機器學習助推智慧家庭情境模式：智慧家庭自動化的藍圖

本文是物聯網支援技術系列文章其中一篇的摘要，該系列文章共有五篇。全文可在 wevolver.com 檢視。

二十多年來，智慧家庭和家庭自動化應用快速發展。早期的智慧家庭由有限數量的連線裝置組成，提供非常基礎的自動化功能，通常僅限於控制智慧型裝置的狀態。在過去的十年間，家庭自動化功能激增，智慧與精密性也有所進化。尤其是，Amazon Echo、Google Home 和 Apple Home Pod 等智慧家庭平台能實現整合式控制，智慧地控制更多的裝置。這些裝置能透過許多方式配置，滿足最終使用者的偏好和需求。

智慧家庭情境模式簡介

現代智慧家庭中有許許多多家庭自動化裝置及功能，這便產生了「情境模式」的概念。情境模式可讓智慧家庭使用者依照一個或多個腳本執行明確定義的動作，控制多部裝置。這些動作按照最終使用者的偏好來安排與執行。在實踐中，情境模式將由觸發事件和動作構成。觸發事件是指一系列啟動配置和控制動作的事件。例如，當感測器值超過閾值或手動按下按鈕時，將可觸發配置動作。這些動作會改變一個或多個裝置的狀態，進而改變智慧家庭的狀態。 構成情境模式的觸發事件和動作，會以配置選項的形式儲存於智慧家庭平台。最終使用者可根據意願方便地啟用或停用此選項。因此，智慧家庭的使用者可配置多個情境模式並在不同的時間使用它們。

整體來說，情境模式有助於屋主自動靈活地控制其智慧型裝置。使用情境模式，屋主可以節省寶貴的時間。具體來說，屋主不再需要記住裝置的各種配置選項，這可縮短或完全省下執行一系列配置和控制動作的時間，確保家庭環境符合他們的偏好。此外，情境模式可讓屋主使用最偏好的方法來控制自己的家，包括遙控器、觸控面板和智慧型手機應用程式。

智慧家庭情境模式：技術推手與趨勢

智慧型感測器、雲端運算及物聯網 (IoT) 等尖端智慧家庭技術，讓實作與部署情境模式成為可能。特別是：

• 智慧型感測器與致動器：情境模式充分利用了智慧型半導體及微系統，這些元件可依據藍牙、WiFi、ZigBee 和 KNX 等熱門的協定從遠端進行配置。智慧型半導體主要有兩種：用於感知智慧家庭環境的感測器 (例如房間的居住型態)，以及用於執行自動控制功能的致動器 (例如控制燈光)。

• IoT 控制器：大部分的情境模式都是由 IoT 控制器配置、儲存、部署和執行，IoT 控制器是那些從單一入口點來控制感測器和致動器的閘道裝置。IoT 控制器支援一或多個網路協定，能夠協助控制器與感測器及致動器順暢地通訊。

• 雲端運算：現代的智慧家庭平台及其 IoT 控制器可與雲端運算基礎設施整合。與雲端整合後，智慧家庭應用將會受益於雲端運算的擴充能力、容量、彈性和服務品質。例如，雲端有助於收集、管理和分析大量的居住者活動資料。同樣，雲端運算還可讓智慧家庭應用以靈活、可擴充且符合成本效益的方式取得儲存及運算資源。

• 邊緣運算：近年來，智慧家庭資料從雲端轉移到網路邊緣，也就是靠近最終使用者的位置。許多資料處理與資料分析應用，都部署在最終使用者附近。這可讓處理作業在本地網路進行，減少應用延遲。 此外，它還可極大減少傳輸到雲端的資料量，節省網路頻寬並增強資料保護。在大多數情況下，邊緣運算會隨同雲端運算一起部署，也就是在邊緣處部署即時功能，而在雲端中實作需要許多資料點並進行大量處理的功能。

這些技術是智慧家庭應用和情境模式的主要技術推手。它們的進步正在推動智慧家庭應用在自動化、智慧化及永續性發展方面的改進。一些主要趨勢包括：

• 微型感測器

• 能源效率

• 網路實體系統與機器人創新

• 強大的網路安全性與可靠性

• 更多的自動化和即時操作

使用機器學習與人工智慧打造更智慧的情境模式

將機器學習功能融入智慧家庭情境模式，是家庭自動化的下一個發展步驟。目前最先進的情境模式大多都是以簡單的 if-then-else 規則輔以觸發事件和動作為基礎。這種確定性邏輯能夠提高自動化，但它提供的智慧非常有限。 例如，簡單的規則不會考慮使用者習慣和行為的變化。機器學習則可減少這些限制，因為它能讓情境模式學習居住者的行為規律，並利用這些規律最佳化智慧家庭的運作。依此方式，機器學習演算法可以利用使用者在居家環境中的過往活動資料來加以訓練。利用此類演算法，情境模式便可在動態和智慧方面得以增強。具體來說，以機器學習為基礎的情境模式能夠根據居住者行為的變化，動態更改動作，而不是在給定時段內一直使用相同的配置動作。此外，使用機器學習還可突破限制，不再僅是針對不同的時段 (如早午晚)，在幾個預先配置的情境中做出選擇。這是因為以機器學習為基礎的情境模式，能不斷動態地適應使用者的習慣和行為，即使後者在一天中發生多次改變。

以使用者為中心的機器學習型情境模式有一些典型範例，包括：

• 讓自動化家庭氛圍具有個人特色 – 學習使用者的偏好：這種情境模式會自動學習使用者對周邊環境的偏好，即照明系統、冷氣運作、音樂播放器的配置、個人輔助服務、窗簾、門等等。因此，它們會依使用者的偏好，動態地對周邊環境進行個性化設置。

• 監測居住情況以減少成本與碳足跡：這種情境模式會利用機器學習與電腦視覺辨識系統，擷取居住環境不同房間內的居住型態。利用所識別的型態，情境模式會以最小化能源成本以及最佳化二氧化碳排放的方式來配置家庭的運作活動 (例如照明、冷氣等)。

• 智慧化推薦「最佳」情境模式 – 動態學習情境模式：利用過往的使用者居家行為及各種裝置運作資料，可以建構出既能節省成本，亦能最佳化環境效能的情境模式 (即智慧家庭配置)。這些配置可以推薦給最終使用者。在經最終使用者核准後，它們將可儲存並部署到智慧家庭中。在這種情況下，機器學習可動態建構「最佳」情境模式，而不是倚賴事先配置的情境。 

總結

實作以機器學習為基礎的情境模式，需要收集和處理大量有關設備運作、觸發事件和動作的資料，包括使用者在住處內的活動及行為。這些資料可用於訓練各種機器學習演算法，包括傳統的機器學習技術 (例如決策樹、隨機森林和 SVM 支援向量機)，以及深度學習演算法 (例如 ANN 人工神經網路和 RNN 循環神經網路)。如果能取得大量的過往資料，機器學習技術將能在理解行為模式並定制相應的情境配置方面提供更好的效能及準確性。

現今，情境模式已成為智慧家庭智慧化中必不可少的元素。可為最終使用者提供便利，並協助更快採行所需的配置動作，繼而提升家庭自動化程度。然而，目前最先進的情境模式依然非常簡單且靜態。在這種背景下，以機器學習為基礎的情境模式掀起新的浪潮，其透過開發更動態、更智慧的情境模式，逐漸顛覆智慧家庭應用的格局。機器學習是智慧家庭情境模式的下一個發展步驟。它將充當催化劑，實現從現有的規則型情境模式 (Scenes 1.0) 到新一代高度個人化動態情境模式 (Scenes 2.0) 的轉變。因此，智慧家庭部署者必須著手將機器學習功能整合至其解決方案，為消費者提供更高境界的舒適度和個性化。

本文章的完整版本可在 wevolver.com 檢視。