看大數據和機器學習如何助力公司騰飛

無可否認，我們已經步入大數據時代，輕敲鍵盤就能獲得海量數據。隨著物聯(lián)網（IoT）的發(fā)展，數據量還會進一步擴增。今后十年里，預計有 500-700 億聯(lián)網設備涌入市場，忽視如此大規(guī)模的數據并非明智之選。

企業(yè)可以在機器學習的幫助下充分利用大數據。這里提到的機器學習不是科幻電影里面與人類為敵的機器人，現代機器學習致力于挖掘數據中的價值。

IBM 計劃向開發(fā)者開放 Watson（IBM 超級計算機）海量 API 中的部分接口，但是 Watson 并不是唯一的機器學習（ML）系統(tǒng)，還包括 Google Deepmind（Google Brain 項目的一部分）、斯坦福的 Deepdive（與 DARPA，即美國國防先進研究項目局合作）、微軟的 Azure 平臺和 MIT 的 ConceptNet5。

下面我們來看看科技創(chuàng)新者如何高效利用大數據和機器學習。

提高工作效率

企業(yè)要想提供切實可行的解決方案，效率至關重要。這體現在產品和服務的方方面面，從設備的原型階段到市場推廣階段，效率始終是根本。

機器學習能夠迅速處理從傳感器、室內系統(tǒng)和外部合作伙伴獲取的數據，從數據中得出新的結論，最大化利用各種綜合信息，從而精簡當前工作流程。這一提高效率的方式對企業(yè)和個人都適用。

舉個例子：Attitude Sports 老板大衛(wèi) · 哈斯（David Haase）報名參加了環(huán)美自行車競賽（Race Across America），在 3000 英里的比賽中他排名第二，能取得這樣的成績歸功了大數據和機器學習。他的團隊實時監(jiān)測他的生物數據，并與其他的數據相結合。在九天的時間里，團隊追蹤風速等數據，判斷休息和補充能量的最佳時間點。正是這一系列的數據分析使得大衛(wèi) · 哈斯足足領先了第三名一天的時間。

再比如現在在 NBA 戰(zhàn)無不勝的勇士隊，訓練師早就使用可穿戴裝置監(jiān)測球員的疲勞度，監(jiān)測球員的心率、下肢承重力等數據，利用數據判斷群員的健康狀況，合理安排輪休，這也是為什么勇士隊能保持健康。

效率提高就意味著成本降低和時間節(jié)省。波音分析人員正在探尋數據關聯(lián)性，縮短飛行時間，減少燃油量。

通往創(chuàng)新的道路

誠然，持續(xù)不斷的創(chuàng)新不容易，而且在創(chuàng)新的時候，并不能確定這個新點子的實用價值。機器學習的優(yōu)勢在于能從各個方面評估這項創(chuàng)新，比如確定現有產品的缺陷、前瞻性分析或者發(fā)現之前不為他人注意模式。

DARPA（美國國防先進研究項目局）的使命在于創(chuàng)新，DARPA 在很多不為大眾所知的高度機密項目上運用了大數據和機器學習。身為互聯(lián)網的前身（ARPANET），DARPA 使用人工智能系統(tǒng)檢測軟件漏洞。在商業(yè)上，以環(huán)保著稱的波音 787 機型極度依賴數據反應實時狀況，創(chuàng)新性地解決環(huán)保問題。

智能化

新的商業(yè)模式是數據應用必然的副產品。你的公司如何向顧客傳播價值？你如何收集和利用數據？

大數據能夠挖掘之前沒有意識到模式和聯(lián)結，并實時體現其價值：一線員工能夠迅速處理站在他面前用戶的問題，用戶也能從服務中得到價值，提供反饋。這一觀點必將改變業(yè)務經營模式。

以 Local Motors 為例，其使用 3D 自動生產制造技術，能夠在 40 個小時以內打印出一輛可操控的汽車。只要有了正確的數據，一個小型、高效的生產工廠就能滿足客戶的定制需求——這是一種全新的生產和銷售汽車的模式。

大數據分析和機器學習向已有的高效方法論和創(chuàng)新論發(fā)起了強有力的挑戰(zhàn)。它們甚至可以顛覆傳統(tǒng)行業(yè)運營方式，大數據和機器學習必將驅動公司業(yè)務的發(fā)展。