数据是新的石油，企业物联网部署是一种从许多不同来源获取大量数据的简单方法。但最终，真正重要的是数据的业务处理。通过将这些数据运用起来，组织可以提高效率，增加盈利，推动创新。
这就是机器学习的问题。它仍然是一个相当新生的技术，但一些公司正在使用机器学习来提升物联网计划的价值。
对于初学者来说，机器学习算法可以使物联网数据更适合处理和分析。企业可以使用经过训练的算法来帮助组织和标记数据。使用机器学习，公司可以确定数据来源和分类，以及它是否符合某些合规要求。这对于在高度监管的医疗和金融服务领域的物联网部署尤其有用。
机器学习也可以用于分析本身。根据IDC认知与人工智能系统研究总监Dave
Schubmehl的说法，该技术可以为企业物联网部署提供“预测，建议或可能的规定性措施” 。
这种算法的核心用例是预测性维护。Schubmehl说，这是在复杂机器上的传感器发回数据时完成的，该数据“用于预测各种子系统何时可能出现故障，并建议何时该机器应该进行预防性维护以防止故障发生”。通过使用数据在发生故障之前解决维护问题，企业可以节省时间和金钱。
根据物联网公司研究总监Christian Renaud的说法，预测性维护用例约占451 Research所认为的物联网部署的三分之二。
Renaud表示，通常发生的情况是“您正在监控的实时数据很多，但直到出现异常情况时才开始捕获和分析。”
其中一个例子就是医院配备高价值冰箱用于需要保持恒定温度的器官移植。没有人真正关心他们在恒定的温度下待到他们不再工作，机器学习可以(希望)阻止他们失败。
资源管理是机器学习可以用于物联网计划的另一种方式。根据Schubmehl的说法，像约翰迪尔这样的公司使用“拖拉机和农场设备上的传感器来监控土壤，植物，昆虫，水分等等的状态，以建立预测模型，以准确计算应施用多少化肥，水和杀虫剂以最大限度地提高作物产量。“
在2017年Gartner报告“边缘人工智能：融合人工智能和物联网将催化新的数字价值创造”一文中，举例说明了Google如何使用物联网和机器学习优化其数据中心的资源。据报道，传感器可监测温度，功率，泵速，设定值等。通过使用这些数据和特定的算法，Google将冷却费用减少了40%，并从相同的能源消耗中获得了3.5倍的计算能力。
从射频识别(RFID)标签收集的数据也可以用于机器学习，以创造商业价值。Schubmehl给出了航运业使用的RFID优化供应链路线和物流的例子。Renaud说这在卡车运输中很常见，机器学习用于确定哪条路线对发动机影响最小，并有助于保持最佳的燃油经济性。
目前，物联网中的机器学习实施在成熟的垂直领域比较普遍，例如制造和运输等已经使用这些技术一段时间，Renaud说。然而，大多数公司“仍处于试验阶段，”他们不知道重要变量是什么，Renaud说。
随着机器学习在企业中进一步发展并与物联网相结合，其他新的使用案例将呈现出来。其中一个用例是机器学习，用于理解上下文相关的客户数据。
“你会从零售渠道获得大量的用户意图 - 能够将你作为消费者和你的在线行为与你在店内做的事情联系起来，”雷诺说。
Gartner报告还提到了零售环境数据，特别是使用店内摄像机和机器学习来创建智能视频分析。
Schubmehl表示，机器学习和物联网的其他整合包括
可吞食自主外科手术机器人，使用制造数据和算法自主触发制造过程中的其他特定行为，并使用连接的车辆数据和机器学习创建定制化保险产品。
国内最大的物联卡交易平台（http://www.1330.cn）表示，虽然无法预测机器学习会影响物联网的所有方式，但机器学习将成为推动物联网实际企业价值的关键，这已经成为一个预见的结论。
延伸阅读
http://www.1330.cn/ask/251.html
http://www.1330.cn/ask/250.html
http://www.1330.cn/ask/249.html
