機器學習將在2017年開始從實驗室研究和概念驗證實施轉向領先的業(yè)務解決方案。機器學習將幫助企業(yè)進行創(chuàng)新，如自主汽車，精密養(yǎng)殖，治療藥物發(fā)現(xiàn)，以及金融機構的高級欺詐檢測。

　　機器學習與統(tǒng)計學，計算機科學和人工智能相結合，側重于開發(fā)快速高效的算法以實現(xiàn)實時數(shù)據(jù)處理。這些機器學習算法并不只是遵循明確編程的指令，而是從經(jīng)驗中學習，使它們成為人工智能平臺的關鍵組件。

　　機器學習有助于解決物聯(lián)網(wǎng)數(shù)據(jù)流問題

　　機器學習也可能幫助人們應對物聯(lián)網(wǎng)的挑戰(zhàn)。英特爾數(shù)據(jù)中心機器學習解決方案總監(jiān)VinSharma表示，第一代大數(shù)據(jù)分析是圍繞社交媒體，在線購物，在線視頻，網(wǎng)上沖浪，馺其他用戶生成的在線行為產生的信息流動而成長的。

　　分析這些海量數(shù)據(jù)集需要采用新技術，例如靈活的云計算和虛擬化，ApacheHadoop和Spark等軟件。它還需要更強大的高性能處理器，并提供工具來發(fā)現(xiàn)大數(shù)據(jù)的洞察力。

　　如今的物聯(lián)網(wǎng)連接網(wǎng)絡使大數(shù)據(jù)第一代的數(shù)據(jù)量相形見絀。隨著設備和傳感器不斷增長，他們創(chuàng)建的數(shù)據(jù)量也將增加。

　　例如，一輛自主駕駛汽車每天將生成4,000GB的數(shù)據(jù)。新的空中客車A380-1000飛機在每個機翼上配備了10,000個傳感器。傳統(tǒng)的大數(shù)據(jù)技術將不再能夠處理智能家庭中的連接電器，智能城市中的交通傳感器，以及智能工廠中的機器人系統(tǒng)所創(chuàng)建的數(shù)據(jù)。

　　新的和令人興奮的系統(tǒng)要求

　　機器學習的關鍵是分析來自龐大的，永遠在線的物聯(lián)網(wǎng)網(wǎng)絡的巨大而重復的數(shù)據(jù)量。雖然機器學習可能看起來像許多科幻小說一樣神秘，對許多人來說，機器學習已被用戶所熟悉的社交媒體和在線購物網(wǎng)站所應用(Facebook的新聞依靠機器學習算法，亞馬遜的推薦引擎使用機器學習向讀者推薦書籍或電影)。

　　機器學習系統(tǒng)識別物聯(lián)網(wǎng)網(wǎng)絡上存在的數(shù)據(jù)的正常流動模式，并集中于規(guī)范之外的異常或模式。因此，機器學習可以從數(shù)十億數(shù)據(jù)點在巨大的數(shù)據(jù)流中分離“信號與噪聲”，幫助組織關注有意義的內容。

　　然而，為了對企業(yè)有用和有效，機器學習算法必須在大約幾毫秒的時間內在持續(xù)的基礎上運行計算。這些更復雜的計算將會給傳統(tǒng)的數(shù)據(jù)中心處理器和計算平臺帶來壓力。

　　為了以規(guī)模和實時操作，機器學習系統(tǒng)需要具有多個集成核心的處理器，更快的存儲器子系統(tǒng)，以及可并行化用于下一代分析智能的處理的架構。這些是具有內置分析處理引擎的平臺，以及在內存中運行復雜算法以實時結果和立即應用洞察的能力。

　　最終預測

　　為高性能計算而構建的處理器將面臨很高的需求。機器學習和人工智能將需要更多的力量，因為他們開始連接物聯(lián)網(wǎng)數(shù)據(jù)流和客戶參與之間的點，提高銷售和推廣的能力。

　　這些處理器是傳統(tǒng)的研究實驗室和超級計算機的挑戰(zhàn)，例如天氣模式和基因組測序的建模。但是隨著物聯(lián)網(wǎng)網(wǎng)絡變得越來越大，越來越普遍，機器學習平臺將變得越來越必要，因為企業(yè)越來越多地將其成功基于機器到機器通信的洞察。

　　這些處理器提供了最苛刻的工作負載所需的性能，包括機器學習和人工智能算法。因此，它們不再局限于研究中心和大學中超級計算機的惡劣環(huán)境，因為它們越來越成為尖端企業(yè)的要求。