Combinar IoT y Machine Learning hace que nuestro futuro sea más inteligente

Internet de las cosas (IoT) ha sido un tema candente entre las personas durante bastante tiempo. Aunque todavía no ha implosionado, seguramente se está moviendo hacia esa dirección. Le ha dado a nuestro mundo físico inanimado como dice la Dra. Judith Dayhoff “ un sistema nervioso digital ”. Pero esta tecnología en su estado actual está lejos de ser perfecta. Todas sus aplicaciones actuales, desde la cafetera inteligente hasta los dispositivos portátiles inteligentes, tienen al menos una deficiencia común. Todos estos equipos requieren una entrada manual para obtener un funcionamiento óptimo. Esto puede no parecer una desventaja a primera vista, pero si lo reflexionamos, parece más claro.
Estos dispositivos actúan casi como una extensión del cuerpo humano. Dado que los humanos seguimos un estilo de vida muy «aleatorio», la codificación de dispositivos inteligentes no parece la forma lógica. Por ejemplo, supongamos que en un día típico, me despierto a las 8:00 am y quiero mi café exactamente 15 minutos después de despertarme. Naturalmente, codifico mi cafetera inteligente para que empiece a preparar café a las 8:15 a. m. Pero este será un escenario óptimo solo si soy una persona disciplinada y sigo mi horario matutino al más alto nivel de rigor. Pero tal disciplina no puede ser exhibida por todos. Por lo tanto, en conjunto, esta codificación rígida no exhibirá una funcionalidad óptima.

La solución a los problemas anteriores y muchos similares es incorporar el aprendizaje automático en el proceso.

El aprendizaje automático permitirá que estos dispositivos inteligentes sean más inteligentes en un sentido literal. Puede analizar los datos generados por los dispositivos conectados y obtener una idea del patrón de comportamiento humano. Esto hará que los dispositivos se sientan un poco más como un asistente y mucho menos como una responsabilidad que debe codificarse.

Incorporemos Machine Learning en nuestro ejemplo anterior.

En esta situación, mi despertador y mi cafetera estarán conectados en el verdadero sentido. A medida que sigo usando esta configuración de dispositivos, el modelo de aprendizaje automático aprenderá sobre mi comportamiento durante un período de tiempo. Entonces, cada vez que pospongo mi alarma, mi máquina de café lo detectará y, en consecuencia, cambiará el tiempo de preparación.

Continuando con el ejemplo anterior, si conecto mi aplicación de mapas de Google con mi despertador usando hardware IoT, entonces la configuración puede cambiar dinámicamente mi hora de despertar dependiendo de la cantidad de tráfico presente en mi ruta al trabajo.

La incorporación de Machine Learning también se utilizará para la optimización de grupos.
Los automóviles del futuro se pueden instalar con un sistema IoT «inteligente» que, por lo tanto, puede permitir que los automóviles «se comuniquen» y coordinen el tráfico en consecuencia.

Partiendo de algunas situaciones hipotéticas, aquí hay un vistazo a algunas aplicaciones actuales:

• Mantenimiento Predictivo: Siemens, en 2017, lanzó un proyecto de “Internet de Trenes”. En virtud de esto, Siemens ha incorporado sensores en trenes y vías en España, Rusia y Tailandia. Utilizando los datos de los sensores, entrenaron un modelo de aprendizaje automático para identificar señales de cuándo o si el tren o la vía estaban fallando. Luego usan la información obtenida para realizar reparaciones específicas en las áreas que más lo requieren.
• Vigilancia por CCTV: este es probablemente el ejemplo actual de mayor escala de IoT con Machine Learning. Esto ha permitido que el software de reconocimiento facial se utilice junto con el alcance de las cámaras de CCTV. En muchas ciudades y aeropuertos, este tipo de configuración se utiliza para detectar a delincuentes y terroristas buscados. Esta tecnología tiene sus desventajas y su principal problema son las preocupaciones sobre la privacidad de las personas. Por tal motivo, esta tecnología ha sido recientemente prohibida en San Francisco.
• String de suministro predictiva: dado que las organizaciones hoy en día tienen una gran cantidad de datos e información sobre el comportamiento de sus clientes, están utilizando esta información para cambiar su inventario en consecuencia. Los pioneros de esta aplicación hoy en día son Walmart y Uber.