|
对付大数据，有概念认为有了足够大的数据集，阐明的统计要领就长短须要的。我们将其称为“N等价于所有”的理论。而按这样的说法，抽样和推理都是挥霍时间。拥有了所有的数据，就只需让数据措辞。
固然“N等价于所有”的理论在短短几年前照旧革命性的产品，作为正在上线的新颖并且更具潜在代价的阐明要领，它很快就过期了。对付将所有数据对应一个给定主题这样的观念，物联网（IoT）阐明和认知计较这对大数据的风行概念带来了挑战，并且这也要求那些阐明专家从头对他们的做法举办评估。 “N等价于所有”的框架的早期形成是在2008年——大数据时代的初步。Chris Anderson在《连线》杂志中撰文谈及的例子提到，在告白和生物等规模，拍字节巨细的数据存储可以让谜底变得清晰。足够大的数据集意味着研究人员甚至不需要设定问题或是假设。这些数字说明白一切。可是当你在谈论新兴阐明技能的时候，工作并不是这样的。 物联网不会将所有数据收入囊中 一说到物联网，会很自然地将曾经所有的数据解除在外。它包罗每秒钟刷新的绵绵不断传入的信息流。它会汇报你时刻产生的工作，而不是寻求得到大量要害数据来答复可溯源问题。 最有效的物联网计策可以从传统大数据的角度识别技能有何差异。对付物联网来说，边沿阐明已经成为要害构成部门。这包罗了在跟着数据建设用于计较的边沿网络的网络设备和传感器中的统计较法，对付要将哪些数据送回中心数据库，要丢弃哪些数据，它们会举办决定。在这种环境下，更多的数据只会是承担。你永远不会想要所有的数据。我们会利用统计要领来抉择利用哪些数据。 认知计较带来差异的挑战 由认知计较带来的对主流大数据理论的挑战是有所差异的。在认知计较中，岂论我们是否在谈论人工智能(AI)或深度进修，可能你是否能有足够的数据是没有意义的。算法通过履历加以改造，并且它们越是得到更多的练习，表示会越精彩。 谷歌的围棋人工智能算法AlphaGo(阿尔法狗)通过提取人类玩家完成的3000万棋局走法，学会了玩棋类游戏。这是作为该算法的劈头练习，但这还不足。接着它跟本身下了数千局棋，并对每场角逐举办改造。最终，它改造到可以或许击败该棋类游戏的每小我私家类大家。 可是，从理论上讲，该算法照旧可以或许通过不绝进修来举办自身优化。你永远不能说它已经学会了玩儿这种游戏的所有内容。这同样合用于像语音识别，计较机视觉和自然语言处理惩罚之类的其他深度进修实践。人类是认知计较算法最为靠近的模仿。没有来由认为一种算法可以或许得到所有需要的数据来最优地执行这些任务。 是时候从头思量大数据的性质了 曾经有段时间“N等价于所有”的大数据理论被认为是终极的代价主张。观测整个数据集的本领好像为提出特定问题和吸收特定的谜底提供了成果，而不必依赖必需涉及必然水平上不确定性的统计要领。 可是，越来越多的企业真正的代价和他们在市场上逐渐面对差别未来自于这些新兴的阐明趋势。那些想要在业界保持领先的企业需要对“什么是大数据”举办从头审视。 |
