如何使用機器學習解決物聯網的大數據挑戰

　　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務解決方案。機器學習將幫助企業進行創新，如自主汽車，精密養殖，治療藥物發現，以及金融機構的高級欺詐檢測。

　　機器學習與統計學，計算機科學和人工智能相結合，側重于開發快速高效的算法以實現實時數據處理。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網數據流問題

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

　　分析這些海量數據集需要采用新技術，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，并提供工具來發現大數據的洞察力。

　　如今的物聯網連接網絡使大數據第一代的數據量相形見絀。隨著設備和傳感器不斷增長，他們創建的數據量也將增加。

　　例如，一輛自主駕駛汽車每天將生成4,000GB的數據。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。傳統的大數據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所創建的數據。

　　新的和令人興奮的系統要求

　　機器學習的關鍵是分析來自龐大的，永遠在線的物聯網網絡的巨大而重復的數據量。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)。

　　機器學習系統識別物聯網網絡上存在的數據的正常流動模式，并集中于規范之外的異常或模式。因此，機器學習可以從數十億數據點在巨大的數據流中分離“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的基礎上運行計算。這些更復雜的計算將會給傳統的數據中心處理器和計算平臺帶來壓力。

　　為了以規模和實時操作，機器學習系統需要具有多個集成核心的處理器，更快的存儲器子系統，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網數據流和客戶參與之間的點，提高銷售和推廣的能力。

　　這些處理器是傳統的研究實驗室和超級計算機的挑戰，例如天氣模式和基因組測序的建模。但是隨著物聯網網絡變得越來越大，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境，因為它們越來越成為尖端企業的要求。