無可否認，我們已經步入大數據時代，輕敲鍵盤就能獲得海量數據。隨著物聯網(IoT)的發展，數據量還會進一步擴增。今后十年里，預計有 500-700 億聯網設備涌入市場，忽視如此大規模的數據并非明智之選。
企業可以在機器學習的幫助下充分利用大數據。這里提到的機器學習不是科幻電影里面與人類為敵的機器人，現代機器學習致力于挖掘數據中的價值。
IBM 計劃向開發者開放 Watson(IBM 超級計算機)海量 API 中的部分接口，但是 Watson 并不是唯一的機器學習(ML)系統，還包括 Google Deepmind(Google Brain 項目的一部分)、斯坦福的 Deepdive(與 DARPA，即美國國防先進研究項目局合作)、微軟的 Azure 平臺和 MIT 的 ConceptNet5。
下面我們來看看科技創新者如何高效利用大數據和機器學習。
提高工作效率
企業要想提供切實可行的解決方案，效率至關重要。這體現在產品和服務的方方面面，從設備的原型階段到市場推廣階段，效率始終是根本。
機器學習能夠迅速處理從傳感器、室內系統和外部合作伙伴獲取的數據，從數據中得出新的結論，最大化利用各種綜合信息，從而精簡當前工作流程。這一提高效率的方式對企業和個人都適用。
舉個例子：Attitude Sports 老板大衛 · 哈斯(David Haase)報名參加了環美自行車競賽(Race Across America)，在 3000 英里的比賽中他排名第二，能取得這樣的成績歸功了大數據和機器學習。他的團隊實時監測他的生物數據，并與其他的數據相結合。在九天的時間里，團隊追蹤風速等數據，判斷休息和補充能量的最佳時間點。正是這一系列的數據分析使得大衛 · 哈斯足足領先了第三名一天的時間。
再比如現在在 NBA 戰無不勝的勇士隊，訓練師早就使用可穿戴裝置監測球員的疲勞度，監測球員的心率、下肢承重力等數據，利用數據判斷群員的健康狀況，合理安排輪休，這也是為什么勇士隊能保持健康。
效率提高就意味著成本降低和時間節省。波音分析人員正在探尋數據關聯性，縮短飛行時間，減少燃油量。
通往創新的道路
誠然，持續不斷的創新不容易，而且在創新的時候，并不能確定這個新點子的實用價值。機器學習的優勢在于能從各個方面評估這項創新，比如確定現有產品的缺陷、前瞻性分析或者發現之前不為他人注意模式。
DARPA(美國國防先進研究項目局)的使命在于創新，DARPA 在很多不為大眾所知的高度機密項目上運用了大數據和機器學習。身為互聯網的前身(ARPANET)，DARPA 使用人工智能系統檢測軟件漏洞。在商業上，以環保著稱的波音 787 機型極度依賴數據反應實時狀況，創新性地解決環保問題。
智能化
新的商業模式是數據應用必然的副產品。你的公司如何向顧客傳播價值?你如何收集和利用數據?
大數據能夠挖掘之前沒有意識到模式和聯結，并實時體現其價值：一線員工能夠迅速處理站在他面前用戶的問題，用戶也能從服務中得到價值，提供反饋。這一觀點必將改變業務經營模式。
以 Local Motors 為例，其使用 3D 自動生產制造技術，能夠在 40 個小時以內打印出一輛可操控的汽車。只要有了正確的數據，一個小型、高效的生產工廠就能滿足客戶的定制需求——這是一種全新的生產和銷售汽車的模式。
大數據分析和機器學習向已有的高效方法論和創新論發起了強有力的挑戰。它們甚至可以顛覆傳統行業運營方式，大數據和機器學習必將驅動公司業務的發展。
京公網安備 11010502049343號