这是全新的一年，大数据是，也是展望未来的好时机，双线服务器租用，看看未来12个月会带来什么。我听我的朋友Bridget Karlin在电台节目Coffee Break with Game Changers中做了她的预测，该节目汇集了80位科技、商业和学术界的思想领袖对公司和工业在未来一年的预测。Karlin是英特尔物联网战略与技术董事总经理，他预测到2017年，大数据分析培训课程，各种形式的人工智能将成为主流。

我决定加入我的声音，并对来年做出自己的预测。2017年将成为机器学习成熟的一年，从研究实验室和概念验证实施转向前沿业务解决方案。在这一过程中，它将有助于动力创新，如自动车辆、精确农业、治疗药物发现和金融机构的高级欺诈检测。

机器学习是统计学、计算机科学、计算机科学和计算机科学交叉的一个研究领域，而人工智能则侧重于开发快速高效的算法，以实现数据的实时处理。编写这些算法的目的是根据持续的数据交互进行预测，从而提高预测的准确性和性能。换句话说，机器学习系统可以从迭代数据计算中学习。机器学习算法不再仅仅遵循明确的编程指令，而是在使用和体验方面变得"更聪明"，使其成为人工智能平台的关键组成部分。

机器学习有助于解决物联网数据流

事实证明，机器学习也可能是对去年一位专家提出的挑战的答案大多数人都在谈论技术的发展：物联网。英特尔数据中心集团机器学习解决方案总监文·夏尔马（Vin Sharma）在文章《机器学习是物联网带来的大数据问题的解决方案》中探讨了这个话题。Vin指出，第一代大数据分析是围绕着社交媒体、在线购物、在线视频、网上冲浪和其他用户生成的在线行为产生的信息流发展起来的。

分析这些海量数据集需要新技术、灵活的云计算和虚拟化，以及Apache Hadoop等软件Spark和更强大的高性能处理器提供了揭示大数据洞察的工具。

然而，第一个大数据时代的数据量与被称为物联网的新一代互联网络所产生的信息流相比相形见绌：IDC预测，到2020年，将有500亿个物联网传感器到位，并且到2030年，什么大数据，网络设备将超过2000亿台。[1]

随着设备和传感器的激增，它们产生的数据量也随之增加。装有传感器的自动驾驶汽车每天将产生4000 GB的数据，[2]而新的空客A380-1000在每个机翼上都配备了10000个传感器[3]。智能家庭中的互联设备和监控系统以及智能城市中的交通传感器和监控摄像头产生了无休止的数据量，制造业和工业中的传感器和机器人系统也是如此。

用于帮助分析第一代大数据的技术不够快，也不够强大，无法处理这些数据物联网或机器人生成的机器和传感器数据不断泛滥。我们需要新一代的分析和启发式方法来帮助解决物联网数据流的挑战。

我相信，机器学习是分析来自巨大的、始终在线的物联网网络的大量重复数据流的关键。虽然机器学习对许多人来说似乎是科幻小说，但它已经被社会媒体和网上购物的用户所使用和熟悉。机器学习算法为Facebook的新闻源提供动力，亚马逊的推荐引擎使用机器学习来建议你下一步应该喜欢哪本书或哪部电影。

因为机器学习算法随着接触到更多数据而变得更智能，这些平台对于在Facebook生成的持续、实时数据流中发现见解至关重要物联网网络。机器学习系统可以"学习"物联网网络上数据的正常流动模式，并关注异常或模式。机器学习可以从数十亿个数据点中分离出大量数据流中的"信号和噪声"，帮助组织关注有意义的内容。

然而，机器学习算法非常复杂，为了对企业有用和有效，它们必须在几毫秒内以巨大的规模运行计算，在持续的基础上。这些越来越复杂的计算给传统的数据中心处理器和计算平台带来了压力。

为了大规模和实时地运行，机器学习系统需要具有多个集成核心的处理器、更快的内存子系统和能够并行处理下一代分析智能的体系结构。SAP HANA®2是机器学习和人工智能解决方案的理想平台，内置用于文本、空间、图形和流式数据输入的分析处理引擎。SAP HANA 2有能力在内存中运行复杂的算法，以获得实时结果，并立即将见解应用到运营、流程和客户参与活动中。SAP HANA 2针对Intel®Xeon®处理器E7 v4的性能进行了优化，在其预测分析库中包含了用于分类、关联、时间序列和回归的新算法，使数据科学家能够发现新模式，并将机器学习纳入定制应用程序。