数据是将商业颠覆者与数字时代被破坏者区分开来的东西。它已经造就了百万富翁和亿万富翁，游戏刚刚开始。更多的数据意味着更丰厚的利润——但前提是这些数据必须经过提炼并及时交付给最终用户。人工智能可以加快数据的摄取到洞察力周期，但人工智能模型的训练是超级计算量的——通常对于"物联网"边缘设备来说太重了，因为在这些设备中，数据越来越多地占据了用户。数字企业将如何通过物联网针眼挤压人工智能骆驼？"Uber和出租车公司的区别在于数据。"Wikibon Inc.研究主管、SiliconANGLE Media移动直播工作室Cube的主持人Peter Burris（@plburris）（图中）在本周的纽约BigData大会上为Wikibon的演讲和小组讨论定下了基调。大数据是一个大课题，而且可能是一个令人头疼的大问题。研究人员必须一起分析Wikibon的基础设施和Wikibon的基础设施如何协同工作。毫无疑问，企业如果想生存下去，就必须制定数据战略，根据伯里斯的说法。"我们观察到，商业和数字商业的区别，本质上是一回事——那就是数据。"。在竞争对手开发利用数据迎合消费者的新方法时，袖手旁观可能对当今的企业是致命的在网络上快速传输大数据-到数据湖或分析引擎和后端用户-不是小菜一碟。许多障碍—延迟、经济性、知识产权控制和法规遵从性—可能会阻碍数据从物联网边缘到中心位置再到中心位置的移动。成本也许是其中最让人望而却步的。Wikibon分析师兼首席技术官大卫•弗洛耶（davidfloyer）研究了混合物联网模型与将所有数据流回中心位置的成本。弗洛耶的分析表明，在三年的时间内，一个混合模型，它可以将更多的数据保存在边缘，与将数据全部发送到云端的模型相比，可以节省85%。有鉴于此，弗洛耶预测，在10年内，99%的物联网数据将在边缘生存和消亡。弗洛耶在分析中写道："将所有物联网数据转移到‘云端’的策略将是大多数企业的长期经济自杀。"。这就是为什么Wikibon相信真正的私有云和将云迁移到数据而不是反过来的架构将在未来几年增长。大脑灰质如何将云和大数据分析和人工智能推向边缘？Wikibon邀请了一些数据专家和实践者参加Wikibon演示文稿的小组讨论部分，来分析这个问题。Wikibon的特约研究分析师Neil Raden（@NeilRaden）（右三）说："边缘设备的功能不是很强大，而且内存也不多。"。这意味着将数据转化为洞察力的机器学习模型无法在边缘进行培训。""没关系，"Raden说，"机器学习算法的开发实际上是缓慢而痛苦的。"它需要"大量的数据"、熟练的数据科学家和复杂的测试，所有这些都更适合某些中心位置，无论是云还是内部数据中心。然而，物联网设备并没有那么蠢。一旦人工智能模型进入黄金时代，它们的制造商就可以把它们推出边缘设备。"Wikibon分析师jameskobielus（@jameskobielus）（左三）说："在行动点推动实时决策支持的更窄范围的推断将在设备本身上完成。"。从某种意义上说，物联网的优势正把我们带回到硬件而不是软件占据所有头条新闻的时代。科比罗斯说，这种边缘硬件正变得相当复杂；无人机实际上是自己的优势。边缘设备内部的处理芯片具有推理能力，可以帮助机器学习模型。我们看到越来越多的硬件架构能够在边缘进行更复杂的推理和自动化。Kobielus说，除了新的中央处理器，图形处理单元"在许多方面都是DL[deep learning]中推理引擎的核心硬件基板。"。不过，他补充说，在物联网设备被广泛采用之前，它们的价格还得降下来。现场可编程门阵列、专用集成电路和神经突触体芯片，如IBM True North，也在将大型计算机大脑打包成小软件包。Kobielus说，物联网开发人员正在将这些芯片排列成"各种组合，这些组合将使越来越复杂的边缘推断场景自动化"。8Path Solutions LLC的创始人詹妮弗•申（左二）说："这为工程师们打开了一个全新的世界，让他们能够实际查看数据，并将硬件和从中收集的数据结合起来。"。AI挂在数据/模型平衡中云计算和智能物联网边缘芯片中的巨大数据湖和深度学习算法能否提供真正的人工智能？这个词在过去几十年里一直在反弹，但事实上却没有多少根据。"我们被打败了，因为我们没有设施，我们没有资源，真正做人工智能，"雷登说，他指的是上世纪80年代涉足人工智能的技术人员。从那时起，技术突飞猛进，但它完美吗？好消息是，物联网传感器数据是业界有史以来提供给人工智能模型的最纯粹的数据。"我们在分析方面所做的一切都涉及到从其他一些不为分析而设计的系统中提取数据。但如果你想一想传感器数据，这是我们第一次真正捕捉到的数据。然而，分析模型——即使是相当好的模型——也会破坏良好的数据。"如果没有正确的背景，你可能会有很大的相关性，这是垃圾，"Hurwitz&Associates LLC总裁兼首席执行官朱迪思·赫维茨（Judith Hurwitz，极左）说。什么都不像真的？分析模型是由数据和人类以多种方式开发和训练的。"当我们谈论边缘时，我们谈论的是人类以及人类将扮演的角色，既可以作为传感器，也可以随身携带物品，也可以作为执行器——实际采取行动——这不是一件简单的事情，"伯里斯说。人类可能会通过数据治理方面的偏见或坚定的规则来削弱大数据智能。"医疗保健最大的问题或挑战是，无论你拥有多么伟大的技术，你都无法管理你无法衡量的东西，"Caserta Concepts LLC总裁Joe Caserta（右二）说，"你真的不允许这样做使用大量此类数据，因此无法对其进行测量。"有时候人们根本就不会使用人工智能，因为这是整个人工智能的一部分。当Alation公司营销副总裁Stephanie McReynolds（右一）从事客户关系管理工作时，推荐引擎风靡一时。她说："最困难的是让呼叫中心的代理人真正地阅读算法呈现给他们的脚本，那些与人工智能合作的最成功的公司实际上都在将其融入到解决方案中。因此，最好的人工智能解决方案实际上是那些你不知道下面有人工智能的产品。"请观看下面完整的演示和面板视频，并确保查看更多SiliconANGLE和Cube对2017年纽约BigData的报道。照片：硅角既然你来了…点击订阅我们的YouTube频道（见下文），显示您对我们使命的支持。我们的订户越多，YouTube就越会向你推荐相关的企业和新兴技术内容。谢谢！支持我们的使命：>>>>>立即订阅我们的YouTube频道。……我们还想告诉你我们的使命，以及你如何帮助我们完成它。SiliconANGLE Media Inc.的商业模式是基于内容的内在价值，而不是广告。与许多在线出版物不同的是，我们没有付费墙或横幅广告，因为我们想让我们的新闻保持开放，不受影响，也不需要追逐交通。那个新闻、报道和评论SiliconANGLE——以及现场报道，我们的硅谷工作室和cube环球巡演的视频团队提供的未经剪辑的视频需要大量的辛勤工作、时间和金钱。保持高质量需要赞助商的支持，他们与我们的无广告新闻内容的愿景一致。如果你喜欢这里的报道，视频采访和其他无广告内容，请花点时间看看我们的赞助商支持的视频内容样本，在推特上表达你的支持，然后继续回到SiliconANGLE。