No hay una respuesta correcta a la pregunta cuál debe aprender primero.
Internet of Things (IoT) es la red de objetos físicos (también denominados “dispositivos conectados” y “dispositivos inteligentes”) que contienen tecnología integrada (electrónica, software, sensores, actuadores y conectividad de red) para comunicarse y recopilar datos o interactuar con sus estados internos o el entorno externo. El IoT permite que los objetos se detecten o controlen de forma remota a través de la infraestructura de red existente, creando oportunidades para una integración más directa del mundo físico en los sistemas basados en computadora. Las puertas de su garaje detectan que está volviendo a casa y se abren cuando ingresa a la entrada, el sensor de humedad del suelo detecta que las plantas deben regarse y enciende las bombas de agua, la máquina industrial de su empresa se descompone y todos los empleados responsables del mantenimiento reciben un notificación push en tiempo real en sus teléfonos, etc.
Bajo la solución IoT no estoy hablando solo de un hardware, o una conexión Wi-Fi / LoRa / ZigBee, o simplemente una plataforma IoT, donde los datos se almacenan y administran, y ni siquiera sobre las aplicaciones del usuario final. Todo tiene que funcionar a la perfección como una entidad completa, y debe ser configurable para satisfacer las necesidades de cualquier negocio en particular.
- ¿Qué lenguaje es mejor para hacer big data y machine learning (en términos de rendimiento) Java o Python?
- ¿Existe algún conjunto de datos disponible públicamente para la clasificación étnica / nacionalidad de los nombres humanos?
- ¿Puede el aprendizaje automático ayudarnos a comprender el cerebro humano?
- ¿Qué técnicas son buenas para suavizar los clics de las consultas de cola larga en los motores de búsqueda?
- ¿Cuáles son algunas optativas de matemáticas avanzadas útiles para un estudiante universitario en CS (junior) que se inclina hacia el aprendizaje automático para la escuela de posgrado?
Por otro lado, las empresas industriales producen una cantidad masiva de datos a diario. Sin embargo, en general, las empresas no logran recopilar, almacenar, analizar y utilizar sistemáticamente dichos datos para mejorar la eficiencia del proceso o cumplir otros objetivos. Aquí viene el aprendizaje automático .
La filosofía detrás del aprendizaje automático es automatizar la creación de modelos analíticos para permitir que los algoritmos aprendan continuamente con la ayuda de los datos disponibles. En otras palabras, el objetivo es diseñar algoritmos de aprendizaje que aprendan automáticamente sin intervención o asistencia humana. El aprendizaje que se realiza siempre se basa en algún tipo de observaciones o datos, como ejemplos, experiencia directa o instrucción. Ejemplos:
- Recomendaciones hechas por los servicios en línea (Amazon, Netflix)
- Detección de caras: encuentre caras en las imágenes (o indique si hay una cara presente)
- Fotos de Google: organización de las fotos en categorías, como selfies, castillos, clubes nocturnos, bardos, gatos, perros, mar, montaña, etc.
- Corrección ortográfica
- Facebook: personas que quizás conozcas, rankings de noticias, rankings de anuncios, etc.
- Filtrado de spam: identifica los mensajes de correo electrónico como spam o no spam
- Detección de temas: clasifique los artículos de noticias sobre si se trata de política, deportes, entretenimiento, etc.
- Los vehículos autónomos de Google
El aprendizaje automático se puede utilizar para lograr niveles de eficiencia aún más altos que IIoT solo. Con los algoritmos correctos, se puede enseñar gradualmente al sistema a reconocer cualquier factor relacionado con la producción interna y externa, optimizar el uso de consumibles y mejorar la eficiencia de todo el proceso de producción.
