對付大數(shù)據(jù)，有概念認為有了足夠大的數(shù)據(jù)集，闡明的統(tǒng)計要領(lǐng)就長短須要的。我們將其稱為“N等價于所有”的理論。而按這樣的說法，抽樣和推理都是揮霍時間。擁有了所有的數(shù)據(jù)，就只需讓數(shù)據(jù)措辭。

固然“N等價于所有”的理論在短短幾年前照舊革命性的產(chǎn)品，作為正在上線的新穎并且更具潛在代價的闡明要領(lǐng)，它很快就過期了。對付將所有數(shù)據(jù)對應(yīng)一個給定主題這樣的觀念，物聯(lián)網(wǎng)（IoT）闡明和認知計較這對大數(shù)據(jù)的風行概念帶來了挑戰(zhàn)，并且這也要求那些闡明專家從頭對他們的做法舉辦評估。

“N等價于所有”的框架的早期形成是在2008年——大數(shù)據(jù)時代的初步。Chris Anderson在《連線》雜志中撰文談及的例子提到，在告白和生物等規(guī)模，拍字節(jié)巨細的數(shù)據(jù)存儲可以讓謎底變得清晰。足夠大的數(shù)據(jù)集意味著研究人員甚至不需要設(shè)定問題或是假設(shè)。這些數(shù)字說明白一切。可是當你在談?wù)撔屡d闡明技能的時候，工作并不是這樣的。

物聯(lián)網(wǎng)不會將所有數(shù)據(jù)收入囊中

一說到物聯(lián)網(wǎng)，會很自然地將曾經(jīng)所有的數(shù)據(jù)解除在外。它包羅每秒鐘刷新的綿綿不斷傳入的信息流。它會匯報你時刻產(chǎn)生的工作，而不是尋求得到大量要害數(shù)據(jù)來答復(fù)可溯源問題。

最有效的物聯(lián)網(wǎng)計策可以從傳統(tǒng)大數(shù)據(jù)的角度識別技能有何差異。對付物聯(lián)網(wǎng)來說，邊沿闡明已經(jīng)成為要害構(gòu)成部門。這包羅了在跟著數(shù)據(jù)建設(shè)用于計較的邊沿網(wǎng)絡(luò)的網(wǎng)絡(luò)設(shè)備和傳感器中的統(tǒng)計較法，對付要將哪些數(shù)據(jù)送回中心數(shù)據(jù)庫，要丟棄哪些數(shù)據(jù)，它們會舉辦決定。在這種環(huán)境下，更多的數(shù)據(jù)只會是承擔。你永遠不會想要所有的數(shù)據(jù)。我們會利用統(tǒng)計要領(lǐng)來抉擇利用哪些數(shù)據(jù)。

認知計較帶來差異的挑戰(zhàn)

由認知計較帶來的對主流大數(shù)據(jù)理論的挑戰(zhàn)是有所差異的。在認知計較中，豈論我們是否在談?wù)撊斯ぶ悄?AI)或深度進修，可能你是否能有足夠的數(shù)據(jù)是沒有意義的。算法通過履歷加以改造，并且它們越是得到更多的練習，表示會越精彩。

谷歌的圍棋人工智能算法AlphaGo(阿爾法狗)通過提取人類玩家完成的3000萬棋局走法，學會了玩棋類游戲。這是作為該算法的劈頭練習，但這還不足。接著它跟本身下了數(shù)千局棋，莫斯科服務(wù)器 新加坡vps，并對每場角逐舉辦改造。最終，它改造到可以或許擊敗該棋類游戲的每小我私家類大家。

可是，從理論上講，該算法照舊可以或許通過不絕進修來舉辦自身優(yōu)化。你永遠不能說它已經(jīng)學會了玩兒這種游戲的所有內(nèi)容。這同樣合用于像語音識別，計較機視覺和自然語言處理懲罰之類的其他深度進修實踐。人類是認知計較算法最為靠近的模仿。沒有來由認為一種算法可以或許得到所有需要的數(shù)據(jù)來最優(yōu)地執(zhí)行這些任務(wù)。

是時候從頭思量大數(shù)據(jù)的性質(zhì)了

曾經(jīng)有段時間“N等價于所有”的大數(shù)據(jù)理論被認為是終極的代價主張。觀測整個數(shù)據(jù)集的本領(lǐng)好像為提出特定問題和吸收特定的謎底提供了成果，而不必依賴必需涉及必然水平上不確定性的統(tǒng)計要領(lǐng)。

可是，越來越多的企業(yè)真正的代價和他們在市場上逐漸面對差別未來自于這些新興的闡明趨勢。那些想要在業(yè)界保持領(lǐng)先的企業(yè)需要對“什么是大數(shù)據(jù)”舉辦從頭審視。