我们将详细谈论剖析阶段，即把数据首先变成信息，然后变成知识的过程(有时也被称为业务逻辑)。
然而，末了我们不会偏离物联网的核心主题，由于对我们来说，没有大数据的物联网是没故意义的。

大数据和数据剖析

近几十年来，特殊是在10年代，我们目睹了令人难以置信的数据(包括构造化和非构造化的数据)的泛滥，这些数据是由无处不在的数字技能大量产生的。
在工业天下的分外情形下，利用和充分利用这些大量的信息是成功的关键。

这种处理商业数据的需求产生了基本上可以互换的术语 "大数据"、"数据科学 "和 "数据剖析"，我们可以把它们共同定义为我们检讨由我们的设备网络捕获的数据的过程，目的是揭示被粉饰的趋势、模式或干系关系。
这样做的根本目的是为了用新型的知识来改进业务。

由于“大数据”是一个最近才产生的术语，因此对它有不同的定义。
个中，Gartner公司供应的定义概述了3个关键方面：数据量、数据种类和数据采集的速率。
这些常日被称为 "3V"，只管其他定义将其扩展为 "5V"，并增加了数据的真实性和它们为企业带来的代价。

我们认为，对大数据进行理论研究没有多大意义，由于由于数据网络设备的普遍性，大数据剖析和处理已经适用于工业界的大部分地区。

物联网和大数据

物联网和大数据之间的关系如何?紧张的连接点常日是一个数据库。
一样平常来说，我们可以说，物联网的事情止步于该数据库。
换句话说，物联网的目标因此或多或少有序的办法将得到的所有数据倾倒在一个共同的存储库中。
大数据领域从访问该存储库开始，以操纵得到的数据并得到所需的信息。

在任何情形下，将物联网大数据剖析可视化为一个工具箱是有用的。
根据我们想要从数据中获取的信息和知识的类型，我们将从中提取一种或另一种工具。
这些工具中有许多因此传统算法的形式涌现的，也有对这些算法的改进或改编，其统计和代数事理非常相似。
这些算法并不是在本世纪发明的，这让许多人感到惊异，他们想知道为什么它们现在比以前更故意义。

答案是，现在可用的数据量比上述算法最初构想时要大得多，但更主要的是，本日机器的打算能力许可在更大的范围内利用这些技能，给旧的方法论以新的用场。

但是，我们不想给人这样的印象：统统都已经被发明了，目前的数据剖析趋势没有带来任何新的东西。
事实正好相反。
数据生态系统是非常广泛的，并在最近几年见证了重大创新。

个中增长最快的领域之一是人工智能。
可以说，这不算是最近的发明，由于这种征象早在1956年就被谈论过。
然而，人工智能是一个非常广泛的观点，其影响如此广泛，以至于它常常被认为是一门自成一体的学科。
然而现实是，在某些方面，它在大数据和数据剖析中起着不可或缺的浸染。
它是已经包含在我们的隐喻工具箱中的另一种工具，但在AIoT中找到了自然的演化。

AIoT：物联网的人工智能

数据量的指数式增长须要新的剖析方法。
在这种情形下，人工智能变得尤为主要。
据《福布斯》宣布，主导技能行业的两大趋势是物联网(IoT)和人工智能。

物联网和人工智能是两个独立的技能，相互之间有很大的影响。
虽然物联网可以被认为是数字神经系统，但人工智能同样会是一个前辈的大脑，做出掌握全体系统的决定。
根据IBM的说法，只有通过引入AIoT才能实现物联网的真正潜力。

但什么是人工智能，它与传统算法有什么不同?

当机器模拟人类的认知功能时，我们常日会说到人工智能。
也便是说，它办理问题的办法与人类相同，或者假设机器能够找到理解数据的新方法。
人工智能的上风在于，它能够产生新的算法来办理繁芜的问题。
这是关键，独立于程序员的输入。
因此，我们可以认为一样平常的人工智能，尤其是机器学习(这是人工智能中估量增长潜力最大的部分)是发明算法的算法。

边缘人工智能和云人工智能

物联网和人工智能的结合给我们带来了AIoT(物联网人工智能)的观点，即能够自行作出决定、评估这些决定的结果并随着韶光的推移而改进的智能和连接系统。

这种结合可以通过几种办法进行，我们想强调个中的两种。

一方面，我们可以连续将人工智能观点化为一个集中式系统，处理所有的冲动并做出决定。
在这种情形下，我们指的是云中的一个别系，它集中吸收所有遥测数据并采纳相应的行动。
这将被称为云AI(云中的人工智能)。

另一方面，我们也必须谈谈我们的隐喻神经系统的一个非常主要的部分：反射。
反射是神经系统做出的自主决定，不须要将所有信息发送到中心处理器(大脑)。
这些决定是在外围做出的，靠近数据来源的地方。
这被称为边缘人工智能(Artificial Intelligence at the Edge)。

边缘AI和云AI的利用案例

云人工智能供应了一个彻底的剖析过程，考虑到了全体系统，而边缘人工智能给我们供应了快速反应和自主权。
但就像人体一样，这两种反应办法并不相互排斥，事实上可以相互补充。

举个例子，一个水务掌握系统可以在检测到漏水的一瞬间封锁现场的阀门，以防止重大的水丢失，并同时向中心系统发送关照，在那里可以做出更高层次的决定，如打开替代阀门，通过另一个电路引水。

这种可能性是无穷无尽的，可以超越这个简化的反应性掩护的例子，一个繁芜的系统能够预测可能发生的事宜，从而使预测性掩护成为可能。

AIoT数据剖析的另一个例子可以在智能电网中找到，我们在边缘的智能设备剖析每个节点的电力流，并在本地做出负载平衡的决定，同时它将所有这些数据发送到云端进行剖析，以产生一个更全面的全国性能源计策。
宏不雅观层面的剖析将许可在区域层面做出负载平衡决策，乃至通过关闭水电站或从邻国启动购电程序来减少或增加电力生产。
（雪薇）