构建闭环全栈认知 IoT 应用程序时吸取的经验教训-2

look_w

认知 IoT                应用程序必须是学习系统
现在，您可能仍在等待那些经验教训，以下就是经验教训 1：认知 IoT 应用程序必须是学习系统。
我所犯的第一个错误就是，认为厨房中是否有人是发送通知时机的可行决定因素。除了检测到人以外，还需要考量其他传感输入方面的因素，例如，开灯和摄像头传感器检测到的信息过多而导致无法处理。虽然人员检测可能是初始假设，但应将其作为假设来处理，应用程序应准备好根据替代信号采取行动。
无线电发展早期就是一个很好的例子，当时，多名工程师被要求调整频率、天线和其他电子组件以获取清晰的无线电信号。工程师也是其中的组成部分，作为将信号解释为数据的接收者和传输者。记录人员或抄录人员则负责将数据作为条理清楚的消息来传达。当然还有为整个流程提供支持的基础架构。只有这样专业化的团队才能充分利用当时才刚出现的无线电技术。但那只是当时的情况。现如今，我们的车载无线电、移动设备和许多其他设备都具有自动调谐功能。我们必须预见到，在我们的学习系统提供的信号处理方面同样也会实现这样的进步。
这种类型的自动信号检测和鉴别在学术论文中被称为“主动学习”。这些流程使用一种“智库”（人类或非人类），就所监督学习算法生成的信号质量给予反馈。例如，在我的                Age-at-Home 环境中，为任何图像预测的分类通常为从最高到最低依次排列的序列。这些预测通常被称为“排名前 n”，例如，排名前                5。等级最高的实体通常被称为排名第                1，它被视为“正确的”分类。而排名前二或前三实体的等级值（或“评分”）可能非常接近，这些图像也可能成为智库的候选审查对象。随后，此智库会提供裁决，并且此示例会成为下一次训练迭代中该类的一部分。
通过使用 resin.io (，我能够将一个 Linux Docker 容器部署到运行开源软件包 () 的                Raspberry Pi 中，用于捕获图像。通过添加简单的 Linux shell 脚本，我可以将图像发送至 Watson Visual                Recognition 服务，并接收分类评分。Watson                返回的图像分类和评分的定义应考量所使用的分类器。默认分类器会指示各种实体和活动，从“火炉”到各种“动静”。我扩展了脚本，以便将来自                Watson Visual Recognition 服务的 JSON 结果存储到非关系型存储库                 中，该存储库可在本机理解 JSON 数据（请参阅图 6）。
图 6. 生成的 JSON 示例的选定详细信息随后，我便可以开始汇总和分析图像识别的结果。在经过一些广泛的 shell 脚本编程后，我为各种分类生成了 CSV（逗号分隔值）和 JSON                    统计信息，例如，按某一天的时间间隔及一周中的某一天划分的火炉图像计数（请参阅图 7）。生成的多维立方体包含了分类器和评分的计数、最大值、平均值和标准差。在这一点上，显然需要更强大的分析工具。
图 7. 第 1 天火炉统计信息的 REST API 查询，时间间隔为 10（周日凌晨                    1:30）利用 Watson Analytics 自动开展学习我下一步就是使用 IBM 分析服务目录，从最新的服务之一 Watson Analytics 着手。                提供了直观且易于使用的数据访问、优化和探索方法。在我了解了将 JSON 扁平化为 SQL 表时所涉及的一些略微复杂的问题，并且花了一点时间来提升我的                SQL 技能之后，我能够以稀疏数据透视表形式提供 Age-at-Home 图像分类结果，该表适合在 Watson Analytics                中使用。
通过使用 Watson                Analytics，实体和活动时间序列快速而简便地直观呈现在我面前，但是要想分享结果或查询却并不容易。无法分享结果也无法实现输入的参数化，导致难以通过任何自动化方式来纳入                Watson Analytics。
Watson Analytics                通过使用预定义的可视模板目录（例如，热图），并使用各种方法来关联自动发现的实际情况、维度和度量，提供了探索和直观显示数据的功能。经过一次极其快速的探索和少量试错操作，我从分析中获得了两个简单明了的洞察要点。
图 8 是 Watson Analytics                从默认识别模型返回的分类器的热图，方框的大小表明识别出某一事物的次数，方框的颜色则表明识别的平均置信度。Watson Analytics                用户体验提供了交互式的方法来排除选定的类，支持识别相关类，例如，我所举例子中的“Adult”类。随后可进一步对其子集（例如，识别出“Adult”的所有事件）进行分析，例如，按一天中的某一时间或一周中的某一天来分析。
图 8. Watson Visual Recognition 结果的 Watson Analytics                    热图
通过检查 Watson Analytics                中的分类结果，我确实发现了一些值得关注的潜在信号，包括识别我厨房里的“动静”。但是，要想在所有噪音中检测到我要搜索的信号，也就是有人出现的信号，实属不易。
使用来自默认分类器的信号频谱子集面临巨大的挑战。结果集中通常并不包含人；也就是说，未检测到人。这种类型的故障称为漏报。漏报的反面是误报，在这种情况下检测到实体，但实际上不存在此实体。这两类故障都会影响用户接收（或拒绝）异常活动相关通知时的体验。同样，这里也需要更高水平的分析能力。最值得注意的是，我需要识别出总体和特定示例中的漏报现象，以便后续检查。
图 9                中第二个直观显示的结果是一个时间序列，其中按评分顺序显示了当天各时间段的总体情况。为直观显示这一结果，必须对数据加以优化，按某个时间间隔、一周中的某一天（周日、......、周六）和一年中的某一周                (1- 53)                对平均分类器评分进行汇总，以便未来进行季节性调整。这些结果表明，通过使用传统方法来清理、汇总和分析数据，极有可能成功推断出规范化行为的模式。通过抛弃明显无关的分类，仅聚焦于表示人的那些分类，我似乎找到了一条捷径。对这组代表性分类器的分布进行快速分析，似乎提供了一个规范化模型。                    图 9 显示“人”是最右侧的五列。
图 9. Watson Analytics 时间序列分析