最近，我与微软人工智能研究团队会面，讨论了Resnet 50的原版改编版本。Resnet 50是微软用来赢得2015年Imagenet图像识别比赛的卷积网络的一个版本。关于科学家工作的讨论让我重新思考物联网和机器学习之间密不可分的联系。
控制回路是物联网的基本原理。如果是这样的话，那么ITTT在有条件控制方面有着悠久的历史，可以追溯到19世纪30年代继电器的发明。随着时间的推移，单继电器被组合成状态机，后来，继电器变成了晶体管。在信息技术、消费和移动领域的计算机蓬勃发展的过程中，不那么引人注目的ITTT计算机已经应用于许多用途，例如控制工厂中的机器和执行实验室实验。
创造者，喜欢在业余时间试验和建造东西的人已经购买了超过1250万覆盆子π这样他们就可以知道邮递员是否送信，猫穿过猫门的次数，以及地下室是否漏水。简单地说，物联网是一个无处不在的智能ITTT系统。无处不在就像无限，它被理解为一个数学概念，但不可能经历。在通往数十亿物联网设备的道路上，预计机器学习将在物联网普及之前，填补物联网设备分辨率方面的空白。
一个农民给庄稼浇水的简单例子说明了机器学习的作用。这是一个虚构的例子，基于我与微软科学家的讨论。
水是一种日益昂贵的资源。如果过少或过多，作物产量就会受到影响。一位老农可能凭直觉知道该打开哪个灌溉阀门，以及何时没有电脑，但农场正越来越多地求助于管理作物产量的技术。土壤湿度传感器可以安装在数万亿英亩的美国农田上，以创建ITTT控制回路，但成本和分辨率如何?农民们正求助于无人机，用高分辨率的图像来绘制农田地图，以了解农作物的健康状况。
图像识别是机器学习中最精确的子领域之一。用猫而不是猫的图像来训练一个机器学习模型，一个训练过的模型将会以高达90的准确率识别猫th百分位。训练模型的图像字段使用正确的土壤湿度和字段过多或过少,并将类似的精确地预测领域的哪些部分需要浇水,可能信号打开或关闭的物联网的灌溉系统。安装、维护和无线连接土壤湿度传感器在数万亿英亩不会是必要的。在一些田地里安装一小部分传感器将提供地面真相无人机图像，用于训练模型识别最佳灌溉作物。
无人机是最新的用于检测农作物的机载技术。无人机部署论坛上的一个帖子解释说，大疆的Phantom 3无人机一块电池能成像100英亩的面积吗。早在1972年，就有文献引用归一化植被指数(NDVI)来解释卫星图像。NDVI现在被农民用来解读无人机拍摄的作物图像。但是NDVI需要专家的解释。就像许多医学成像的使用案例，如诊断糖尿病视网膜病变，可以用机器学习模型与眼科医生诊断相同或更好的准确性，NDVI图像可以用一个高度准确的模型进行诊断。
构建这些模型的部分任务已经在开源许可下的Resnet 50中完成。在开放源码许可下，还可以获得对数以百万计的图像进行训练的预训练向量。预先训练的向量提供了对图像的固有理解。在这个用例中，土壤湿度的高预测精度可以通过增加数万幅相关作物图像来实现，而不是通过增加数百万幅相关作物图像来实现，可以通过优化卷积网络的层次来强调或去强调某些特征来提高精度。
优化机器学习模型的计算成本和所有其他用例一样，在准确性和图像分辨率之间存在权衡。分辨率越低，计算成本越低。从卫星图像到无人机图像的分辨率范围是10米到2厘米。此外，优化精度的分辨率越低，无人机在战场上交叉飞行的时间就越短，电池寿命也就越长。
除了节省部署物联网设备和网络进行互连的时间和成本外，机器学习可能是确认物联网系统工作正常的单独途径。关键的物联网设备可能出现故障并报告错误情况。例如，物联网传感器可能无法报告关键情况，如火灾、未经授权的人进入或门开着，但采样视频信号的机器学习模型可以识别关键情况，所有这些都是Resnet 50或另一个卷积网络的适应。
苹果(Apple)和Facebook也推出了增强现实智能手机摄像头，可以感知三维空间。这两家公司没有建立专门的深度传感器，增加了设备的成本，也没有面临消费者购买新手机的三年时间，而是建立并训练了机器学习模型，用普通相机来探测三维空间。成像技术的成本降低了，而分辨率却提高了。机器学习硬件变得更快更便宜了。使用现有的图像源或创建新的图像源将是通常考虑的物联网替代方案。