{"id":376251,"date":"2020-07-01T10:03:08","date_gmt":"2020-07-01T08:03:08","guid":{"rendered":"https:\/\/iotworlds.com\/what-is-the-role-of-machine-learning-in-iot\/"},"modified":"2022-08-25T10:01:41","modified_gmt":"2022-08-25T08:01:41","slug":"what-is-the-role-of-machine-learning-in-iot","status":"publish","type":"post","link":"https:\/\/iotworlds.com\/de\/what-is-the-role-of-machine-learning-in-iot\/","title":{"rendered":"Was ist die Rolle des maschinellen Lernens im IoT?"},"content":{"rendered":"\n

Was ist IoT? Und seine Zukunft<\/strong>!<\/h2>\n\n

Das „Internet der Dinge“ – IoT, technisch beschrieben als ein elektronisches Ger\u00e4t, das mit Sensoren ausgestattet ist, Daten sendet und dank der Internetverbindung Anweisungen empf\u00e4ngt. Um es mit nichttechnischen Begriffen zu beschreiben: Milliarden von physischen Ger\u00e4ten (mit Sensoren), die weltweit mit dem Internet verbunden sind. Das Internet der Dinge (IoT) findet in allen Bereichen Anwendung, um das Leben der Menschen auf diesem Planeten zu erleichtern und zu bereichern.<\/p>\n\n

Nehmen wir zum Beispiel ein Smartphone: Sie h\u00f6ren Lieder \u00fcber Kopfh\u00f6rer, die mit dem Smartphone verbunden sind, w\u00e4hrend Sie mit anderen Dingen besch\u00e4ftigt sind (z. B. mit dem Autofahren), dann kommt das IoT, angetrieben von k\u00fcnstlicher Intelligenz. Stellen Sie sich IoT-Sensoren in den Kopfh\u00f6rern vor, die Ihre Herzfrequenzdaten erfassen und mit Hilfe von KI Ihre Emotionen vorhersagen k\u00f6nnen.<\/a> Auf der Grundlage dieses Gef\u00fchls k\u00f6nnte Ihr Smartphone den besten Song ausw\u00e4hlen, der irgendwo auf der Welt gespeichert ist. Es gibt mehrere Millionen Songs auf der ganzen Welt, und Ihr Smartphone muss weder \u00fcber einen Superspeicher verf\u00fcgen, um alle Songs zu speichern, noch \u00fcber eine Super-Rechenleistung f\u00fcr das angewandte KI-Modell zur Erkennung von Emotionen. Es muss lediglich sichergestellt sein, dass es mit dem Internet verbunden ist.<\/p>\n\n

Laut Business Insider<\/a> wird es bis 2027 mehr als 41 Milliarden IoT-Ger\u00e4te geben, gegen\u00fcber etwa 8 Milliarden im Jahr 2019. Diese Umfrage wurde auf der Grundlage von 400 Antworten von Top-F\u00fchrungskr\u00e4ften aus aller Welt erstellt. Zu diesen Unternehmen geh\u00f6ren Alibaba, Alphabet, Amazon, Apple, VMWare, Verizon, usw. Weiter hei\u00dft es, dass bis zum Jahr 2027 alle Ger\u00e4te, die noch nicht den Internetzugang erreicht haben, und der IoT-Markt auf \u00fcber 2,4 Billionen Dollar j\u00e4hrlich anwachsen werden.<\/p>\n\n

Durch die Kombination des IoT mit der dynamischen Technologie der k\u00fcnstlichen Intelligenz (KI) k\u00f6nnte das IoT-System selbst intelligenter werden und die Aktivit\u00e4ten des Menschen leicht nachahmen.<\/p>\n\n

Die Rolle der k\u00fcnstlichen Intelligenz im IoT<\/strong><\/h2>\n\n

„AI + IoT = AIoT“<\/em><\/p><\/blockquote>\n\n

KI ist definiert als der Prozess, Maschinen so intelligent zu machen, dass sie Aufgaben ohne menschliches Zutun erledigen k\u00f6nnen. Alle IoT-Ger\u00e4te zusammen sammeln riesige Daten, und um ein hochmodernes KI-Modell zu erstellen, sind wiederum riesige Daten erforderlich. Durch die Kombination dieser beiden dynamischen Techniken wird aus dem monotonen IoT ein intelligentes IoT (intelligente Aufgaben ohne menschliches Zutun). Die leistungsstarke Kombination von IoT und KI kann einen gro\u00dfen Durchbruch im Leben der Menschen bedeuten.<\/p>\n\n

Wenn wir also \u00fcber k\u00fcnstliche Intelligenz (KI) sprechen, spielen maschinelles Lernen (ML) und Deep Learning (DL) eine entscheidende Rolle, da DL und ML die Untergruppen der KI sind.<\/p>\n

\n
\"\"<\/figure>\n<\/div>\n

Maschinelles Lernen (ML): <\/strong>Beim maschinellen Lernen handelt es sich um ML-Algorithmen oder -Techniken in Form von Computerprogrammen, die iterativ, eigenst\u00e4ndig oder unter Verwendung der genannten Regeln Erkenntnisse aus Daten gewinnen. Es gibt drei Haupttypen von Algorithmen des maschinellen Lernens, n\u00e4mlich: \u00dcberwachtes Lernen und un\u00fcberwachtes Lernen. Sehen wir uns einige der Algorithmen oder Modelle f\u00fcr maschinelles Lernen an, die im IoT verwendet werden.<\/p>\n\n

Regression: <\/strong>Die Regression ist das grundlegende Konzept des maschinellen Lernens. Es f\u00e4llt unter die Kategorie des \u00fcberwachten Lernens, bei dem das Modell anhand der Eingabedaten (unabh\u00e4ngiges Merkmal) und der Ausgabemarken (abh\u00e4ngiges Merkmal) trainiert wird. Die Regression wird auf kontinuierliche Daten angewandt. Es gibt zwei Arten der Regression: die lineare Regression und die nichtlineare Regression.<\/p>\n\n

Die lineare Regression wird angewandt, wenn die Eingabedaten eine Linearit\u00e4t aufweisen. Wenn beispielsweise der Eingang x ge\u00e4ndert wird, sollte sich m\u00f6glicherweise auch der Ausgang y \u00e4ndern. Die Gleichung, die das lineare Regressionsmodell zum Trainieren verwendet, lautet: Y = \u03b81+ <\/sub> \u03b82X1 <\/sub>. Nehmen wir zum Beispiel die CO2-Emissionen von Fahrzeugen, die von der Motorgr\u00f6\u00dfe und der Anzahl der Zylinder abh\u00e4ngen. Die Emissionsrate steht in einem linearen Zusammenhang mit der Motorgr\u00f6\u00dfe und der Anzahl der Zylinder.<\/p>\n

\n
\"TensorFlow
Lineare Regression<\/strong><\/figcaption><\/figure>\n<\/div>\n

Nichtlineare Regression, z. B. die Daten des Bruttoinlandseinkommens (BDI) eines Landes pro Jahr. Hier ist das unabh\u00e4ngige Merkmal in den Daten die Jahre und das abh\u00e4ngige Merkmal oder die vorhergesagte Variable ist der GDI. Anhand dieser Daten konnten wir die nichtlineare Beziehung zwischen den Variablen erkennen. Die Gleichung f\u00fcr die nichtlineare Regression lautet: Y = \u03b81+ <\/sub> \u03b82 (X1)2<\/sup>.<\/p>\n

\n
\"Erste
Nichtlineare Regression<\/strong><\/figcaption><\/figure>\n<\/div>\n

Klassifizierung: <\/strong>Die Klassifizierung ist eine \u00fcberwachte Lerntechnik. Sie wird verwendet, um die unbekannte Menge von Objekten in diskrete Klassen zu kategorisieren. Der Klassifizierungsalgorithmus lernt die Beziehung zwischen der Eingangsmerkmalvariable und der Zielvariable von Interesse. Die Zielvariable ist kategorisch und hat diskrete Werte. Die bekanntesten Klassifizierungsalgorithmen, die h\u00e4ufig verwendet werden, sind K-N\u00e4chste Nachbarn, Entscheidungsbaum, logistische Regression und Support Vector Machine.<\/strong><\/p>\n\n

Clustering: <\/strong>Clustering bedeutet die Suche nach Clustern in einem Datensatz in einer nicht \u00fcberwachten Technik. Ein Cluster ist definiert als eine Gruppe von Datenpunkten oder Objekten in einem Datensatz, die anderen Objekten in einer Gruppe \u00e4hnlich und Datenpunkten in einem anderen Cluster un\u00e4hnlich sind. Weit verbreitete Clustering-Algorithmen sind K-Mittel-Clustering, hierarchisches Clustering und dichtebasiertes Clustering.<\/strong><\/p>\n\n

Tiefes Lernen (DL): <\/strong>Deep Learning ist ein Teilbereich des maschinellen Lernens, der nach dem Vorbild des menschlichen Gehirns entwickelt wurde und als k\u00fcnstliches neuronales Netzwerk (ANN) bezeichnet wird. Dank der Fortschritte bei den tiefen neuronalen Netzen sind sie in der Lage, in einer komplexen Umgebung schneller zu reagieren als Menschen.<\/p>\n

\n
\"Perceptrons
Perceptron<\/strong><\/figcaption><\/figure>\n<\/div>\n

K\u00fcnstliches neuronales Netz: <\/strong>K\u00fcnstliche neuronale Netze bestehen haupts\u00e4chlich aus drei Schichten: Eingabeschicht, versteckte Schicht und Ausgabeschicht. <\/strong>Die Eingaben aus der ersten Schicht (Eingabeschicht) werden mit dem Gewicht multipliziert und mit einer Vorspannung versehen. Der Bias und die Gewichte sind zun\u00e4chst zuf\u00e4llig. Dann durchlaufen diese Werte eine Aktivierungsfunktion (ReLU, Sigmoid, Tanh usw.) und werden dann an die n\u00e4chste Schicht bis zur Ausgabeschicht weitergegeben. Diese Iteration des Prozesses kann wiederholt werden, bis die optimale Leistung\/Genauigkeit erreicht ist.<\/p>\n

\n
\"Angewandtes
<\/em> K\u00fcnstliches neuronales Netz<\/strong><\/figcaption><\/figure>\n<\/div>\n

Anwendungen des maschinellen Lernens im IoT<\/strong><\/h2>\n\n

Heute gibt es mehrere ML-Algorithmen, die im IoT eingesetzt werden. Diese ML-Anwendungen h\u00e4ngen stark vom Anwendungsbereich ab. Es gibt mehrere Gr\u00fcnde, warum maschinelles Lernen das IoT beeinflusst. Aber was passiert, wenn das IoT ohne ML implementiert wird? Das Internet der Dinge hat folgende Konsequenzen, wenn es ausschlie\u00dflich ohne ML implementiert wird. Dazu geh\u00f6ren die Integration von Daten aus verschiedenen Quellen, die Verwaltung von Ger\u00e4ten, die Handhabung gro\u00dfer Datenmengen und die Versionskontrolle von Anwendungen.<\/p>\n\n

Das Internet der Dinge befasst sich mit der Vernetzung von Ger\u00e4ten mit dem Hauptziel, Informationen (Daten) auszutauschen. Diese Daten waren der Standardgrund, der ML leistungsf\u00e4higer macht und die Effizienz des IoT erh\u00f6ht. Die Schl\u00fcsselfaktoren, die ML zum IoT beitr\u00e4gt, sind: Analyse der Daten und Vorhersage zuk\u00fcnftiger Ereignisse, Umwandlung von Rohdaten in ein f\u00fcr den Menschen verst\u00e4ndliches Format, Echtzeit-Empfehlungssystem, Wartung der Ger\u00e4te (IoT) usw.<\/p>\n\n

Der Prozess, IoT intelligent zu machen und die gro\u00dfen Daten zu analysieren, die von Milliarden solcher Ger\u00e4te produziert werden, findet in verschiedenen Bereichen Anwendung. Solche Bereiche sind selbstfahrende Fahrzeuge, Wearables, industrielle Automatisierung, Landwirtschaft, Gesundheitswesen und Einzelhandel.<\/p>\n\n

Industrielle Automatisierung: <\/strong>Wenn es um die Produktionslinien in der Industrie geht, brauchen Sie die Hilfe von automatisierten Robotern. Roboter, die an der Seite von Menschen arbeiten, werden als kollaborative Roboter oder Cobots bezeichnet. Ihr gr\u00f6\u00dfter Nachteil ist, dass sie ohne Kenntnis der Hindernisse (Menschen) in ihrer Umgebung funktionieren. Diese Situation kann zu t\u00f6dlichen Verletzungen oder zum Tod f\u00fchren. Um den physischen Schaden f\u00fcr den Menschen zu mindern oder die Roboter so intelligent zu machen, dass sie sich ihrer Arbeitsumgebung bewusst sind, sind bestimmte Sicherheitssysteme erforderlich. Hier kommt die Anwendung von ML\/DL-Algorithmen mit dem Internet der Dinge (IoT) ins Spiel, um ein auf Computer Vision basierendes intelligentes Sicherheitssystem f\u00fcr kollaborative Roboter zu entwickeln.<\/p>\n\n

Landwirtschaft: <\/strong>Die Weltbev\u00f6lkerung w\u00e4chst weiter. In den n\u00e4chsten 80 Jahren werden 3,6 Milliarden Menschen zu der jetzigen Bev\u00f6lkerung hinzukommen, so dass die Nachfrage nach Nahrungsmitteln steigen wird. So verbessern IoT und KI zusammen die landwirtschaftliche Produktion mit den folgenden Technologien,<\/p>\n\n