在本系列的最后一部分中，我将使用老年护理现场试验的现实例子来解释我们如何使用Waylay平台结合不同的AI技术。该DIoTTO项目是由三个合伙人公司（开发工作室多特，Sensolus和伏击），并通过法兰德斯护理生活实验室资助，并由VOKA卫生社区的支持。Studio Dott对应用程序进行了原型设计，并引领了整体概念; Sensolus为项目提供传感器，Waylay致力于数据挖掘和规则实施。
该项目的核心目标是提供一种解决方案，向护理人员和家人重新确保他们所照顾的人员是正常的。下图解释了概念并介绍了所有相关的参与者。
这个用例遇到困难的挑战有很多原因：
在任何时候，我们都需要很好地了解平台对老年人，看护人和家庭成员的建议。我们不能简单地通过在整个地方添加传感器来训练网络，让人们去死去学习哪些有效，哪些无效。（尽管如此，深度学习研究界今天最着名的人物之一最近一直在争论这正是制药行业正在发生的事情 - 指的是临床试验）我们想要应用的一些规则应该表达而不需要任何“学习”（使用启发式或看护人或老年人的愿望）较少侵入但“足够好”的规则让人们独立生活，同时为他们提供尊严感（例如，我们可以将摄像机放在房子的每个角落，但是谁愿意像那样生活？）我们经常说：数据不言自明，所以让我们首先看看我们在其中一次试验中得到了什么样的数据。我们将传感器放在冰箱，前门，橱柜，窗帘上，甚至在人的轮椅上。除了使用传感器数据之外，使该试验与众不同的是老年人，看护人和家庭成员能够使用该应用程序通过它们共享图片和发送消息。以下是来自不同房屋的几个典型日子的直方图：
我不会在这里详细介绍我们如何处理数据（因为这篇文章的主题更多是关于在自动化规则中结合不同的ML / AI技术），但只是通过查看这些直方图，我们可以看到我们的信息类型可以扣除：
我们可以扣除人们在工作日或周末每天每个时段移动的可能性等。我们可以减去人们使用不同对象的频率使用马尔可夫过程，我们可以估计一个人在不同房间之间移动的可能性我们可以扣除睡眠模式使用无监督聚类，我们可以对具有相似模式的老年人进行分组我们可以定期检查过去几周的移动模式是否与前一个时期相比是不寻常的，这可能是阿尔茨海默病的第一个迹象基于老年人和看护人输入的规则
如前所述，我们想要应用的一些规则应该表达，而不需要任何“学习”。在项目期间，Studio Dott提供了捕获这些规则的好方法：
选择一个对象（冰箱，窗帘，壁橱，门等）选择“何时”状态（早上，晚上等）如果对象在时间窗口中移动或不移动，则在工作日或周末移动超过或少于X次如果条件满足，则向个人发送短信和/或电子邮件找出老年人是否已经开发出新的睡眠障碍
在下面的规则模板中，我们将运动传感器，似然传感器，日/夜传感器和每小时传感器组合在一起，以推断出该人是否有睡眠问题。请注意，我们正在考虑人的运动情况，所以即使他们在夜间醒来，而且他们经常这样做，我们也不会将那个夜晚标记为睡眠问题。这样，我们只关注模式的变化。
一段时间后电器没有关闭
如果此人忘记关闭设备，我们可以在一段时间后发送警报（根据设备类型使用不同的时间段）：
在此示例中，根据传感器输入和对象类型（例如电视），Waylay会在设备开启且未再次关闭的情况下发送警报（确切的窗口可由延迟传感器控制）。如果在同一时间窗口内注册了多个开/关事件，我们也会丢弃（以避免开关类型的情况）。
建模马尔可夫链
马尔可夫链是一个随机过程，经历从一个状态到另一个状态的转换。
我们现在假设我们有一个有四个房间的房子，房间之间的连接如上图所示。每个房间的总移动概率应该等于1（用相同的颜色标记）。这种方式建模的一个问题是转换表可能在一天内发生变化。（请注意，这与马尔可夫链的“无记忆”特征不同，因为整个过程可能不仅取决于先前的状态）。
现在，我经常说工程是应用科学黑客的艺术，所以在我们解决这个问题的瘫痪/分析模式之前，让我们看看我们如何在不丢失任何有价值信息的情况下简化模型。
为此，我们使用简单事件关联（事件彼此接近的频率）和Waylay的驱逐策略功能以及 AND门。
在这个动画中，我们可以看到我们如何捕捉一个人从卧室移动，走楼梯，通过起居室，打开冰箱的模式。在同一规则中，如果冰箱在上午11点之前至少没有打开一次，我们会发送短信。把所有东西放在一起 - 结合人工智能和物联网借助可以无缝混合不同AI和ML技术的平台，您可以使用以下信息：
实时事件在时间序列数据库中捕获的历史数据物体层面上的元模型（是电视机，热水锅炉的对象，或者如果水表在给定的区域/街道中，等等）实时分析模块（与ML的连接用于培训参数，例如主动维护，目标定时时间等）。这些函数可以在运行时通过插件界面进行更新ML模型，如深度学习或类似来自第三方的API调用（用于通知，图像对象识别，NLP等）
