压在透明的玻璃上c-国产精品国产一级A片精品免费-国产精品视频网-成人黄网站18秘 免费看|www.tcsft.com

這幾年來，數(shù)據(jù)科學(xué)與人工智能(AI)技術(shù)已成功應(yīng)用于各個(gè)領(lǐng)域各類事件的預(yù)測和檢測。比如：

• 生物DNA片段
• 客戶行為
• IoT機(jī)械部分的生命周期控制
• 制藥業(yè)新分子的生成
• 社交媒體情緒分析
• 信用卡交易欺詐檢測
• 流行病學(xué)疾病爆發(fā)預(yù)測
• 心電圖信號心跳分類
• 人臉識別
• 語音識別

網(wǎng)上搜索“機(jī)器學(xué)習(xí)用例”，會搜出連篇累牘的文檔鏈接，都是描述機(jī)器學(xué)習(xí)(ML)算法是怎么檢測或預(yù)測某些數(shù)據(jù)領(lǐng)域中的某類事件。

總的說來，成功的機(jī)器學(xué)習(xí)應(yīng)用肯定是用充足的通用訓(xùn)練集訓(xùn)練出來的。機(jī)器學(xué)習(xí)模型在訓(xùn)練期間應(yīng)攝入足夠的可用樣例以學(xué)習(xí)每一類事件。任何數(shù)據(jù)科學(xué)項(xiàng)目的關(guān)鍵，都是有足夠大的事件樣例集可供算法訓(xùn)練。

應(yīng)用機(jī)器學(xué)習(xí)進(jìn)行IoT事件預(yù)測

安全團(tuán)隊(duì)能夠應(yīng)用機(jī)器學(xué)習(xí)算法預(yù)測和識別機(jī)械部件損壞，或者以之檢測網(wǎng)絡(luò)安全事件嗎？答案顯然是肯定的。數(shù)據(jù)科學(xué)技術(shù)在IoT和網(wǎng)絡(luò)安全領(lǐng)域已經(jīng)得到了成功的應(yīng)用。比如說，機(jī)器學(xué)習(xí)在IoT領(lǐng)域的一個(gè)經(jīng)典用例就是需求預(yù)測。今晚有多少顧客會光臨餐廳？能賣出多少箱奶？明天的用電量是多少？提前知道這些數(shù)據(jù)可以進(jìn)行更好的規(guī)劃。

醫(yī)療健康也是IoT數(shù)據(jù)科學(xué)非常常見的一個(gè)用例。有很多運(yùn)動健身應(yīng)用和設(shè)備可以監(jiān)測我們的關(guān)鍵指標(biāo)，近實(shí)時(shí)地提供大量數(shù)據(jù)供人分析和評估健康狀況。

IoT領(lǐng)域另一個(gè)常見案例研究是預(yù)測性維護(hù)。預(yù)測機(jī)械部件是否需要維護(hù)以及何時(shí)需要維護(hù)，可以優(yōu)化維護(hù)安排，延長機(jī)械部件的壽命。鑒于很多機(jī)械部件都相當(dāng)復(fù)雜且昂貴，能夠做到這一點(diǎn)可是不小的優(yōu)勢。只要數(shù)據(jù)集可用，這種方法就相當(dāng)奏效。如果數(shù)據(jù)集還經(jīng)過了合理標(biāo)記，這種方法就更有效了。經(jīng)過標(biāo)記的數(shù)據(jù)意味著描述事件的每個(gè)數(shù)字向量都被預(yù)分配給了某一類事件。

異常發(fā)現(xiàn)：尋找非預(yù)期事件

數(shù)據(jù)科學(xué)有個(gè)特別的分支：異常發(fā)現(xiàn)。異常是什么？異常就是相當(dāng)罕見，難以歸入某一特定類型，難以預(yù)測。異常事件就是非預(yù)期事件，不能以當(dāng)前所知加以分類。異常是數(shù)據(jù)科學(xué)最難攻破的用例之一：

• 當(dāng)前所知不足以定義其類型。
• 數(shù)據(jù)中通常沒有可用樣例來描述該異常。

因此，異常檢測的問題可以簡單地歸結(jié)為尋找我們毫無所知的非預(yù)期、無樣例事件。雖然看起來難以解決，異常檢測卻還真不是什么罕見用例。比如說：

• 欺詐交易很少發(fā)生，但往往以一種意想不到的方式發(fā)生。
• IoT中昂貴的機(jī)械部件會毫無預(yù)兆地?fù)p壞。
• 心電圖中有時(shí)會出現(xiàn)無法識別的新心律失常波形。
• 網(wǎng)絡(luò)安全威脅出現(xiàn)的時(shí)候，可能會因?yàn)橹皬奈匆娺^而難以識別。

以上案例，基于已標(biāo)記數(shù)據(jù)樣例集的傳統(tǒng)數(shù)據(jù)科學(xué)方法，是無法應(yīng)用的。這一問題的解決方案就是對常規(guī)算法學(xué)習(xí)做一些調(diào)整。

IoT異常檢測

異常檢測問題不會提供帶已標(biāo)記樣例的經(jīng)典訓(xùn)練集（出自正常系統(tǒng)的信號和出自類比系統(tǒng)的信號）。這種情況下，我們只能在僅有“正常”樣例的訓(xùn)練集上訓(xùn)練機(jī)器學(xué)習(xí)模型，以原始信號和預(yù)測信號之間的偏差值來觸發(fā)異常警報(bào)。

IoT數(shù)據(jù)中，信號時(shí)序由特意部署在機(jī)械部件上或其周邊的傳感器產(chǎn)生。時(shí)序就是時(shí)間變量值序列。IoT環(huán)境中，這些變量描述物體的機(jī)械屬性，由一個(gè)或多個(gè)傳感器測量而得。

這些機(jī)械部件通常運(yùn)轉(zhuǎn)良好。因此，正常狀態(tài)下的樣例很多，而故障情況下的樣例卻幾近于零。關(guān)鍵部件上更是如此，因?yàn)槲恢锰^重要，通常在出現(xiàn)故障時(shí)導(dǎo)致整個(gè)機(jī)器報(bào)廢前就會被換掉。

IoT世界中，一個(gè)重要課題就是在事發(fā)前預(yù)測機(jī)械故障發(fā)生的概率。如果能預(yù)測，我們就可以用足其整個(gè)生命周期而又不危及機(jī)械鏈的其他部分。預(yù)測機(jī)械故障可能跡象的工作，便被稱為預(yù)測性維護(hù)異常檢測。