過去幾年，圍繞物聯網的大部分討論都集中在連網設備本身——它們是什么、有多少以及如何保護它們。

[[349455]]

雖然所有這些小端點都很重要，但在物聯網中更重要的是這些設備所生成的大量數據，以及通過分析可以從中獲得的業務見解。當談到為這些關鍵見解制定路線時，人工智能(AI)和機器學習(ML)是照亮道路的技術。

幾十年來，數據分析主要涉及計算機編譯和存儲信息，并將其呈現給人類進行分析，這一過程比較緩慢、容易出錯，并且無法解讀隱藏在數據深處的趨勢。這些缺點在物聯網環境中更加嚴重，在物聯網環境中，大量傳感器和移動設備產生的數據量呈指數級增長。

網絡巨頭思科預計，到2022年，連網的物聯網和移動設備數量將超過1200萬臺，其中移動網絡流量將達到近1兆字節。并且當您將高速5G網絡添加到組合中時，挑戰會變得更加艱巨。

隨著所有這些數據的堆積，人工智能及其子集，機器學習(ML)和深度學習已成為關鍵工具。

機器學習使用算法對數據進行排序，從中學習并找到可用于指導業務決策、做出預測、提供警報和解決問題的模式和趨勢。通過將經過優化的算法應用于大量數據，可以訓練機器學習系統以了解如何完成工作并適應變化。

深度學習使用神經網絡，其功能類似于人腦。神經網絡利用了一組算法，而這些算法通過一系列計算層傳遞數據。這些層識別并提取圖像、聲音或文本等元素，然后最終得到所需的輸出。

人工智能和相關學科并不新鮮。自1990年代以來，科學家一直在研究人工智能，并一直致力于人工神經網絡。但是，近年來發生的變化是，計算機的功能強大到足以處理大量數據，而這主要得益于具有增強并行計算能力的高性能GPU加速器。

與此同時，數據存儲容量爆炸式增長，并且可用于訓練機器的數據量激增。反饋給算法的數據越多，它們學習的速度就越快，性能也就越好。這對物聯網來說是一個巨大的福音，它越來越依賴于挖掘和掌握數據中的模式。

同樣重要的是，云已經被證明特別適合于機器學習訓練和推理任務。

所有這些都使得先進的計算和分析能力成為了物聯網系統的引擎。現在，各種規模的組織都可以利用人工智能和機器學習來控制來自物聯網網絡的數據洪流，獲取實時見解，并制定出更好的業務決策，并享受更高的運營效率和更低的成本。