首先问一个问题：物联网（IoT）产业发展的最大难题是什么？
这里给大家一个提示，让我们换一个说法，大数据产业发展的瓶颈又是什么？当然，可以明确的说，并不是相应基础网络的搭建所带来的挑战。还有其他猜想吗？
不如让我们重新定义一下这个问题，那就是如何将一堆散乱无序的原始数据转换成我们需要的、可执行的决策？在我们揭晓答案之前，不妨先回想一下数据的生命周期。
简单的讲，一共有四个阶段，Jeffrey Stanton教授在《数据科学概论》中将其总结为“4A”理论：
Acquisition：数据的获取阶段
Architecture：数据处理&架构阶段
Analysis：数据分析阶段
Archival：数据归档阶段
尽管在每个阶段都会遇到相应的挑战，但是除开数据分析外，其他三个阶段的问题都已经或即将有相应的技术能够进行妥善的处理。
现在，让我们回到前面的问题。可以说，物联网产业发展的最大的瓶颈就是“人为理解和处理数据的能力有限”。我们本身的分析“带宽”是受限的，无法跟上数据的爆炸式增长。
物联网的发展尤其会加剧这个问题。日益增加的传感设备会产生海量的原始数据，以至于对任何人来说，都难以对这些数据进行有效的处理分析。这显然是一个不得不提的商业难题。
此前，并没有一种行之有效的新技术可以完美解决以上问题。但是通过结合自动化和人工智能领域的相关应用，我们得出了一套行之有效的解决方案--Microsoft Azure以及Sparkling Logic明策智能决策引擎的结合应用，从而能够让机器智能化的处理数据并进行自动化决策。
高效便捷的将数据转换为决策
Alan N Fish博士在其著作《决策知识自动化》中描述过一个“自动化系统”，而我们的解决方案可以说是这个“系统”的变体。这个解决方案中运用到了以下技术：Microsoft Azure机器学习，Azure Data Lake(或者其它的数据仓库)以及Sparkling Logic的明策智能决策引擎。
我们将预测性维护，决策管理，数据分析，机器学习以及云领域相关技术进行结合，搭建了以下结构体系：
物联网设备与传感器端产生海量数据。
运用Azure IoT套件与传感设备进行安全稳定的连接，并进行设备管理和数据采集，数据通过云端并会储存在相应的数据仓库。数据仓库有如下选择： SQL Server, Azure SQL Database, Azure SQL Data Warehouse, HD Insight以及Azure Data Lake。数据仓库的选择又涉及到很多因素，这里就不一一赘述了。
接下来，我们使用Azure机器学习算法来解析数据模式并获取预见性的见解。当数据流经过Azure Stream Analytics处理后，这些算法的运算结果可以极大的丰富我们的数据库。同时，额外的数据流也可以辅助优化我们的决策制定。
最后，经过以上处理的数据会被导入到SMARTS明策智能决策引擎中以完成相关的决策制定。商业分析师和程序工程师可以在SMARTS明策智能决策引擎上轻易便捷的进行决策规则的设置，开发以及维护，从而迅速的将数据转换为可执行的决策。
简单的说，数据流在被导入到Microsoft Azure的云端工作环境中后，最终会经过明策智能决策引擎的处理转换为对应决策。从数据输入到决策产出之间，完全的自动化，无需人为设定。想知道具体是怎么操作的么？接下来的一篇文章我们会用具体的案例进行演示。
原文作者：Phil Morris
原文地址：http://www.xinshu.ai/blog.html/26
------------------------------------
上海信数金融信息服务有限公司成立于2015年5月，是中国领先的金融科技公司。公司的产品包括新一代智能决策管理平台、企业级数据管理平台以及大数据征信服务等。
明策智能决策平台，是信数公司和美国硅谷公司Sparkling Logic合作研发的一款引领未来的智能决策管理平台，已经被包括PayPal、摩根大通、LTCG保险、京东金融、掌众金服、中望金服等超过100家国内外知名企业所采用。
Sparkling Logic是一家专业的智能决策引擎研发公司，由FICO Blaze Advisor创始团队建立于2009年，通过对规则引擎、智能决策的不断研究，致力于帮助商业、教育、非盈利和政府组织利用他们的数据和专业知识来更好地自动化决策，推动发展。
网友评论