物聯(lián)網(wǎng)（IoT）能夠通過分散的智能傳感器搜集海量數(shù)據(jù)，但這些海量數(shù)據(jù)的組織和分發(fā)對(duì)IoT來說卻是一種不小的挑戰(zhàn)。雖然傳統(tǒng)的數(shù)據(jù)分析方法能夠幫助IoT運(yùn)作，但人工智能（AI）卻能在準(zhǔn)確度和快速響應(yīng)方面更勝一籌。

人工智能在處理結(jié)構(gòu)化數(shù)據(jù)中發(fā)揮的作用是驚人的，它可以實(shí)時(shí)識(shí)別數(shù)據(jù)模式并發(fā)現(xiàn)不一致性。人工智能算法可以通過搜集不同來源的非結(jié)構(gòu)化數(shù)據(jù)并統(tǒng)一處理來節(jié)省大量時(shí)間，從而減輕人們構(gòu)造結(jié)構(gòu)化數(shù)據(jù)的難度。

機(jī)器學(xué)習(xí)和人工智能是在數(shù)據(jù)中心內(nèi)外提供安全和預(yù)測性分析的重要工具。它們能防微杜漸，改善設(shè)備運(yùn)營，減少因意外事故而中斷生產(chǎn)的可能。人工智能與數(shù)據(jù)科學(xué)相結(jié)合，可以幫助構(gòu)建IoT設(shè)備產(chǎn)生的數(shù)據(jù)集，改善設(shè)備的運(yùn)營，并能根據(jù)運(yùn)行情況實(shí)時(shí)做出判斷和決策。

人工智能與實(shí)時(shí)分析相結(jié)合

從廣義上講，實(shí)時(shí)分析是指數(shù)據(jù)一產(chǎn)生就能被清洗、分析和評(píng)估的過程。人工智能與實(shí)時(shí)分析相結(jié)合，為企業(yè)提供了對(duì)用戶體驗(yàn)更加深刻的洞悉力。IT人員現(xiàn)在傾向于主動(dòng)采取行動(dòng)，在用戶問題暴露之前就能解決問題，這都?xì)w功于兩種技術(shù)的結(jié)合。

根據(jù)IDC的分析，IoT設(shè)備產(chǎn)生的數(shù)據(jù)中45%都需要就近分析，而不是傳輸?shù)皆贫俗龇治?。事?shí)證明，將數(shù)據(jù)傳輸?shù)皆贫说某杀竞芨?，不僅需要帶寬還費(fèi)電，還會(huì)有傳輸延遲，并且需要高性能服務(wù)器來處理接收到的海量數(shù)據(jù)。在某些情況下，端點(diǎn)設(shè)備所處的網(wǎng)絡(luò)環(huán)境不好，需要在端點(diǎn)上做出響應(yīng)決策。這也是為什么需要解決方案能為端點(diǎn)設(shè)備賦能實(shí)時(shí)分析和決策的能力。這些方案將對(duì)物聯(lián)網(wǎng)應(yīng)用產(chǎn)生深遠(yuǎn)影響，因?yàn)樗鼈兏叨纫蕾嚁?shù)據(jù)分析和實(shí)時(shí)決策，并且始終在線。

端點(diǎn)AoT

“物分析”（AoT）是指分析物聯(lián)網(wǎng)設(shè)備生成的數(shù)據(jù)。物聯(lián)網(wǎng)的物分析可以使得商業(yè)洞察也能發(fā)生在終端設(shè)備，而不是數(shù)據(jù)中心。它有助于人們理解數(shù)據(jù)模式、分析變化、檢測異常、預(yù)測問題，設(shè)置維保時(shí)間間隔并優(yōu)化運(yùn)行流程。

多年來，企業(yè)一直依賴集中式的數(shù)據(jù)分析來做未來規(guī)劃。數(shù)據(jù)每秒都在不斷的增加，因此需要一種革新的方法來減小數(shù)據(jù)傳輸延遲、提高隱私性并滿足客戶的期望。在人工智能、5G、物聯(lián)網(wǎng)融合之后，實(shí)時(shí)響應(yīng)變得尤為重要。所有這些都促使我們開發(fā)端點(diǎn)智能。

遍及網(wǎng)絡(luò)的分布式端點(diǎn)智能，可以提供更高效的數(shù)據(jù)分析和幾乎無延遲的實(shí)時(shí)決策。能夠直接在只有較低算力的終端設(shè)備上做到這一點(diǎn)的解決方案被稱為“端點(diǎn)數(shù)據(jù)分析”。

什么是“數(shù)據(jù)分析”？

“數(shù)據(jù)分析”是一門科學(xué)，它通過仔細(xì)檢查原始數(shù)據(jù)以獲取數(shù)據(jù)背后的意義，并將其應(yīng)用于決策。數(shù)據(jù)分析采用幾種現(xiàn)代技術(shù)和工具，幫助其構(gòu)建和理解數(shù)據(jù)。

在進(jìn)行實(shí)際的數(shù)據(jù)分析之前，還需要以下幾個(gè)步驟：

對(duì)數(shù)據(jù)進(jìn)行分組，以便更加準(zhǔn)確地解讀數(shù)據(jù)

從各種來源收集數(shù)據(jù)

仔細(xì)檢查數(shù)據(jù)，去掉重復(fù)或錯(cuò)誤項(xiàng)

可通過表格，圖表和各種統(tǒng)計(jì)方法來組織數(shù)據(jù)

據(jù)Gartner稱，數(shù)據(jù)分析可以分為四種主要類型：

描述性分析

它描述過去一段時(shí)間內(nèi)發(fā)生的事情。側(cè)重于總結(jié)過去的數(shù)據(jù)，以便推論。

診斷性分析

它側(cè)重于理解和解讀為什么會(huì)發(fā)生某些事情。

預(yù)測性分析

它根據(jù)給定的數(shù)據(jù)識(shí)別出未來趨勢(shì)。

規(guī)范性分析

它能提出操作和行動(dòng)建議。

數(shù)據(jù)分析的支持系統(tǒng)

各種技術(shù)和傳感器促進(jìn)了在端點(diǎn)設(shè)備進(jìn)行數(shù)據(jù)分析。傳感器需要收集和積累數(shù)據(jù)來幫助設(shè)備了解環(huán)境。比如用于檢測位置的GPS、相機(jī)、激光器和雷達(dá)等。通信技術(shù)幫助傳輸和獲取數(shù)據(jù)。數(shù)據(jù)科學(xué)算法就是通過這些數(shù)據(jù)來洞察表象后的本質(zhì)，算法的結(jié)果輔助決策的制定。數(shù)據(jù)分析的結(jié)果可以幫助設(shè)備決定下一步的響應(yīng)。例如，自動(dòng)駕駛汽車有幾個(gè)決策選項(xiàng)，如遵循預(yù)先規(guī)劃的路線，根據(jù)道路上其他車輛的行駛情況做出調(diào)整，對(duì)天氣和道路狀況做出調(diào)整，甚至在無法安全急剎時(shí)接受間接命令。

為了改善決策過程，數(shù)據(jù)分析會(huì)將決策和響應(yīng)分類。例如，在汽車自動(dòng)駕駛應(yīng)用中，決策和相關(guān)響應(yīng)可以劃分成操作型、輔助型和指導(dǎo)型。

商業(yè)模式的改造

數(shù)據(jù)分析和人工智能的發(fā)展徹底改變了業(yè)務(wù)的面貌。實(shí)時(shí)分析會(huì)立即響應(yīng)收集到的數(shù)據(jù)，從而獲取更高的價(jià)值。數(shù)據(jù)分析將大型企業(yè)的海量數(shù)據(jù)轉(zhuǎn)化為價(jià)值無限的寶藏，可以幫助加強(qiáng)業(yè)務(wù)價(jià)值，讓企業(yè)在市場中獲得牢固的競爭地位。各行各業(yè)的企業(yè)都有賴機(jī)器學(xué)習(xí)模型幫助其做出更精確的預(yù)測和更有效的決策，以提高生產(chǎn)效率，并克服數(shù)據(jù)傳輸帶來的安全問題。端點(diǎn)智能通過加快工作速度、提供更好的結(jié)果、自動(dòng)化和改進(jìn)的業(yè)務(wù)決策，在多個(gè)層面上增強(qiáng)了整體運(yùn)營能力。人工智能、數(shù)據(jù)分析和物聯(lián)網(wǎng)，這三種技術(shù)各自都有助于加強(qiáng)企業(yè)競爭力，而三者的融合則是公司背后的核心競爭力。

END

審核編輯 ：李倩