我遇到了一个团队微软AI研究人员最近讨论RESNET 50，版本卷积网络使用微软赢得了2015年Imagenet图像识别竞争的原始改编。对科学家工作的讨论使我重新考虑物联网和机器学习之间不可分割的联系。
控制回路的事（物联网）。如果那么互联网的基本原则，那么（ITTT）在有条件控制的事情追溯至19世纪30年代的电中继的发明很长的历史。随着时间的推移，单继电器组合成状态机，后来，继电器成为晶体管。在电脑的IT迷人的增长，消费与移动领域，那么光鲜的ITTT电脑已经被应用到许多用例，如控制工厂的机器和进行实验室实验。
庄家，人们谁喜欢实验和建造的东西在自己的空闲时间都收买12500000树莓派如此的，他们可以知道，如果邮递员送来的邮件，猫通过猫门多少次去了，如果在地下室漏水。物联网简单来说是一种普遍存在的ITTT系统与智能。Ubiquity的是类似于无穷大，它被理解为一个数学概念，但不可能体验。途中到达物联网设备的数十亿美元，预测，达到物联网普及之前，机器学习将填补物联网设备的分辨率的空白。
农民浇灌庄稼的简单情况说明机器学习的作用。这是根据我与微软的科学家们讨论的一个虚构的例子。
水是越来越昂贵的资源。而且，过少或过多，农作物产量受到影响。一个老农民可能直观地知道上，当该走哪灌溉阀没有一台电脑，但养殖场越来越多地转向技术来管理作物产量。土壤湿度传感器可以在万亿亩美国的安装农田创建ITTT控制环路，但代价是什么，什么分辨率？农民正在转向无人驾驶飞机及其与高分辨率图像字段映射了解作物的健康。
图像识别是机器学习最准确的子场之一。火车，且不猫图片猫机器学习模型和训练模型将认识到猫与精度高90日百分。培训与正确的土壤湿度场与场的图像模型，过多或过少，这将有类似的准确性这就需要浇水等领域的零部件和可能预示着一个物联网灌溉系统开启或关闭预测。上万亩万亿安装，维护和无线互连土壤湿度传感器将没有必要。在一些领域的安装传感器的一小部分将用于培训，以识别最佳浇灌作物模型提供地面实况图像无人驾驶飞机。
无人机是用于检查农作物最新的机载技术。在无人机部署论坛线程解释说，道琼斯工业平均指数的幻影3无人机关于一个电池100英亩罐图像。的归一化植被指数（NDVI）的使用来解释卫星图像在文献中引用的早1972 NDVI现在所使用的农民解释与雄蜂采取裁剪图像。但NDVI需要专家解释。像许多医疗成像应用的情况下，如诊断糖尿病性视网膜病变，可诊断为相同或更好的精度比与机器学习模型眼科医生，在NDVI图像可以被诊断为高度精确的模型。
建立这些模型的任务的一部分已经与RESNET 50可在开源许可证进行。预训练的载体，培训了数以千万计的图像也正在开源许可证。所述预训练载体提供的图像的固有理解。在这种使用情况下，土壤湿度高的预测精度将与另外成千上万的相关作物的图像，而不是数以百万计的实现，卷积网络的各层可以进行优化，以强调或去强调某些功能，以提高精确度。
优化机器学习模型像所有其他用途的情况下计算成本有准确度和图像清晰度之间的权衡。分辨率越低，越少的计算成本。从卫星图像分辨率的范围为10m 2厘米的无人机图像。另外，降低该优化精度分辨率，无人驾驶飞机的飞行时间短到纵横交错的字段和较长的电池寿命。
除了节省时间和部署物联网设备和网络互连它们的成本，机器学习可以确认的物联网系统正在开发一种独立的路径。一个关键的物联网设备可能会失败，并报告虚假的条件。举例来说，物联网传感器可能漏报如火灾临界条件，未经授权的人进入或门左开，但机器学习模型采样视频输入可识别的临界条件，全部为RESNET 50或其他卷积改编网络。
苹果和Facebook已与增强现实智能手机摄像头相关的点，可以感知三维空间。而不是创建专业深度感应传感器，增加了设备的成本，并面临三年交货时间为消费者采用新手机，这两家公司建立和训练的机器学习模型，检测与普通摄像机的三维空间。而分辨率也提高成像技术的成本已经下降。机器学习硬件变得更快，更便宜。利用现有的图像源或创建新的将是一个经常被认为是物联网的选择。