{"id":355632,"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":"2022-08-25T10:05:44","modified_gmt":"2022-08-25T08:05:44","slug":"what-is-the-role-of-machine-learning-in-iot","status":"publish","type":"post","link":"https:\/\/iotworlds.com\/pt-br\/what-is-the-role-of-machine-learning-in-iot\/","title":{"rendered":"Qual \u00e9 o papel da aprendizagem mec\u00e2nica na IOT?"},"content":{"rendered":"\n

O que \u00e9 IoT? E o seu futuro<\/strong>!<\/h2>\n\n

A “Internet das Coisas” – IoT, tecnicamente descrita como um dispositivo electr\u00f3nico equipado com sensores, que envia dados e recebe instru\u00e7\u00f5es gra\u00e7as \u00e0 liga\u00e7\u00e3o \u00e0 Internet. Para descrever em termos n\u00e3o t\u00e9cnicos, milhares de milh\u00f5es de dispositivos f\u00edsicos (com sensor) ligados \u00e0 Internet em todo o mundo. IoT t\u00eam aplica\u00e7\u00f5es diversas em todos os sectores, para capacitar e enriquecer a vida humana neste planeta.<\/p>\n\n

Por exemplo, tomemos um smartphone, se estiver a ouvir can\u00e7\u00f5es usando auscultadores ligados ao smartphone enquanto est\u00e1 ocupado com outras coisas (condu\u00e7\u00e3o), l\u00e1 vem o IoT alimentado por (Intelig\u00eancia Artificial) IA. Imagine sensores IoT nos auscultadores, que poderiam levar os dados do seu ritmo card\u00edaco e com a ajuda da IA poderia prever a sua emo\u00e7\u00e3o.<\/a> Com base nessa emo\u00e7\u00e3o, o seu smartphone poderia escolher a melhor can\u00e7\u00e3o armazenada algures no mundo. Existem v\u00e1rios milh\u00f5es de can\u00e7\u00f5es em todo o mundo e o seu smartphone n\u00e3o precisa de ter super armazenamento para armazenar todas as can\u00e7\u00f5es ou super poder de computa\u00e7\u00e3o para o modelo de IA aplicado para a detec\u00e7\u00e3o de emo\u00e7\u00f5es. Tudo o que precisa de assegurar \u00e9 que est\u00e1 a ser ligado \u00e0 Internet.<\/p>\n\n

Segundo a Business Insider<\/a>, haver\u00e1 mais de 41 mil milh\u00f5es de dispositivos IoT at\u00e9 2027, contra cerca de 8 mil milh\u00f5es em 2019. Este inqu\u00e9rito foi constru\u00eddo por 400 respostas de executivos de topo de todo o mundo. Essas empresas incluem Alibaba, Alphabet, Amazon, Apple, VMWare, Verizon, etc. Afirma ainda que at\u00e9 2027 todos os dispositivos que ficarem para tr\u00e1s alcan\u00e7ar\u00e3o o acesso \u00e0 Internet, e o mercado da IdC crescer\u00e1 para mais de 2,4 trili\u00f5es de d\u00f3lares anuais.<\/p>\n\n

IoT combinado com a tecnologia mais din\u00e2mica de Intelig\u00eancia Artificial (IA) poderia possivelmente tornar o pr\u00f3prio sistema IoT mais inteligente e pode facilmente imitar a actividade do ser humano.<\/p>\n\n

O papel da Intelig\u00eancia Artificial na IOT<\/strong><\/h2>\n\n

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

A IA \u00e9 definida como o processo de tornar as m\u00e1quinas suficientemente inteligentes para realizar as tarefas sem qualquer interven\u00e7\u00e3o humana. Todos os dispositivos IoT juntos recolhem enormes dados e, por outro lado, para construir um modelo de IA de \u00faltima gera\u00e7\u00e3o, necessita de enormes dados. Assim, a combina\u00e7\u00e3o destas duas t\u00e9cnicas din\u00e2micas transforma a mon\u00f3tona loira numa loira inteligente (tarefas inteligentes sem intrus\u00e3o humana). A poderosa combina\u00e7\u00e3o da IOT com a IA pode ser um enorme avan\u00e7o na vida dos humanos.<\/p>\n\n

Assim, quando falamos de Intelig\u00eancia Artificial (IA), Aprendizagem Mec\u00e2nica (ML) e Aprendizagem Profunda (DL) desempenha o papel mais vital, uma vez que DL e ML s\u00e3o os subconjuntos da IA.<\/p>\n

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

Aprendizagem mec\u00e2nica (ML): <\/strong>A aprendizagem de m\u00e1quinas tem um algoritmo ou t\u00e9cnicas ML sob a forma de programa inform\u00e1tico que aprende conhecimentos a partir de dados iterativamente, por si s\u00f3 ou utilizando o conjunto de regras que mencionamos. H\u00e1 tr\u00eas tipos principais de algoritmos de aprendizagem de m\u00e1quinas que eles s\u00e3o: Aprendizagem supervisionada e aprendizagem n\u00e3o supervisionada. Vejamos alguns dos algoritmos ou modelos de aprendizagem de m\u00e1quinas utilizados na IOT.<\/p>\n\n

Regress\u00e3o: <\/strong>Regress\u00e3o \u00e9 o conceito fundamental na aprendizagem da m\u00e1quina. Insere-se na categoria de aprendizagem supervisionada onde o modelo \u00e9 treinado utilizando os dados de entrada (caracter\u00edstica independente) e as etiquetas de sa\u00edda (caracter\u00edstica dependente). A regress\u00e3o \u00e9 aplicada \u00e0 natureza cont\u00ednua dos dados. H\u00e1 dois tipos de regress\u00e3o que \u00e9 a regress\u00e3o linear e a regress\u00e3o n\u00e3o linear.<\/p>\n\n

A regress\u00e3o linear \u00e9 aplicada quando existe uma linearidade nos dados introduzidos. Por exemplo, quando a entrada x \u00e9 alterada, deve haver uma altera\u00e7\u00e3o possivelmente numa sa\u00edda y. A equa\u00e7\u00e3o que o modelo de regress\u00e3o linear utiliza para treinar \u00e9 dada por Y =\u03b81 + <\/sub>\u03b82 X1 <\/sub>. Por exemplo, tomar as emiss\u00f5es de co2 nos ve\u00edculos com base no tamanho do motor e no n\u00famero de cilindros. A taxa de emiss\u00e3o tem uma rela\u00e7\u00e3o linear com o tamanho do motor e o n\u00famero de cilindros.<\/p>\n

\n
\"TensorFlow
Regress\u00e3o linear<\/strong><\/figcaption><\/figure>\n<\/div>\n

Regress\u00e3o n\u00e3o linear, por exemplo, considerar os dados de um rendimento interno bruto (GDI) da China por ano. Aqui a caracter\u00edstica independente nos dados s\u00e3o os anos e a caracter\u00edstica dependente ou vari\u00e1vel prevista \u00e9 o GDI. A partir destes dados pudemos ver a rela\u00e7\u00e3o n\u00e3o-linear entre as vari\u00e1veis. A equa\u00e7\u00e3o para a regress\u00e3o n\u00e3o linear \u00e9 dada por Y =\u03b81 + <\/sub>\u03b82 <\/sub>(X1)2<\/sup>.<\/p>\n

\n
\"Primeiros
Regress\u00e3o n\u00e3o linear<\/strong><\/figcaption><\/figure>\n<\/div>\n

Classifica\u00e7\u00e3o: <\/strong>A classifica\u00e7\u00e3o \u00e9 uma t\u00e9cnica de aprendizagem supervisionada. \u00c9 utilizado na categoriza\u00e7\u00e3o do conjunto desconhecido de itens em conjuntos discretos de classes. O algoritmo de classifica\u00e7\u00e3o aprende a rela\u00e7\u00e3o entre a vari\u00e1vel de caracter\u00edstica de entrada e a vari\u00e1vel alvo de interesse. A vari\u00e1vel alvo \u00e9 categ\u00f3rica com valores discretos. Os famosos algoritmos de classifica\u00e7\u00e3o amplamente utilizados s\u00e3o K-Nearest Neighbors, \u00c1rvore de Decis\u00e3o, Regress\u00e3o Log\u00edstica e M\u00e1quina Vectorial de Apoio<\/strong>.<\/p>\n\n

Aglomera\u00e7\u00e3o: <\/strong>Clustering significa encontrar os clusters num conjunto de dados, numa t\u00e9cnica n\u00e3o supervisionada. O agrupamento \u00e9 definido como um grupo de pontos de dados ou objectos num conjunto de dados que s\u00e3o semelhantes a outros objectos de um grupo, e diferentes dos pontos de dados de outro agrupamento. Os algoritmos de clustering largamente utilizados s\u00e3o o clustering K, o clustering Hier\u00e1rquico e o clustering baseado na densidade<\/strong>.<\/p>\n\n

Aprendizagem Profunda (DL): <\/strong>Aprendizagem Profunda \u00e9 um subcampo da aprendizagem mec\u00e2nica, que foi concebido com a inspira\u00e7\u00e3o do c\u00e9rebro humano e chamado como uma Rede Neural Artificial (ANN). Assim, o avan\u00e7o nas redes neurais profundas torna mais sofisticada a reac\u00e7\u00e3o em ambiente real-complexo mais rapidamente do que os seres humanos.<\/p>\n

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

Rede Neural Artificial: <\/strong>A Rede Neural Artificial foi constru\u00edda principalmente com tr\u00eas camadas, s\u00e3o camada de entrada, camada oculta, camada de sa\u00edda <\/strong>. As entradas da primeira camada (camada de entrada) s\u00e3o multiplicadas pelo peso e pelo vi\u00e9s de adi\u00e7\u00e3o. O enviesamento e os pesos s\u00e3o, no in\u00edcio, aleat\u00f3rios. Depois estes valores passam por alguma fun\u00e7\u00e3o de activa\u00e7\u00e3o (ReLU, Sigmoid, Tanh, etc.) e depois passam para a camada seguinte at\u00e9 \u00e0 camada de sa\u00edda. Esta itera\u00e7\u00e3o do processo pode ser repetida at\u00e9 obtermos o melhor desempenho\/actualidade.<\/p>\n

\n
\"Aprendizagem
<\/em> Rede neural artificial<\/strong><\/figcaption><\/figure>\n<\/div>\n

Aplica\u00e7\u00f5es da aprendizagem mec\u00e2nica para o IoT<\/strong><\/h2>\n\n

Hoje em dia existem v\u00e1rios algoritmos ML aplicados na Internet sem fios. Estas aplica\u00e7\u00f5es ML dependem muito do campo aplicado. H\u00e1 v\u00e1rias raz\u00f5es pelas quais a aprendizagem mec\u00e2nica influencia a IdC. Mas primeiro o que acontece se a IdC for implementada sem o ML? IoT tem de enfrentar as seguintes consequ\u00eancias quando \u00e9 implementado unicamente sem ML. Isto inclui integra\u00e7\u00e3o de dados de m\u00faltiplas fontes, gest\u00e3o de dispositivos, tratamento de enorme volume de dados e controlo de vers\u00f5es de aplica\u00e7\u00f5es.<\/p>\n\n

IoT trata da interconex\u00e3o de dispositivos com o objectivo principal de partilhar a informa\u00e7\u00e3o (dados). Estes dados foram a raz\u00e3o padr\u00e3o que torna o ML mais poderoso, aumentando a efici\u00eancia da IOT. Os factores-chave que o ML contribui para a IdC s\u00e3o: analisar os dados e prever os eventos futuros, convers\u00e3o de dados brutos em formato compreens\u00edvel para o homem, sistema de recomenda\u00e7\u00e3o em tempo real, manuten\u00e7\u00e3o dos dispositivos (IdC), etc.<\/p>\n\n

O processo de tornar a IdC inteligente e de analisar os grandes dados produzidos por milhares de milh\u00f5es desses dispositivos encontra uma aplica\u00e7\u00e3o em v\u00e1rios campos. Tais campos s\u00e3o ve\u00edculos de auto-condu\u00e7\u00e3o, artigos de desgaste, automa\u00e7\u00e3o industrial, agricultura, cuidados de sa\u00fade e compras a retalho.<\/p>\n\n

Automa\u00e7\u00e3o Industrial: <\/strong>Quando se trata das linhas de produ\u00e7\u00e3o nas ind\u00fastrias, \u00e9 necess\u00e1ria a ajuda dos robots automatizados. Rob\u00f4s que trabalham ao lado dos seres humanos chamados de rob\u00f4s colaborativos ou cobots. A sua principal desvantagem \u00e9 que funcionam sem o conhecimento de quaisquer obst\u00e1culos (humanos) presentes no seu ambiente. Esta situa\u00e7\u00e3o pode potencialmente causar les\u00f5es letais ou morte no caso de A fim de mitigar os danos f\u00edsicos dos seres humanos ou de tornar os rob\u00f4s suficientemente inteligentes para terem consci\u00eancia do seu ambiente de trabalho, certos sistemas de seguran\u00e7a s\u00e3o necess\u00e1rios. Vem a\u00ed a aplica\u00e7\u00e3o de algoritmos ML\/DL com IoT, no desenvolvimento do sistema de seguran\u00e7a inteligente baseado em vis\u00e3o computacional para rob\u00f4s colaborativos.<\/p>\n\n

Agricultura: <\/strong>A popula\u00e7\u00e3o mundial continua a crescer, Nos pr\u00f3ximos 80 anos haver\u00e1 adi\u00e7\u00e3o de 3,6 bilh\u00f5es de pessoas \u00e0 popula\u00e7\u00e3o actual, Portanto, haver\u00e1 um aumento da procura de alimentos. Assim, IoT e AI em conjunto melhoram a produ\u00e7\u00e3o agr\u00edcola com as seguintes tecnologias,<\/p>\n\n