物聯(lián)網(wǎng)這個詞已成為了科技圈里最流行的詞匯之一，人們對它的討論也從最初的“它是什么”，變成了它如何為我們創(chuàng)造價值，再到策略層面——如何讓它運轉(zhuǎn)。

　　物聯(lián)網(wǎng)將會產(chǎn)生非常有價值的大數(shù)據(jù)。這些數(shù)據(jù)可以幫助城市預測事故與犯罪;讓醫(yī)生實時查看病患的心臟起搏器和生物芯片中的信息;通過預測性維護設備和機械，可以讓工業(yè)產(chǎn)量最佳化;通過與家用電器的連接，向用戶提供與自己的車輛和手持設備的危機通信從而建造真正智能的房屋。這些可能性都是由物聯(lián)網(wǎng)所帶來的，而且它所帶來的便利還會越來越多。

　　由于連接物聯(lián)網(wǎng)的設備與傳感器還會繼續(xù)快速擴張，而由這些設備產(chǎn)生的數(shù)據(jù)總量將會增長到一個難以置信的等級。這些數(shù)據(jù)擁有著極大的價值，可以讓我們洞察出哪些是有用的，哪些是沒用的。

　　最大的問題將是尋找一種方式來分析由這些設備產(chǎn)生的數(shù)量極多的數(shù)據(jù)和信息

　　這聽起來很不錯。然而，。如果你曾經(jīng)嘗試過在幾TB的數(shù)據(jù)中找出你所需要的文件的話，那么你就會知道這一做法是有多困難了。對人類而言，要審查并了解所有這些數(shù)據(jù)根本不可能做到，如果用傳統(tǒng)方法這么做的話，即使減少樣本大小，仍然需要花費很多時間。

　　我們需要提高大數(shù)據(jù)分析的速度和準確度，從而讓物聯(lián)網(wǎng)實現(xiàn)它所承諾事情。如果我們不這樣做，那么后果將會是災難性的，波及范圍將從小到家用電器之間不能互相通信，大到危及生命——心臟起搏器失靈或上百輛車連環(huán)相撞。

　　唯一一種可以跟上物聯(lián)網(wǎng)產(chǎn)生數(shù)據(jù)的速度，并可以挖掘數(shù)據(jù)中擁有的隱藏信息的方法就是利用機器學習能力。

　　機器學習已經(jīng)投入使用

　　維基百科將機器學習定義為“計算機科學(CS)和人工智能(AI)的子域，隨著系統(tǒng)的建設和研究，可以從數(shù)據(jù)中自行學習，而不是只遵循明確的程序指令。”

　　雖然這聽起來有點像科幻小說，但是它已經(jīng)存在于日常生活中。例如，Pandora這個流媒體音樂播放器就在使用這個技術(shù)，以確定用戶還會喜歡哪些其他的歌曲;Amazon.com也會為用戶提供其他書籍和電影的推薦。以上兩者都是通過對用戶行為的監(jiān)測，系統(tǒng)自動學習并作出判斷。

　　在有物聯(lián)網(wǎng)的情況下，機器學習可以幫助企業(yè)將他們擁有的數(shù)十億個數(shù)據(jù)點歸結(jié)為真正有意義的信息。機器學習總的前提是一樣的，審查和分析你所收集的數(shù)據(jù)并從數(shù)據(jù)中學習“信息”，讓我們可以更好的做一些決定。

　　例如，追蹤你健康的穿戴式設備已經(jīng)成為了一個新興的產(chǎn)業(yè)，但很快這些設備將發(fā)展成為既可以相互連接，也可以連接到互聯(lián)網(wǎng)的產(chǎn)品，跟蹤你的健康并提供實時更新的健康服務。

　　物聯(lián)網(wǎng)要做到的是，當你的身體健康出現(xiàn)狀況時，你的醫(yī)生會收到通知，例如你的心率提高到了一個不安全水平，甚至是發(fā)生了停止。為了能夠發(fā)現(xiàn)潛在的問題，數(shù)據(jù)分析就需要知道什么是正常的，什么不是。相似性、相關(guān)性和異常需要基于實時的數(shù)據(jù)流被快速識別出來。

　　為了立即進行數(shù)據(jù)分析，它在收集數(shù)據(jù)時就能準確地識別先前已知的信息和以前從未見過的新信息。機器有產(chǎn)生和聚集這些大數(shù)據(jù)的能力，這些大數(shù)據(jù)也必須被用于學習每個患者正常行為并追蹤、發(fā)現(xiàn)和標記在正常行為以外的所有事情，因為這些可能表明了患者存在嚴重的健康問題。

　　物聯(lián)網(wǎng)的實現(xiàn)依賴于能夠獲得隱藏在現(xiàn)有龐大的數(shù)據(jù)和不斷增長的數(shù)據(jù)中的信息，再對信息作出深度挖掘。未來物聯(lián)網(wǎng)的實現(xiàn)依賴于機器學習，將會改善我們?nèi)粘Ｉ钪械拿恳粋€方面。

　　現(xiàn)在是時候讓機器告訴我們真正的“機會”在哪里了。