對于大數據，有觀點認為有了足夠大的數據集，分析的統計方法就是非必要的。我們將其稱為“N等價于所有”的理論。而按這樣的說法，抽樣和推理都是浪費時間。擁有了所有的數據，就只需讓數據說話。
雖然“N等價于所有”的理論在短短幾年前還是革命性的產物，作為正在上線的新穎而且更具潛在價值的分析方法，它很快就過時了。對于將所有數據對應一個給定主題這樣的概念，物聯網（IoT）分析和認知計算這對大數據的流行觀點帶來了挑戰，而且這也要求那些分析專家重新對他們的做法進行評估。
“N等價于所有”的框架的早期形成是在2008年——大數據時代的開端。Chris Anderson在《連線》雜志中撰文談及的例子提到，在廣告和生物等領域，拍字節大小的數據存儲可以讓答案變得清晰。足夠大的數據集意味著研究人員甚至不需要設定問題或是假設。這些數字說明了一切。但是當你在談論新興分析技術的時候，事情并不是這樣的。
物聯網不會將所有數據收入囊中一說到物聯網，會很自然地將曾經所有的數據排除在外。它包括每秒鐘刷新的源源不斷傳入的信息流。它會告訴你時刻發生的事情，而不是尋求獲得大量關鍵數據來回答可溯源問題。
最有效的物聯網策略可以從傳統大數據的角度識別技術有何不同。對于物聯網來說，邊緣分析已經成為關鍵組成部分。這包括了在隨著數據創建用于計算的邊緣網絡的網絡設備和傳感器中的統計算法，對于要將哪些數據送回中心數據庫，要拋棄哪些數據，它們會進行決策。在這種情況下，更多的數據只會是負擔。你永遠不會想要所有的數據。我們會使用統計方法來決定使用哪些數據。
認知計算帶來不同的挑戰
由認知計算帶來的對主流大數據理論的挑戰是有所不同的。在認知計算中，不論我們是否在談論人工智能(AI)或深度學習，或者你是否能有足夠的數據是沒有意義的。算法通過經驗加以改進，而且它們越是獲得更多的訓練，表現會越出色。
谷歌的圍棋人工智能算法AlphaGo(阿爾法狗)通過提取人類玩家完成的3000萬棋局走法，學會了玩棋類游戲。這是作為該算法的初步訓練，但這還不夠。接著它跟自己下了數千局棋，并對每場比賽進行改進。最終，它改進到能夠擊敗該棋類游戲的每個人類大師。
但是，從理論上講，該算法還是能夠通過不斷學習來進行自身優化。你永遠不能說它已經學會了玩兒這種游戲的所有內容。這同樣適用于像語音識別，計算機視覺和自然語言處理之類的其他深度學習實踐。人類是認知計算算法最為接近的模擬。沒有理由認為一種算法能夠獲得所有需要的數據來最優地執行這些任務。
是時候重新考慮大數據的性質了
曾經有段時間“N等價于所有”的大數據理論被認為是終極的價值主張。調查整個數據集的能力似乎為提出特定問題和接收特定的答案提供了功能，而不必依賴必須涉及一定程度上不確定性的統計方法。
但是，越來越多的企業真正的價值和他們在市場上逐漸面臨差異將來自于這些新興的分析趨勢。那些想要在業界保持領先的企業需要對“什么是大數據”進行重新審視。
京公網安備 11010502049343號