Графические данные в реальном времени

PubNub EON

PubNub - это глобально распределенная сеть потоков данных (DNS) в реальном времени, которая управляет потоками данных между приложениями по всему миру. Как глобальная облачная инфраструктура, она проста в использовании, более надежна и менее затратна во всех аспектах по сравнению с построением инфраструктуры с нуля.

Визуализировать данные в реальном времени теперь легко с помощью проекта EON с открытым исходным кодом PubNub. EON - это фреймворк для создания информационных панелей. С помощью EON можно построить график данных с устройства IoT.

Интернет вещей

Интернет вещей (IoT) - это самонастраивающаяся и адаптируемая сеть, которая соединяет реальные «вещи» с Интернетом, позволяя им общаться с другими «вещами», которые также могут быть подключены к Интернету, что приводит к реализации новый набор повсеместных услуг. Термин IoT происходит от центра автоматической идентификации Массачусетского технологического института, когда Кевин Эштон выбрал его в 1999 году. Однако концепция подключения устройства к Интернету уже была представлена ​​в 1982 году студентами Университета Карнеги-Меллона. Система IoT состоит из двух групп: идентификация, зондирование и вычисление, услуги, семантика. Один из способов сделать устройство IoT видимым через Интернет - предоставить ему доступ к облачному серверу, чтобы оно могло взаимодействовать с облаком, обмениваясь данными, получая команды и уведомления. PubNub позаботится обо всем сам, позволяя разработчикам писать решения в реальном времени, не беспокоясь об облачных вычислениях. Облачные вычисления - это модель, позволяющая повсеместно, удобно и оперативно требовать сетевой доступ к общему пулу ресурсов. PubNub обрабатывает дополнительные параметры устройств IoT, которые увеличивают их сложность, такие как различное оборудование, различные операционные системы и программное обеспечение на устройствах, а также различные требования к сетевому шлюзу.

Демо-версия PubNub EON

В следующей демонстрации используется проект EON с открытым исходным кодом PubNub для создания двух графиков в реальном времени. Хотя часы работы можно увидеть на их веб-сайте (http://www.denisonbigred.com/facilities/trumbull_aquatics_center), Trumbull Acquatics Center в Гранвилле, штат Огайо, в настоящее время не отслеживает в реальном времени, насколько загружен бассейн. . Было бы удобно видеть количество людей в той или иной части бассейна в режиме реального времени.

Платформа PubNub EON может помочь в сборе данных, которые будут поступать с устройств Интернета вещей, будь то планшет с электронными таблицами Google или respberry Pi с клавиатурой, расположенный на стульях спасателей. Каждое устройство IoT будет служить датчиком или исполнительным механизмом, который будет передавать данные в приложение. Используя структуру EON, мы можем получать данные с нескольких устройств IoT в режиме реального времени, в нашем случае на двух графиках, один показывает количество людей в пуле, а другой показывает пропорцию.

Искусственный интеллект

Включение машинного обучения в качестве текущего приложения искусственного интеллекта в окончательную модель позволит прогнозировать количество людей в пуле в конкретное время в будущем. Существует три типа машинного обучения: обучение с учителем, обучение без учителя и обучение с подкреплением.

Контролируемое обучение - это обучающий набор примеров с правильными ответами (целями), и на основе этого обучающего набора алгоритм обобщается, чтобы правильно реагировать на все возможные входные данные. Это также называется обучением на примерах.

С другой стороны, неконтролируемое обучение - это когда правильные ответы не предоставляются, а вместо этого алгоритм пытается идентифицировать сходство между входными данными, чтобы входные данные, которые имеют что-то общее, классифицировались вместе.

Обучение с подкреплением - это что-то среднее между обучением с учителем и обучением без учителя. Алгоритму сообщают, когда ответ неправильный, но не говорят, как его исправить.

Использование наивного байесовского классификатора для прогнозирования количества людей, подпадающих под контролируемое обучение. Мы можем оценить априорные вероятности, посмотрев, как часто появлялась каждая фигура, и использовать ее в качестве обучающей выборки. Тогда можно получить условные вероятности из значений для обучающей выборки.

Ссылки:
[1] Стивен Марсленд. Машинное обучение: алгоритмическая перспектива. Второе издание, CRC Press, 2015.
[2] Амир М. Рахмани, Паси Лильеберг, Юрго-Сорен Преден и Аксель Янч. Туманные вычисления в Интернете вещей: интеллект на грани.