[经验]

物联网中机器学习的挑战和机遇

2018-11-27 09:33:39

1518 物联网机器学习

]。

转移学习范例包括在数据集上训练模型（通常是金标准模型）并使用它来对另一个数据集进行推断。或者，可以使用在生成此模型期间计算的参数作为在实际数据集上训练模型的起点，而不是将模型初始化为随机值。在这种情况下，我们将原始模型称为“预训练”模型，我们对特定于应用程序的数据进行微调。这种方法可以将训练阶段加速几个数量级。使用相同的范例，可以使用由最终用户直接生成的数据来训练一般模型，然后根据具体情况对其进行细化和优化。

安全和隐私问题

由于互联网连接设备技术通过提供物理和网络世界之间的连接来扩展当前的互联网，因此它生成的数据非常通用，但也是导致严重隐私问题的原因。事实上，参与物联网的大约50％的组织认为安全是物联网部署的最大障碍。考虑到大约三分之二的物联网设备在消费者领域，以及个人的一些共享数据是如何，很容易理解为什么。这些问题加上与频繁数据传输到云上的预期风险相结合，解释了用户为何要求保护其数据的保证。

然而，当这些物联网应用程序由“联合”数据（即多个用户生成的数据）提供支持时，事情变得更加阴险：用户数据不仅可以直接泄露，还可以通过旁道攻击间接暴露，当恶意代理反向工程机器学习算法的输出以推断私人信息。由于这些原因，数据保护法明显有必要与技术和应用程序本身一起发展。

物联网机器学习是以人为本的机器学习

由于物联网设备使互联网更贴近用户并触及人类生活的各个方面，因此它们通常允许收集高度上下文和个人数据。物联网数据叙述其用户生活的故事，并使其比以往更容易理解用户的需求，愿望，历史和偏好。这使得物联网数据成为构建根据用户个性量身定制的个性化应用程序的完美数据。

而且，由于物联网通过收集高度个性化的数据以及提供高度个性化的应用程序和服务而非常密切地触及我们的生活，因此物联网机器学习可以真正成为以人为本的机器学习。