同樣是最紅火的深度學習法。

按照Industrial Internet Consortium （IIC）提出的Industrial Internet Reference Architecture （IIRA）的定義，一個物聯網應用方案可以分成三個層次：各項硬件傳感器的硬件層、串連硬件層與企業層的平臺層、企業層。

物聯網中設備記錄文件（Machine log）以及傳感器產生的數據由硬件層中的網關收集轉換，經由網絡傳入位于云端或是企業內部私有云中的數據分析系統，數據分析的前端模塊執行實時串流數據處理，由于每個單位時間都持續由硬件層中的分散的設備節點動態產生大量數據，因此前端模塊必須具有實時接收處理串流數據的能力，此時數據可經由分散處理的分析引擎與分散儲存的數據庫達成計算資源動態規劃支持。

在數據分析系統數據處理過程需進行數據清理，異質性數據匯整等數據前處理工作，關于異質性數據分析將另以專文說明。

這里可參考以下工作原則進行：

（1）補足原始數據不完整的字段，如時間位置或說明。

（2）同時過濾有錯誤的數據。

（3）并且對數據的單位和坐標進行轉換。

（4）幾種基本的分析模式也可以在此階段運行，如加總、相關性。

（5）同時生成并處理事件。這些結果倒入控制面板（Dashboard）以圖像化的方式呈現給用戶。

（6）處理后的數據置于數據庫中長期保存以利后續的進一步分析。較為復雜的預測建模分析需要統計機率建模與機器學習，則采批次分析模塊進行。

預測建模分析核心精神是基于統計模型的回歸分析模式，采用大量歷史數據提供建模，同時需要引入許多的外部數據，例如產業領域知識，供機器學習中特征工程使用。文字以及影像等非結構化數據特性則另外借助特定模塊處理，產生對應的半結構化數據以供后續建模所需特征工程使用。目前物聯網數據分析的來源數據可能包含廠房設備的狀態例如輸入電流、震動，環境因素如溫度、影像和語言文字，或是用戶行為等在線的數據。同時導入多種外部信息用以輔助數據分析，例如政府公開資料、天氣溫濕度、新聞事件、大眾輿論、人機互動等交互使用。

因此好的數據分析系統應具備以下幾個重要特征：

（1）在領域專家協助下，基于場域知識庫建設需求，以規則與事例建構專家系統，以自動化的規則處理方法以匯整運用大量的知識。

（2）統計專家結合領域知識對數據探索分析，然后進行特征工程抽取出適當的特征，導入機器學習，先進的非監督學習算法可以自動化分析得到帶有最多信息量的特征，應用于預測建模過程特征工程使用。

（3）機器學習：實作并整合各種算法，持續評估運算效能，以統計采樣驗證模型的精確度，自動化混合多種算法并且調整參數，達到優化的預測結果。

數據分析系統除了實作各種機器學習的算法，為了滿足不同產業、不同場域或主題的物聯網應用方案，還需要因應不同產業或場域應用提出不同評估驗證方式，以確保或提升各種預測建模方法的預測精確度和適用性。現階段期待一個數據分析與預測系統能夠通用性地解決各行各業、各別廠商數據分析需求。

例如：應用于在線串流數據實時分析、進而預測即將發生的設備異常狀態診斷、或是產能設備參數優化、以及訂制化生產的配方提供，恐怕還需等若干年后數據分析方法有更突破性進展才有可能實現。因為單靠機器學習雖然可達到一定的效果，仍舊有學習成效上限存在，目前業界采用的方法是除了機器學習外，再搭配領域專家根據領域知識來制定相關有效的規則來輔助機器學習，或需數據科學家分析大量的數據后所得出的有用信息回饋給機器學習，以求達到更高效的均衡問題解決方案。

不少有志于物聯網應用方案研發的廠商往往選擇自行開發整體方案，宣稱有能力自行建設數據分析/預測系統，往往做出來的數據分析系統只是最基本的統計分析，缺乏真正使得整個物聯網應用方案“智能”的能力。看了本文的說明后，往后需求方在評估上門推銷的智慧物聯網方案時，應該要詢問方案提供廠商這些基本問題，才不致花錢買到不智能的物聯網應用方案。至于有意進入開發物聯網應用方案的廠商，最好在規劃研發之初審慎思考是否有能力開發這個核心系統，否則就應該覓妥優秀的數據分析/預測團隊合作。

責任編輯：ct