|
在过去的十年里，机器学习确实取得了巨大的突破，计算机视觉与语言处理方面也因此出现了许多改变世界的重要应用。但是，这股“春风”却没有吹到智能机器人领域。
针对机器人学习所面临的瓶颈，麻省理工学院机器人专家Leslie Pack Kaebling在《Science》上发表一篇名为《The foundation of efficient robot learning》的文章。她认为，造成这一现象的一个关键因素在于：机器人学习的数据只能通过在现实世界的操作中获得，成本非常高昂。
为此，Leslie教授提出，实现下一代机器人学习的技术革新，需要应用新的算法、从自然体系中获取灵感，并灵活使用多项机器学习技术。
1. 强化学习是否真的那么灵？
尽管监督学习取得了许多重要的成果，但在机器人学习领域，强化学习（RL）更具有优势，因为机器人要在人类世界中执行一系列不同的任务。
在监督学习中，学习算法被赋予输入与期望输出的配对示例，并学会将输入与期望输出关联起来。而在强化学习中，智能体能够根据事先设置的奖励信号来判断自己的表现是出色的，或是差劲的，进而选择恰当的行动方式，这与机器人所应用的复杂环境有利相关。简而言之，监督学习与强化学习的本质区别在于：在强化学习里，智能体的行为对数据产生重大影响，并能控制自己的学习探索，这对整体成功至关重要。
在一开始，RL是通过奖励和惩罚机制来学习动物行为的模型。之后，如果应用RL处理现实世界里的问题，那么RL必须拓展，以处理巨大空间的输入和动作，并且，即使成功执行关键动作后奖励“姗姗来迟”，RL也能维持正常运行状态。这时候，便出现了深度强化学习（DRL）方法。
DRL使用了神经网络来解决上述的现实问题，并展现了惊人的性能，比如机器人下国际象棋和围棋游戏，以及用机器手臂3秒钟解出魔方。此外，RL也带来了许多实用性强的应用，比如提高安装计算机的能效。
对于一些组织来说，这种边缘或中心模型不够灵活。需要一种一致的方法来跨边缘、中心和中间存储和管理数据。
如果组织很难使用其数据，那么开发人员将很难构建依赖于这些数据的应用程序。而创建使用物联网数据的创新项目会变得更加困难，这可能会影响组织物联网计划的成功。”
远程管理
在网络监控方面，物联网设备大量增加可能意味着该技术已部署在难以到达的区域，这意味着从中断中恢复可能会更加困难。
Opengear公司欧洲、中东和非洲地区副总裁Alan Stewart-Brown建议组织可以实施远程管理计划，以克服这一障碍。
他说，“物联网扩展中经常被忽视或预算不足的一个问题，不是计划周详的构建初始系统，而是长期维护和支持可能迅速成为庞大网络的那些设备，这些设备通常部署在难以到达的位置。
这种复杂性要求物联网具有弹性，以确保可以安全地管理和更新所有通过聚合点连接的物联网设备，以延长其使用寿命。由于物联网设备大量增加而需要采用边缘计算技术时，建议为所有物联网网络基础设施提供可扩展、安全和高度可靠的远程管理方法，以提供快速而可预测的方式来从故障中恢复。
独立的管理网络应该提供安全的备用访问路径，其中包括能够在需要重建的情况下快速将任何软件或配置自动重新部署到物联网设备上的能力。在理想情况下，组织无需派遣工程师到现场进行处理。用一般的网络术语来说，确保对物联网网关和边缘计算设备堆栈进行主动监控并在设计时考虑到灵活性非常重要。”
利用人工智能
最后，BMC公司创新部门副总裁Sam Lakkundi认为，人工智能可能是帮助管理数据以及扩展物联网的关键技术。
Lakkundi说：“组织应该考虑边缘计算在支持物联网部署中的作用。通过将某些工作负载转移到网络边缘，可以在云平台上花费更少的时间，对于内部部署变化做出更快的反应，并且即使在更长的离线时间内也能够可靠地运行。
值得注意的是，它使组织能够利用物联网设备生成的数据来提高运营效率，改善客户体验，产生新的收入流，并成为自主的数字企业。
所有这些在于对这些数据的处理、理解和反应。当考虑扩展规模时，必须通过机器学习或人工智能系统提供这些数据。它们可能位于单独的数据中心或云计算提供商中，也可能位于核心的大型主机中。
此外，组织还必须提出一些功能性问题，例如，‘是否只使用物联网进行监控?’，‘是否希望让运营部门自主地使用物联网传感器数据以作出反应和补救’，或‘这是为了主动的预测性维护吗?’。最后将进入AIOps领域，这是任何可扩展物联网数据策略的核心测试租户。
（编辑：长春站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
