技術經常被認為是中小型企業的平衡器，使他們能夠比以往更有效地與行業巨頭競爭。物聯網是企業關注的最新技術，它可以改變工作場所——特別是隨著企業部署的設備數量持續增長。

對于物聯網的關注上升，是可以理解的。企業在業務運營的各個方面都使用設備，并且隨著傳感器變得更加實惠，企業能夠使用它們來更好的記錄員工之間的互動和機器活動。因此，企業獲得了前所未有的原始數據量，從而可以在分析數據中使用，以推動整個公司的進步。

無論是使制造商能夠優化工廠運營，還是幫助零售商改善客戶體驗，這些早期使用者的巨大成功，都推動了物聯網的熱潮。此外，近期新聞頭條的高層次物聯網概念正在進一步推動這一熱潮——關于特斯拉、優步和傳統汽車企業的故事，例如福特使用物聯網建立自動駕駛汽車，或亞馬遜將Alexa擴展到新產品和設備中。

但是大部分熱潮都是來自行業巨頭的投資——谷歌、亞馬遜、福特和eBay。小型企業呢？熱情可能很高，但你不會經常看到有關中小型企業，充分利用他們大量的數據來完成物聯網項目。如果你統計小型企業中的物聯網成功，那么事實可能不符合這個熱潮。

要充分利用物聯網，大多數企業所面臨的巨大挑戰是，他們的數據和分析戰略的定義是含糊的。有些企業會說他們有一個報告和分析戰略，但實際上都是類似Tableau這樣的數據可視化解決方案——或者更糟，他們的戰略由一些基本的電子表格報告所構成。 在這些情況下，他們的物聯網項目從一開始就注定要失敗。

即使企業有正確的戰略，大多數都缺乏合適的人員 (數據科學家)來成功地管理這個流程。數據科學家在數據和分析戰略中扮演重要職能，指導，解釋和驗證數據輸出。新的工具和技術可以幫助企業處理數據，但人員是幕后的大腦，無法輕易替換。這就是為什么一些數據科學家每年的薪資達到250,000美元。

開發和執行全面的數據和分析戰略是一個真正的挑戰，所以問題進一步升級。你需要能夠有效地管理數據，從收集到清理和準備。那么你必須確定哪種分析模型將產生最佳預測，這就需要數據科學家的專業知識來訓練、測試、評估，并對模型打分。一旦數據和模型確立了，你需要弄清楚如何運營你的分析，并在生產中使用它們。最后，面對不斷變化的業務環境，這個流程本身一定要經常審查。

最后，成功物聯網部署的所有這些要素，都要花費資金和資源，這就是為什么到目前為止，物聯網的真正實施僅限于行業巨頭。

實施物聯網的新方法

在設計可以最大化物聯網價值的數據和分析戰略時， 每個企業都面臨著獨特的挑戰。 然而，大多數中小型企業的資源問題是持續存在的，答案并不像招聘一大批數據科學家那么簡單 — 這并不可行。雖然分析服務可以為自含用例，比如文本到語音，提供支持，但是，將戰略決策的整個流程“外包”，對大多數企業來說也是不適用的。即使新工具的引入，使數據科學家更有效，但是對于小型企業的分析民主化也沒有太大的作用。

一個可能的解決方案是自動化。現在，你可能在想“這不是現有工具在做的嗎?”要真正地在這一領域取得進步，分析過程必須能夠自我學習，而不僅僅是將學習應用于分析輸出。這種新一代的方法將元學習原理應用于機器學習，這樣一個機器或實體的學習將自動被應用于其他機器或實體。

元學習將通過以元數據的形式，從之前的機器學習實驗中獲取經驗，然后將這些經驗應用于未來的實驗，從而最大限度地降低運行機器學習實驗的成本。這是至關重要的，有以下幾個原因：

你可以大大提高分析模型的準確性，這將直接影響你的業務成果。

你可以實現更快的結果，這將使你的業務更敏捷。分析只有在具備業務相關性的情況下獲得才是有用的，并且提高的敏捷性可幫助企業更早地理解和使用信息。

你可以更好地控制基礎設施，并控制運行機器學習算法所需的成本。這尤其重要，因為隨著物聯網設備的擴散，業務數據量呈指數級增長。