یک دستگاه چند میلیاردی هم نمی تواند جای دکتر را بگیرد.اما یک دستگاه 25 دلاری می تواند به شما بگوید که کی به دکتر نیاز دارید.
در سال 1996، نموداری در بیمارستان شهرستان شیکاگو از یک الگوریتم برای تعیین زمانی که یک بیمار مبتلا به درد قفسه سینه در معرض خطر ابتلا به حمله قلبی است، استفاده کرد و به این گونه یک تخت از بیمارستان با ارزش و پر اهمیت شد. با استفاده از یک رویکرد منظم مبتنی بر روند نزدیک به آزمون عمومی، الگوریتم سریع و موثر واقع شد، به طور دقیق: این الگوریتم 70 درصد بیماران بیشتری را به دسته بندی کم خطر وارد کرد،)خطر را کمتر کرد(، اما گرفتار درصد بالاتری از حملات قلبی )95 درصد( از پزشکان انسان )75-89 درصد( شد. و این قبل از این که هر گونه محاسبات دقیق تری انجام شود، اتفاق افتاد.
حالا در نظر بگیرید که نزدیک به 6/4 میلیارد دستگاه اینترنت اشیا امسال در حال استفاده اند – تقریبا به ازای هر انسان زنده یک دستگاه وجود دارد. اگر حتی یک درصد بتواند مردم را برای شرایط پزشکی ، با جمع آوری داده های مربوط به ضربان قلب، رژیم غذایی، یا خواب، تجزیه و تحلیل کند، می تواند به طور سریع دسترسی به جهان پزشکان را گسترش دهد.
اما جادوی واقعی از یادگیری ماشینی می آید .فراتر از استفاده کردن از الگوریتم منحصر به فرد در جا های بیشتر، اطلاعات جمع آوری شده در این مقیاس در حال حاضر درحال یافتن الگوهایی هستند که در حتی پزشکان انسان پس از چند دهه تجربه ندیده اند.
تصور کنید، برای مثال، یک دستبند هوشمند نوساناتی را در نبض شما متوجه می شود که مربوط به بیماری قلبی است، و شما را برای درمان به یک بیمارستان ارسال می کند. یادگیری ماشین به معنی حل مشکلات غیر ممکن با دستگاه های خانگی است.
اما یادگیری ماشینی به عنوان یک موضوع بالقوه متوقف شد.
حال سوال این است: اگر یک دستبند هوشمند بتواند زندگی شما را نجات دهد و یک دستبند نایک نتواند، شما کدام یک را می خرید؟
ارزش واقعی “هوشمند”
در میان دسته های زیادی از ابزارهای “هوشمند” ، تعجبی ندارد آنهایی که راه را هدایت می کنند،با استفاده از ماشین یادگیری هستند. برای مثال، دستگاه های هوشمند اصلی . هیچ کس آن را نمی خرد پس آنها می توانند حرارت را با تلفن خود بالا ببرند. آنها قابلیت صرفه جویی در انرژی آن را میخرند، راه هوشمندانه که آن مشکل را حل می کند نمی تواند از قبل از انجام شود، درجه حرارت اتوماتیک خانه به حضور و نیازهای مردم مرتبط است، نه یک تایمر ساده.
با این حال تولید کنندگان فقط به دنبال راحتی هستند. چراغ های Philips HUE در حالی که بسیار خوب هستند،برچسب “هوشمند بودن” خود را حفظ می کنند چون شما با گوشی هایتان می توانید آن ها را کنترل کنید. این یک مشکلی نیست که نیاز به حل داشته باشد. شما یک انسانی را که چراغ را تعویض میکند هوشمند خطاب نخواهید کرد. پس چرا به یک دستگاه آن برچسب را می دهند؟ (هوشمند خطابش می کنند)
مصرف کنندگان اینترنت اشیاء فقدان هوشمندی واقعی هستند. دسترسی قفل درب از راه دور و یا یک رادیو که در زمانی که شما به خانه می رسید روشن می شود چیزی جز تجملات، و ریخت و پاش بیش از حد نیست.
یادگیری ماشینی خواسته هارا به آنچه باید باشد تبدیل کرده است : دستگاه های تنظیم کننده گرما که باعث صرفه جویی در پول شما می شوند شما را گرم می کنند،ابزار های خواب و یا تناسب اندام پوشیدنی که شما به طور اختصاصی راهنمایی می کنند، و یا مانیتورهای زیست محیطی که منابع آلودگی را قبل از این که به خوانواده تان آسیب برساند تشخیص و بر طرف می کنند.
یادگیری ماشینی برندگان را معرفی خواهد کرد – به طور دائم
محصولات با ویژگی های یادگیری ماشینی نسبت به دیگر محصولاتی که این ویژگی را ندارند جذاب تر به نظر می رسند. اما ماهیت یادگیری ماشینی بدان معنی است که در میان رقبا، آنهایی که به یادگیری ماشینی ادامه می دهند مزیت وشانس خود را برای مدت طولانی حفظ می کنند.
ساختن ماشین یادگیری به عنوان یک دستگاه یک مشکل طراحی نیست )همه چیزی که بر روی دستگاه طول می کشد اتصال است( و همچنین یک مشکل سخت افزاری هم نیست )پردازش سنگین می تواند از راه دور انجام شود (. این مشکل تا حدودی از استعدار است از آنجا که مهندسین توانا کمیاب شده اند، اما این همیشه با کمک های مالی به اندازه، قابل حل است. بیش از هر چیز، این مشکل داده ها است.
برای یک کامپیوتر در مطالعه الگوها، لازم است مجموعه داده ها بسیار زیاد باشد. آن نیاز به در نظر گرفتن بسیاری از عوامل دارد، اعم از درجه یک کاربر برای استفاده از مورد ها، محیط زیست، و چیز های بیشتر. اما بسیاری از این عوامل وابسته به زمان هستند: تکرار مصرف، تکرار رفتارها، تکرار شرایط، تغییرات رفتار کاربر در طول زمان، تغییرات فصلی به محیط زیست، دقت داده ها بر روی طول عمر سنسور، و غیره.
زمان به صورت خودخواهانه از دست می رود؛ یک صد میلیون دستگاه با اتصالات قوی نمی توانند ساعت یک شرکت را سریع تر کنند. شش ماه با یک رقیب وانمود کردن نمی تواند باعث ایجاد کاربران بیشتر و یا بودجه بیشتر شود. اطلاعات شما اساسا بهتر از آنها خواهد شد، دقت و صحت مطالعات شما نشان داده شده اند، و تعدادی از ویژگی های شما قابل اعتماد شده اند. تا زمانی که شما فعال بمانید، شما رهبر خواهید بود و رقابت قادر به بدست آوردن نخواهد بود.
فقط برای بزرگ ها نیست
با این حال، فقط آی بی ام اس و گوگل هستند که محصولات یادگیری ماشینی را با هر فرکانسی تولید می کنند. مثل این است که یادگیری ماشینی برای شروع بیش از حد گران است. اما این کاملا درست نیست.
ترفند این است که کارهای سنگین بر روی کامپیوتر دیگران انجام دهیم. باز هم، این امکان پذیر است. راه هایی وجود دارند که می توانند با صرف وقت به برخی از ماشین آلات پیشرفته دسترسی پیدا کنند. با سرمایه گذاری مناسب و قابل کنترل، که اکثر آن راه ها غیر قابل دسترس اند. با چند خط کد رویه ای، شما حتی می توانید بسیاری از دسته ها را برای موثر نگه داشتن چیز ها در یک ردیف جمع آوری کنید.
از همه مهمتر، همانطور که مقداری سخت افزار برای دستگاه مورد نیاز است تا یادگیری ماشینی را ممکن سازد، شما لازم ندارید هنگامی که دسته اول تان را ایجاد می کنید چیزی به یادگیری ماشینی بسپارید.
حتی آشیانه در ابتدا بسیار هوشمند نبود؛ یک ترموستات کنترل شده با تلفن تقریبا پیش بینی میکند چه مدت طول می کشد تا خانه خود را از طریق الگوریتم های ساده گرم کنید. آن یادگیری خیلی به شما نیاز ندارد. اما برای ارتقاء خانه کاربران با ویژگی های تعریف شده آن، شرکت تنها باید بسته های اطلاعاتی کوچک، نه بسته های بزرگ را برای شما ارسال کند. یادگیری ماشینی می تواند در آسودگی های مالی شما اضافه شود (تا زمانی که شما آن را قبل از رقبای خود انجام دهید).
تخصص خودخواهانه
این ترسناک است که به یادگیری ماشینی به عنوان یک بلوک سفت برای راه اندازی نگاه کنیم. اما برای خوش بین بودن دلایل بیشتری از ترس وجود دارد. یادگیری ماشینی ارزش های بیشتر از تصور دارد. آن یک دکتر را در هر دستبند سلامتی تعبیه می کند، یک گره گشا را در هر قفل هوشمند می گذارد،یک بازرس بهداشت در هر مانیتور محیط زیست، و یک پیشخدمت در هر دستگاه لوکس قرار می دهد.
هر جا که دستگاه های هوشمند راحت بودن را از دست می دهند یادگیری ماشینی وجود دارد وباعث شروع قدرتمند آن دستگاه ها می شود. ما پیشگامانی را مشاهده کرده ایم، آشیانه و پژواک ها، رو به بالا رشد کنیم و ارزش های جدی به زندگی مان بیفزاییم. هنگامی که صدها نفر از دیگر شرکت های فنآوری دنبال چیز های تکراری اند، جهان هرگز یکسان نخواهد شد.
