16、人工智能与物联网中的数据管理：挑战与应对策略

人工智能与物联网中的数据管理：挑战与应对策略

1. 人工智能与数据质量

人工智能的成功离不开高质量的数据。与传统编程工具不同，机器学习工具能够根据新数据评估自身性能并实现自我改进。但前提是，它必须从与企业自动化用例高度相关的优质数据中学习。

例如，若要解决物理问题，向人工智能系统提供数学相关数据，结果可能不尽如人意。同样，用将人行道误标为街道的图像训练自动驾驶汽车的计算机视觉系统，后果可能是灾难性的。

为了使用机器学习算法得出准确结果，需要高质量的训练数据。这就要求有专业的标注人员，仔细标注计划用于算法的信息。如果数据质量不佳，人工智能就无法提供理想的结果，因为它依赖机器学习从数据中学习。

如今市场上几乎所有产品都宣称具备人工智能功能，这使得技术市场在选择人工智能工具时产生了诸多困惑。实际上，大多数非以人工智能或机器学习为核心功能的工具，仅提供通用的人工智能能力，能执行的任务非常有限。若企业希望在物联网用例中广泛应用人工智能，可考虑能针对特定用例对物联网数据进行人工智能处理的物联网云平台，如 Azure IoT 平台。

2. 人工智能与物联网的结合

过去，机器人流程自动化（RPA）凭借预定义规则在许多用例中取得了巨大成功。像 NASA 解决的一些重大问题，也是基于传统规则或理论。例如，NASA 在规划从地球到火星的飞行时，依据 300 年前牛顿的运动定律，预测九个月后火星的位置，而不是其当前位置。不过，除了离太阳过近的水星，牛顿理论适用于太阳系的其他行星。股票市场中，“当股票短期均线穿过长期均线时买入股票”这样的预定义规则也很有效。

但近年来，人工智能逐渐成为主流，越来越多的用例证明了其优势。企业