可穿戴设备和赢咖4注册（IoT）可能给人的印象是，它是关于传感器，硬件，通信中间件，网络和数据，但真正的价值（和公司估值）是洞察。在本文中，我们探索赢咖4（赢咖4）和机器学习，它们正成为洞察，赢咖4观点不可或缺的工具，以及如何使赢咖4成为您组织核心，可辩护策略的实用手册。
第一定义
在我们继续之前，让我们先定义术语。否则，我们有可能混淆“大数据”等营销术语，而不能解决实际领域。
赢咖4：赢咖4领域是智能代理的研究和设计，能够执行需要人类智能的任务，如视觉感知，语音识别和决策。为了通过图灵测试，智力必须能够推理，代表知识，计划，学习，以自然语言沟通，并将所有这些技能集成到一个共同的目标。
机器学习：机器学习的子领域是建立赢咖4的努力的结果。在赢咖4的“学习”特征下，机器学习是通过经验自动学习和适应的子领域。它着重于基于从训练数据中学习的已知属性的预测。机器学习的起源可以追溯到神经网络模型的发展和后来的决策树方法。监督和非监督学习算法用于基于数据预测结果。
数据挖掘：数据挖掘领域从数据库中的知识发现（KDD）发展而来，其中数据挖掘代表了KDD过程的分析步骤。数据挖掘的重点是发现数据中以前未知的属性。它源于大型数据库中挖掘关联规则的高效算法的研究，然后促进了其他关于发现模式和更有效的挖掘算法的研究。机器学习和数据挖掘在许多方面重叠。数据挖掘使用许多机器学习方法，但通常有一个略微不同的目标。机器学习和数据挖掘之间的区别在于，在机器学习中，通常针对再现已知知识的能力来评估性能，而在KDD中，关键任务是发现先前未知的知识。与机器学习不同，在KDD中，由于训练数据的不可用性，不能使用监督方法。
害怕赢咖4
虽然也许没有明确说明，你会发现一些在你的工作持有科幻视图的赢咖4，可能妨碍主动探索赢咖4和机器学习在你的组织内。 赢咖4，对于一些，带来HAL 9000的图像从A太空奥德赛或更新的电影，如她和机器。
许多未来学家都猜测赢咖4的未来可能与人类智力相媲美或超过人类智能。这些未来主义者之一是Ray Kurzweil，获得了着名的国家技术和创新奖。
在奇异点附近，Kurzweil阐述了奇点假说。 Kurzweil预测，加速技术进步将导致失控效应，其中赢咖4将超过人类智力能力和控制，从而根本改变，甚至结束文明在一个称为奇点的事件。在此期间，他预测“人类生命将不可逆转地”，人类将超越“我们的生物体和大脑的限制”。
Kurzweil声称，机器将通过2029年的图灵赢咖4测试，而在2045年左右，“变化的速度将惊人地快，我们将无法跟上，除非我们通过与智能的智能合并增强我们自己的智慧机器我们正在创造“。他进一步声称，人类将是一种生物和非生物智能的混合物，它的非生物成分越来越占主导地位。 Kurzweil设想纳米赢咖4在我们的身体内对抗感染和癌症，替换器官，并改善记忆和认知能力。最终，我们的身体将包含如此多的增强，我们将能够改变我们的“随意的物理表现”。
赢咖4（AGI）或强大的赢咖4社区虽然在时间范围上广泛变化以达到奇异性，但是人们一致认为它是合理的，大多数主流赢咖4研究者怀疑进展将是快速的。
关于可行性，微软的联合创始人保罗·艾伦认为，这种智能在本世纪是不太可能的，因为它需要“不可预见的，根本不可预测的突破”和“对认知的科学深刻的理解”。赢咖4学家Alan Winfield声称，现代计算和人类赢咖4之间的差距“与当前太空飞行和实际比光空间飞行更快的海湾一样广泛”。神经科学家David J. Linden写道：“Kurzweil将生物数据收集与生物洞察混为一谈”。他认为数据收集可能呈指数增长，但洞察力只是线性增长。
AGI提出了困难的伦理问题和文明和人类的风险。政治学家查尔斯·鲁宾认为，赢咖4既不能被设计也不能保证是仁慈的。他认为“任何足够先进的仁慈可能与恶意不可区分”。人类不应该假定机器或赢咖4会对待我们，因为没有理由相信他们会同情我们的道德体系，我们的特殊生物学。超智能赢咖4可能不一定决定支持人类的继续存在，并且将非常难以停止。
斯蒂芬·霍金认为，赢咖4有很多有前途的事情为未来提供，但不是没有可能的可怕后果。他说“成功创造赢咖4将是人类历史上最大的事件”，“不幸的是，它也可能是最后一个”。
即使是特斯拉和SpaceX亿万富翁的埃隆·马斯克（Elon Musk）最近也在推特，“我们需要对赢咖4非常小心。可能比nukes更危险。希望我们不只是生物启动加载程序的数字超级智能。不幸的是，这是越来越可能。
什么是现实：强大的赢咖4与弱赢咖4
在跑步山上之前，让我们暂停一个现实检查。重要的是我们不要混淆AGI与子组件赢咖4赢咖4平台。
AGI或强赢咖4被定义为能够成功地执行任何人类可能的智力任务的机器的智能。对于实用的可穿戴设备和赢咖4注册实现，我们正在与弱赢咖4，它研究一个具体的问题解决或推理任务，并不试图模拟全范围的人类认知能力。有一些赢咖4赢咖4平台展示诸如视觉感知，语音识别和决策等功能，但在人类层面没有。缝合子系统，从下到上的全智能机器的鸿沟是星系宽。
赢咖4和机器学习的实际应用
从苹果的Siri，Google语音搜索，Google大脑，Google翻译，Xbox，Netflix，IBM的沃森，自主汽车，电子邮件垃圾邮件过滤到信用卡欺诈检测，赢咖4已经渗透到我们的日常生活的几乎方面...和我们的依赖只是增长。
那么，赢咖4和机器学习如何应用于可穿戴设备和赢咖4注册呢？让我们通过几个例子。
医疗诊断和治疗：Lumiata
Lumiata的机器图基于多维概率分布，其中包含来自教科书，期刊文章和公共数据集的1.6亿个数据点，以复制和扩展医生的知识，供护士诊断和治疗疾病。向Lumiata的海量数据集添加患者特定数据，时间和位置的影响，机器学习系统能够生成患者的临床模型。在未来，临床批准的可穿戴设备可以与Lumiata的API接口，以提供患者的生理数据，时间和地点的持续馈送，用于主动监控和事件触发。
预防性健康：Google X纳米颗粒
Google X最近宣布，他们正在研究纳米颗粒的使用。通过吞咽药丸释放到血液中，纳米颗粒可以在分子和细胞水平上基于对个体生物化学的改变来主动检测和诊断疾病，癌症，即将发生的心脏病发作或中风。然后患者可以使用可佩戴的腕带来观察纳米颗粒的读数。 Google的目标是使用纳米颗粒聚集在癌细胞周围或识别血管内壁中的脂肪斑块即将破裂，可能导致心脏病发作或中风。
机器学习可以应用于通过纳米颗粒的运动来学习诊断疾病和血液中生物化学的变化，因为未附着的纳米颗粒将在磁场中与在例如癌细胞周围聚集的纳米颗粒不同地移动。
预防性健康：Entopsis
另一个早期的分子诊断启动是Entopsis，一个医疗诊断平台，可以使用纳米工程和机器学习筛选医疗条件。 Entopsis能够通过分析生物流体的蛋白质组成来检测指向特定条件的模式和生物标志物。
在使用其纳米级非偏置采样捕获（NUTeC）过程孵育生物流体样品以捕获分子后，Entopsis应用其基于机器学习算法的签名分析来分析NUTeC玻璃上的分子信号。然后将扫描的签名上传到云以对数据库中的其他人执行签名比较以找到类似的简档。
Entopsis希望消费者直接访问NUTeC菜肴以收集生物流体并将其送入分子分析。 NUTeC眼镜能否配备赢咖4注册传感器，以便远程扫描和传输签名数据到云端？
身体运动：Atlas穿戴
Atlas Wearables是一个健身带和智能平台，由运动的运动基因组计划数据库提供支持。除了测量心率和计算燃烧的卡路里，阿特拉斯的名声是他们的机器学习算法，自动分类您的锻炼程序在3D矢量，能够解读俯卧撑和三角形俯卧撑之间的差异。运动检测只是开始。在与联合创始人彼得李说，创业的愿望是把“智力进入身体语言和运动”。机器学习算法和数据集可以扩展，以了解你是如何行走，坐，移动或与他人互动，这可以提供关于你的心情，物理反应，能量水平甚至上下文的线索。
情感测量：BrandEmotions
BrandEmotions解决了量化消费者情绪的问题。情绪分析和调查提供积极/消极或堆积的排名结果，但品牌仍然不能分类或测量消费者的情绪。 BrandEmotions使品牌能够衡量消费者对零售，现场活动，电影，酒店，游轮，游乐园和广告等品牌体验的感受。 BrandyMotions是Amyx + McKinsey的产品，可视化参与者对品牌参与的情感反应，允许品牌优化品牌体验，提高品牌忠诚度，并在正确的时间准确定位产品和服务。 BrandEmotions的情绪感知，机器学习平台测量通过广泛的可穿戴设备和赢咖4注册互联设备捕获的生理数据，使用其专有的EmotionIQ方法将数据转换为情感分类和强度。
药物依从性：活力
活力，被NANTHEALTH收购，解决了十亿美元的药物依从市场与互联网连接的药帽称为GlowCap闪烁和声音，当它的时间服用药物。 Vitality的合规性增强系统试图通过反馈，提醒，教育和激励的组合来改变患者的行为，以改善患者的药物依从性。 GlowCap为护理人员提供实时数据，例如当药物已被移除或剂量被跳过时。患者可以通过简单地按下帽上的按钮重新排序。
在Wearables + Things 2014会议上，K赢咖4ser Permanente的IT创新团队的前医疗总监Yan Chow博士说，药物依从性是一个复杂的多层次问题。 “这不仅仅是患者忘记服药。一些患者由于不合理原因而忽视医生和家庭成员的建议，“Chow博士说。闪烁的药瓶可能不够。赢咖4注册初创企业需要更深入地了解如何克服对药物依从性的顽固抵抗，无论是通过提醒，教育，游戏化或其他方式。
农业：ENORASIS和SCRI-MINDS
加州San Joaquin谷农田的第三年干旱，迫使种植者几乎完全依赖井水，农民担心地下水将耗尽。加利福尼亚州生产超过90％的西兰花在美国和大约其他水果和蔬菜。没有其他州可以匹配加州的每英亩产量。因此，加利福尼亚的干旱状况影响了我们个人对杂货店的国家农业产出和商品价格。那么赢咖4注册和机器学习如何帮助？
ENORASIS项目使用传感器网络来确定通过地下滴灌和微灌系统提供作物的水量。传感器收集环境和土壤条件，例如土壤湿度，温度，日照，风速，降雨量和水阀，以量化已经添加到田地的水。 ENORASIS将天气预报和关于农场作物的传感器数据相结合，创建最适合每种作物需求的详细日常灌溉计划。该模型还包括作物产量数据和能源和水成本，帮助农民决定额外灌溉是否会增加产量或造成损失。
另一个项目是SCRI-MINDS项目，由来自马里兰大学环境科学中心，卡内基梅隆大学赢咖4研究所，科罗拉多州立大学，康奈尔大学和格鲁吉亚大学的学者组成的一个研究小组，应用无线传感器网络和环境模型以保护苗圃和温室的灌溉水。
