Watson APIs for IoTWatson APIs for IoT 帮助加速 IBM IoT Foundation 上的认知 IoT 解决方案和服务的开发。通过使用这些 API，您能够构建具有以下功能的认知应用程序：
- 使用文本和语音自然地与人类交互
- 理解图像和识别场景
- 从传感器输入中学习以找到有意义的模式
- 将数据与外部数据来源相关联，比如天气或 Twitter
这些 API 在以下关键领域带来了认知能力：
- 自然语言处理 (NLP) 使用户能够使用简单的人类语言与系统和设备进行交互。自然语言处理通过将文本与其他数据来源相关联，将文本放在特定情况的上下文中，帮助解决方案理解人类语言的意图。例如，在一台机器上工作的技术人员注意到一次异常震动。他可以询问系统 “是什么导致了震动？” 通过使用 NLP 和其他传感器数据，系统会自动将词汇与含义和意图相联系，确定他所指的机器，并将该信息与最近的维护记录相关联，以识别震动的最可能来源，然后推荐减少震动的操作。
- 机器学习自动化数据处理并持续监视新数据和用户交互，以便根据已知的优先级对数据和结果排序。机器学习可以应用到来自设备和传感器的任何数据，以自动理解当前条件、正常状态、预期趋势、要监视的属性，以及在出现问题时应采取的建议操作。例如，IoT Foundation 平台可以监视从一组设备传入的数据，了解正常和异常的条件。这些条件通常是每个设备和它的使用条件所独有的，包括环境和生产流程。机器学习帮助理解这些区别，配置系统来监视每种资产的独特条件。
- 视频和图像分析使用户能够监视来自视频源和图像快照的非结构化数据，以识别视频数据中的场景和模式。应用程序可以将此数据与机器数据相结合，更深入地理解过去的事件和即将出现的情况。例如，对安全监视摄像头的视频分析可以确定一辆铲车正在侵入某个禁区，然后会在系统中创建一个次要警报。三天后，禁区中的资产开始表现出性能降低。这两个事故现在可以关联起来，识别铲车与资产之间的碰撞，这种关联在视频或来自机器的数据中不太明显。
- 文本分析支持挖掘非结构化的文本数据，包括来自呼叫中心的客户呼叫的文字记录、技术人员维护日志、博客评论和推文，以便找到来自这些来源的海量数据中的关联和模式。例如，通过非结构化渠道报告的 “我的制动器在发出声响”、“我的车辆似乎在慢慢停止” 和 “感觉踏板失灵了” 等短语可能被联系和关联起来，以识别某个特定品牌和型号的汽车中的潜在制动器问题。
一个真实的客户示例一家全球电子 OEM 提供商最近将他们的设备连接到 IoT Foundation。通过使用新的 Watson APIs for IBM IoT Foundation，他们能够轻松地在其产品中内置一个开放语音接口，这个接口可以接受特定领域内容的训练并不断学习。参见图 1。
图 1. 为现有产品构建语音接口的架构图 点击查看大图
在这个例子中，他们的系统能够理解一个口头问题，比如 “暴风是否会在这个周末袭击北卡罗来纳州的海滩？”，然后根据来自 The Weather Company 的数据提供一个回复。如果您口袋中有一部现代智能电话这样一个用户应用程序可能很常见，但不同于如今封闭的商业系统，可以训练这个应用程序来回答特定于领域的问题：“天气导致我们在塔尔萨的航运中心晚点的风险有多大？”；“集装箱船 123 的航线上是否有暴风？”；或者 “油井 42 附近今天的天气如何？”。
以下 6 个步骤将帮助您了解该系统的工作原理：
服务它在解决方案中的使用方式
 第 1 步. 在用户询问问题时，使用 Internet of Things Foundation (IoTF) 服务将问题录音（采集到一个 .wav 文件中）传输到云中的一个 Bluemix 应用程序，供进一步分析。然后，Bluemix 应用程序使用认知 API 分析问题，理解意图，并制定回复。（所有这些 API 都将在接下来的步骤中介绍。）
基于 MOTT 或 HTTP 协议， 使用 REST 或实时 API 安全地将您的设备连接到在云上运行的应用程序。
 第 2 步. 使用 Watson Speech to Text 服务将 .wav 文件中的音频转换为文本。（接下来的步骤会进一步解析和分析结果文本。）
服务使用自学机器智能将有关语法和语言结构的信息与音频信号的构成知识相结合，生成准确的文字记录。该服务支持多种语言。
 第 3 步. 在应用程序收到一个关于天气的问题时，它会调用 Natural Language Classifier 服务来理解该问题是否与天气有关，更确切地讲，该问题是一个与 “下雨预报”、“暴风雪” 有关的问题，还是只是一个简单的 “温度” 请求。所以，如果问题是 “暴风是否会在这个周末袭击北卡罗来纳州的海滩？”，该服务会告诉我们这个问题与 “暴风” 相关。
(NLC) 服务解释文本背后的意图，并返回一个包含关联的置信度级别的相应分类。换句话说，它使应用程序能够理解问题的上下文。
 第 4 步. 该应用程序使用 Relationship Extraction 服务对文本执行进一步分析，以理解问题的构成 - 逻辑实体和它们的关系。所以如果问题是 “暴风是否会在这个周末袭击北卡罗来纳州的海滩？”，Relationship Extraction 服务会告诉我们，这个问题关注的是北卡罗莱拉州的海滩，时间范围是星期六到星期日，离现在还有 3 天（假设这个问题是在星期三询问的）。
(RE) 服务使用机器学习和统计建模对输入文本执行语言分析。然后它会找到一些文本区段，将它们汇集起来形成实体，最后提取它们之间的关系。换句话说，它理解问题的含义。
 第 5 步. 该应用程序现在能轻松地调用正确的 Weather API 来获得预报结果并为问题制定一条回复。
API 使我们能够访问来自 The Weather Company 的历史和实时天气数据，它可以集成到我们的 Bluemix 应用程序中。
 第 6 步. 在我们拥有问题的答案后，应用程序可以将该文本合成到一个音频文件中，这个文件可传回给 IoT 设备上的提问者。
服务提供了一个 REST API，用以合成来自一个明文输入的包含多种语言和声音的语音音频。
您将如何使用这些认知功能？随着 IBM 继续加速强大的认知功能的运用，下一代 IoT 应用程序将能够：
- 与使用自然语言的用户交互来理解意图
- 应用概率和分析来识别原因
- 了解用户与系统的交互和实时条件变化
|
