過去幾年，圍繞物聯(lián)網(wǎng)的大部分討論都集中在連網(wǎng)設備本身——它們是什么、有多少以及如何保護它們。

[[349455]]

雖然所有這些小端點都很重要，但在物聯(lián)網(wǎng)中更重要的是這些設備所生成的大量數(shù)據(jù)，以及通過分析可以從中獲得的業(yè)務見解。當談到為這些關鍵見解制定路線時，人工智能(AI)和機器學習(ML)是照亮道路的技術。

幾十年來，數(shù)據(jù)分析主要涉及計算機編譯和存儲信息，并將其呈現(xiàn)給人類進行分析，這一過程比較緩慢、容易出錯，并且無法解讀隱藏在數(shù)據(jù)深處的趨勢。這些缺點在物聯(lián)網(wǎng)環(huán)境中更加嚴重，在物聯(lián)網(wǎng)環(huán)境中，大量傳感器和移動設備產(chǎn)生的數(shù)據(jù)量呈指數(shù)級增長。

網(wǎng)絡巨頭思科預計，到2022年，連網(wǎng)的物聯(lián)網(wǎng)和移動設備數(shù)量將超過1200萬臺，其中移動網(wǎng)絡流量將達到近1兆字節(jié)。并且當您將高速5G網(wǎng)絡添加到組合中時，挑戰(zhàn)會變得更加艱巨。

隨著所有這些數(shù)據(jù)的堆積，人工智能及其子集，機器學習(ML)和深度學習已成為關鍵工具。

機器學習使用算法對數(shù)據(jù)進行排序，從中學習并找到可用于指導業(yè)務決策、做出預測、提供警報和解決問題的模式和趨勢。通過將經(jīng)過優(yōu)化的算法應用于大量數(shù)據(jù)，可以訓練機器學習系統(tǒng)以了解如何完成工作并適應變化。

深度學習使用神經(jīng)網(wǎng)絡，其功能類似于人腦。神經(jīng)網(wǎng)絡利用了一組算法，而這些算法通過一系列計算層傳遞數(shù)據(jù)。這些層識別并提取圖像、聲音或文本等元素，然后最終得到所需的輸出。

人工智能和相關學科并不新鮮。自1990年代以來，科學家一直在研究人工智能，并一直致力于人工神經(jīng)網(wǎng)絡。但是，近年來發(fā)生的變化是，計算機的功能強大到足以處理大量數(shù)據(jù)，而這主要得益于具有增強并行計算能力的高性能GPU加速器。

與此同時，數(shù)據(jù)存儲容量爆炸式增長，并且可用于訓練機器的數(shù)據(jù)量激增。反饋給算法的數(shù)據(jù)越多，它們學習的速度就越快，性能也就越好。這對物聯(lián)網(wǎng)來說是一個巨大的福音，它越來越依賴于挖掘和掌握數(shù)據(jù)中的模式。

同樣重要的是，云已經(jīng)被證明特別適合于機器學習訓練和推理任務。

所有這些都使得先進的計算和分析能力成為了物聯(lián)網(wǎng)系統(tǒng)的引擎?，F(xiàn)在，各種規(guī)模的組織都可以利用人工智能和機器學習來控制來自物聯(lián)網(wǎng)網(wǎng)絡的數(shù)據(jù)洪流，獲取實時見解，并制定出更好的業(yè)務決策，并享受更高的運營效率和更低的成本。