京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据拦路 智能联网设备面临四大难题
上周拉斯维加斯举行的CES大展的主题便是物联网以及组成物联网的各种智能设备。每个参展商都能拿出某种号称最智能的新鲜玩意。但是这些智能设备真的智能吗?大数据和物联网一体两面。物联网收集来自各种智能设备的数据,这些数据需要被进行分类、重组并产生合理的决定。然后物联网利用终端智能设备来实施这些决定。这才是真正的智能化。
目前,随着智能设备的快速增长,在缺乏应用背景以及用户群的情况下,智能联网设备面临四大数据难题,阻碍了智能化的发展。虽然智能联网设备所面临的数据问题显而意见,但似乎很少有人想要真正讨论这些问题。
问题一:功能过于单一,没人会穿戴50种设备
CES大展上,VentureBeat网站的哈里森·韦伯在身上使用了56种可穿戴设备。如今的物联网科技创业者已经早就在前辈身上吸取了失败的教训,那就是任何产品使用起来一定要简单。因此,一种设备能把一件事真正做好就已经成功了。但是在未来智能设备爆发的情况下,衡量睡眠、进食速度或膝关节健康的设备都要分开穿戴的话,显然不太现实。
没有人愿意像哈里森·韦伯那样管理和穿戴50种智能设备。要不然你看起来就会是一名智能设备推销员。今天的智能设备创业公司正在用大量的单一解决方案来帮助简化人们的生活。为了实现简单易用的目标,这些公司过于集中在一个单一的问题上。CES走廊充斥着的智能瑜伽垫、智能阳光强度感应器、智能癫痫探测器、智能滑雪板等产品,让人变得无所适从。
问题二:获得传感器数据不是目的
就拿上文提到的阳光强度感应器来说。你真的需要一个腕带来感知当下的阳光强度吗?是不是可以使用智能手机来查询目前的光照强度,以确定是否应该出门。而不是出门后使用某种智能设备定期测量光照水平。前者的预判才是真正的智能,读取传感器数据谈不上什么智能设备,只是手段而已。
智能联网设备崛起后,会有大批的相关公司倒闭。只有少数的企业才能生存下来。这些幸存者将是那些能够发现更多数据背后信息,由此做出预判的设备。这意味着大量的数据挖掘能力。
早期版本的Jawbone的可穿戴健身设备,都要求配戴者手动登录他们的活动内容。而最近的版本则变成将正在进行的活动与已知活动模式进行比较,来对活动内容进行猜测。这就是从简单的数据读取,到真正智能化的最好例证。
问题三:数据无法共享
智能设备的崛起意味着传感器数据的几何增长。除非你是大型可穿戴设厂商-比如Jawbone、Fitbit、Withings等,否则可能无法收集足够的用户数据来获得用户生活的突破性发现。这使得大厂商有很强的先发优势。
当可穿戴设备厂商不可避免地被整合,所有倒闭公司收集的数据将会消失。目前,不同品牌可穿戴设备之间几乎没有任何数据共享。
人们不愿意从苹果切换到Android的最大原因就是操作的熟悉度和iTunes中的数据。同样地,在物联网的世界,数据的排他性阻止了用户在不同的设备之间切换。这也是为什么每个智能设备提供商都试图成为我们健康、家庭或财务的中心节点。
就像三星CEO在他的CES主题演讲中说的那样,“人们都希望为物联网创建一个单一的操作系统,但有这些想法的人目前都只关注自己的产品。”
问题四:数据挖掘并不易
如果数据不能改变你的行为,那搜集起来还有什么用呢?CES上有一款应用叫做V1bes,自称是“心灵应用程序”。它可以测量压力水平和大脑活动。
这一应用听起来很有用。但是知道压力水平,只是搜集到数据的表象,产生这种压力水平的原因无从得知。也许这些数据可以告诉用户压力水平过高,但是它并没有告诉用户可以引发慢性抑郁的压力来自哪里。
另一家叫做Narrative Clip的公司做的可能好的多。这家公司的产品每30秒就会拍摄一张照片来记录用户的生活,利用该公司的独特算法来决定哪些东西需要进一步分析,这种产品可能会让用户找到触发压力的线索。
不过,这次的CES有一点很明确,那就是智能联网设备市场不久的将来一定会爆发。我们正处在各种想法的漩涡之中,但很多都会胎死腹中。这些想法要么过于单一,要么无法对我们的生活产生任何帮助。智能终端、物联网和互联网大数据就是支撑这一市场的桩脚,忽略任何一环都无法支撑起一个有效的市场。目前智能终端和物联网无论从技术上还是实际应用上都日趋成熟,但是在智能化背后起核心作用的大数据却被有意无意的忽略。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16