Slimme domotica is de afgelopen jaren behoorlijk populair geworden, van een luxe voor de rijken naar een nietje in veel huizen. De meest populaire slimme apparaten voor thuisgebruik zijn luidsprekers en thermostaten, maar een groeiend aantal mensen gebruikt andere slimme apparaten zoals deursloten en beveiligingscamera's.
Residentiële slimme domotica is een enorme industrie geworden, en het is niet moeilijk te implementeren. Voor degenen die slechts een paar apparaten willen, is het eenvoudig te installeren zonder een professional.
Wie echter een heel netwerk van aangesloten apparaten wil, kan beter een professional inhuren. Een pro zal alles naadloos op elkaar aansluiten en de beste producten aanbevelen.
Slimme huizen worden slimmer met machine learning
Terwijl slimme huizen steeds vaker voorkomen, wordt de technologie zelf ook 'slimmer'. Dat is omdat slimme apparaten verzamelen en verzenden gegevens terug naar het bedrijf voor analyse om de prestaties te verfijnen.
Niet alle slimme apparaten zijn hulpmiddelen die u eenvoudig met een app op uw telefoon in- en uitschakelt. Sommige slimme apparaten kunnen uw voorkeuren 'leren' en op de automatische piloot werken door uw routines te voorspellen. Dit wordt mogelijk gemaakt door machine learning.
Wat is machine learning?
Als onderdeel van kunstmatige intelligentie (AI) verzamelen en gebruiken algoritmen voor machine learning gegevens om imiteren de manier waarop mensen leren. Hoe meer een programma leert, hoe nauwkeuriger de resultaten.
Een softwareprogramma dat gebruikmaakt van machine learning kan bijvoorbeeld achterhalen wanneer u uw lichten uitdoet om naar bed te gaan en kan worden geprogrammeerd om ze elke dag automatisch op dat tijdstip uit te schakelen. Als uw routine met de dag varieert, kan het programma die variaties ook leren.
Algoritmen voor machine learning zijn de krachtige aanbevelingen voor video's op YouTube en Netflix. Als het gaat om slimme domotica, zijn algoritmen voor machine learning ontworpen om het leven zo gemakkelijk mogelijk te maken door het meeste, zo niet al het werk te doen.
Hoe slimme huizen zijn verbonden
Op een basisniveau zijn slimme huizen verbonden via een controlenetwerk, meestal het bestaande draadloze netwerk van de huiseigenaar. Elk smart-apparaat heeft een soort sensor die gebeurtenissen bewaakt (zoals wanneer het apparaat wordt in- of uitgeschakeld). Andere sensoren kunnen worden gedragen om vitale functies te meten, zoals de hartslag van de drager (denk aan Fitbit). Sommige sensoren kunnen zelfs temperatuur, licht en de aanwezigheid van een persoon detecteren.
Omdat al deze sensoren gegevens verzamelen, worden de gegevens naar een externe server gestuurd, waar ze worden gebruikt om machine learning-algoritmen te trainen om bepaalde invoer te voorspellen en erop te reageren om een gewenst resultaat te produceren. Een eenvoudig voorbeeld hiervan is het hebben van een sensor die piept wanneer de hartslag van de drager een bepaald aantal slagen per minuut bereikt.
Naarmate er meer gegevens worden verzameld en verwerkt, verandert het algoritme om tegemoet te komen aan wat het heeft geleerd over de gewoonten en routines van de gebruiker. Als de gebruiker bijvoorbeeld om 6 uur 's ochtends een pot koffie zet, kan een slimme koffiepot elke ochtend precies om 6 uur met de zetcyclus beginnen, op voorwaarde dat de gebruiker de avond ervoor koffiedik en water zet.
Slimme automatisering maakt het leven gemakkelijker
Iedereen wil zijn leven gemakkelijker maken en daarom is slimme domotica zo populair. Een van de handigste manieren waarop dit werkt, is met verlichting. Een netwerk van slimme lampen kan 'leren' wanneer je de helderheid verandert en automatisch op tijd aanpast.
Stel dat u 's ochtends begint met 100% helderheid en om 7 uur uw lichten uitzet tot ongeveer 70% en vervolgens om 11 uur uitdoet en naar bed gaat. Je hoeft je lampen niet handmatig te dimmen omdat het programma ze automatisch dimt.
Geavanceerde machine learning en voorwaardelijke triggers
Complexer leren kan ook werken in combinatie met voorwaardelijke triggers. Deze triggers en acties worden "slimme thuisscènes. '
Zo kan machine learning software leren om verschillende functies alleen uit te voeren als aan bepaalde voorwaarden (triggers) is voldaan. Als een gebruiker bijvoorbeeld de televisie aanzet nadat hij 's ochtends koffie heeft gezet, kan een smart home-systeem 'leren' de tv automatisch aan te zetten direct nadat de koffie begint te zetten. Met andere woorden, de status van het ene smart device kan bepalen wat een ander smart device doet.
Omdat slimme apparaten programma's kunnen bevatten, zoals de geheugenknoppen op een radio, kunnen gebruikers meerdere scènes maken en deze op verschillende tijdstippen activeren.
Machine learning zal de volgende fase van slimme domotica aansturen
Mensen zijn niet langer tevreden met het simpelweg bedienen van hun thermostaat met een app op hun telefoon. De automatisering van vandaag wordt aangedreven door machine learning, wat een heel andere dimensie geeft aan het gemak van slimme domotica.
De post Hoe machine learning wordt gebruikt in slimme huisautomatisering verscheen eerst op SmartData Collectief.
