MJ：

　　對這個問題我想從不同的角度作補充。除了領(lǐng)導(dǎo)層需要對情況作分析決策以外，目前在很多企業(yè)，數(shù)據(jù)分析師的重要性正在提升。這些分析師知道如何處理數(shù)據(jù)，他們知道如何控制數(shù)據(jù)的精煉過程。這里談?wù)撘粋€傳統(tǒng)IT人員不具備的技能，我的專業(yè)是電腦科學，20年前，這門課主修的是數(shù)學運算。5-10年后，主修課程變成了算法和程序設(shè)計語言?，F(xiàn)在，我的兒子在讀AI專業(yè)的博士學位，他們學生又重新重視起數(shù)學運算和統(tǒng)計學了。而且我們不要忘了，如果數(shù)據(jù)分析師的工作需要支持企業(yè)決策，他們一定要掌握不錯的行業(yè)知識和具備一定的商業(yè)敏感度。

　　所以這是兜了個圈回到原地了嗎？

MJ：

　　最復(fù)雜的問題是不能只用原始的計算機數(shù)據(jù)和數(shù)字運算來處理的。你需要用行業(yè)知識來判斷什么是有意義的數(shù)據(jù)，什么是無意義的。這些是業(yè)內(nèi)人員正在做的，并且如Denny所說，他們正是實現(xiàn)內(nèi)部決策的真實支持者。

　　基于大量可分析的數(shù)據(jù)，我們看到了許多的IOT解決方案。這就說到一點，如果客戶有數(shù)據(jù)知識，那還好；如果沒有，那么這樣泛濫的信息，是否有可能會讓他們感到不知所措？他們真的需要具備數(shù)據(jù)分析這一技能嗎？

MJ：

　　這取決于想建立的是何種數(shù)據(jù)解決方案，以及在哪里實現(xiàn)數(shù)據(jù)過濾和門檻設(shè)定。舉個例子，比如在制冷裝置上安裝了溫度傳感器，真正需要掌握的數(shù)據(jù)信息即是異常情況。如果一切正常，那就沒有必要因為大量的普通數(shù)據(jù)而不知所措。所以說最重要的就是數(shù)據(jù)一旦產(chǎn)生，就馬上導(dǎo)出，整個過程實現(xiàn)數(shù)據(jù)的智能收集、過濾、提前分析以及快速批量處理。

DL：

　　讓我分享下我們的觀點。它對IOT同樣適用。簡單來說，我們提出智能堆疊的概念，把數(shù)據(jù)智能與人類大腦作類比。在第一層，大腦在一片狹窄的區(qū)域內(nèi)處理環(huán)境數(shù)據(jù)，擁有較快的反應(yīng)速度和自發(fā)性。在下一層，動作可能有個適當?shù)捻憫?yīng)時間，是相對自動化的。再往上，就是我們經(jīng)常說的增強智能（AI），它是軟件的頂層，服務(wù)于人類，長期由人類執(zhí)行政策改變。它幫助人類發(fā)現(xiàn)未知的見解，做出更好的，不同的，長期有效的行為調(diào)整。所以同理到物聯(lián)網(wǎng)（IOT），把這三層組合到一起。從工廠水平來說，最底層是機器人，自動作業(yè)；往上則更加智能，最高層是受人類控制的軟件，幫助人類提出見解，做出更好的決策。

MJ：

　　有趣的是這些已經(jīng)影響到了基礎(chǔ)設(shè)施層。你可能聽說過邊緣云、多路存取邊緣計算或者說是移動邊緣計算（MEC），它們都是在數(shù)據(jù)源頭附近就對其進行部分處理。這樣做有兩個原因，一是可以減少網(wǎng)絡(luò)延遲，減少決策轉(zhuǎn)換時間；二是可以減少擁擠在核心云的大量數(shù)據(jù)，提高云利用率。這就可以讓用戶和管理者接觸真正有用的數(shù)據(jù)。不過我現(xiàn)在解釋邊緣計算，其實也就是在描述反向內(nèi)容分發(fā)網(wǎng)絡(luò)（CDN）。

　　回想下幾年前視頻點播、直播流行的時候，我們突然發(fā)現(xiàn)沒有足夠多的頻帶去服務(wù)每一位用戶，讓其擁有單獨的流，以此應(yīng)對可能的延遲。所以，我們將緩存服務(wù)器放在最接近終端用戶的地方，在那里放置最流行的內(nèi)容，同時進行一些本地內(nèi)容導(dǎo)航和處理，比如快速轉(zhuǎn)發(fā)、撤銷以及內(nèi)容改編。這就是下游存儲和電腦資源優(yōu)化。如今，網(wǎng)絡(luò)上有很多不同的播放器，比如Akamai，他們正是通過提供緩存和優(yōu)化服務(wù)來賺取利潤的。

　　再看物聯(lián)網(wǎng)，和視頻行業(yè)不同，它的問題不在下游數(shù)據(jù)端頻帶不足，而在上游數(shù)據(jù)數(shù)量過多。大量物聯(lián)網(wǎng)器件產(chǎn)生大批數(shù)據(jù)，我們要做的就是在上游，數(shù)據(jù)源頭附近放置一些緩存服務(wù)，在此收集數(shù)據(jù)，做基礎(chǔ)分析，保證只有有用信息到達云端，再開始進行進一步的分析轉(zhuǎn)化。所以我把邊緣計算當做一種反向內(nèi)容分發(fā)網(wǎng)絡(luò)（CDN），因為它從反方向，用不同的流程實現(xiàn)了同樣的功能。

　　我們知道，不管是投資什么類型的新項目，主要考慮的就是節(jié)約成本或者開發(fā)新的收入源。但是我總是認為，成本的節(jié)約和團隊的高效性是趨使作出最終決定的關(guān)鍵因素。您二位能基于此兩點與我們舉例說明嗎？

MJ：

　　以我們目前正在做的視頻分析為例，這是一種使用導(dǎo)入大量舉例信息組成閉環(huán)回路，形成數(shù)據(jù)流，最終在監(jiān)控攝像方面有所應(yīng)用的技術(shù)。在城市中，我們有無數(shù)的視頻監(jiān)控，產(chǎn)生了成千上萬的數(shù)據(jù)信息。平常，沒有專門的工作人員一直盯著屏幕查看信息，因為這絕對是一項昂貴而低效的的工作方式。諾基亞要做的就是利用技術(shù)，幫助分析圖像信息。

　　我們應(yīng)用很多實例，例如車子方向開反，機場出現(xiàn)混亂，或者一些人或物產(chǎn)生異?；顒拥鹊?，將它們導(dǎo)入到分析鏈條中，通過一系列的算法完成場景識別和異常監(jiān)測。最后增加AI技術(shù)之后，系統(tǒng)便能完成自動識別、報警，以及預(yù)測異常。利用它，監(jiān)測系統(tǒng)變得實實在在的可實現(xiàn)了，同時，政府和安保公司便能節(jié)省大量成本，只安排少部分人就能達到監(jiān)測目標。

　　人工監(jiān)測的能力是有限的。

MJ：

　　對的，人工能力有限，并且99.99%的圖像信息都是不需要注意的。我們必須盡可能的在數(shù)據(jù)源頭過濾信息，只留有用數(shù)據(jù)進入下游分析。

DL：

　　我再給你舉幾個例子吧。第一個是加速問題解決，其中就以預(yù)測性維護為典型。“確保下一步動作是最好的”是預(yù)測性維護的目的，以前，在這種目標之下，人工將設(shè)備故障的原因分析告知維護助理，當問題發(fā)生之后，企業(yè)才著手解決。實現(xiàn)自動化和預(yù)測性維護之后，機器具備自動預(yù)測問題發(fā)生的技能，它能夠提醒使用者及時維護，將維護費用降至最低，由此節(jié)約成本。

　　另一個例子則是根據(jù)顧客群，設(shè)計不同的人工智能種類。許多的客戶都對人工智能（AI）感興趣，因為他們發(fā)現(xiàn)，競爭對手竟然也在一刻不停地努力吸引顧客群。在這條路上，誰得到了顧客，誰就獲得勝利。而大數(shù)據(jù)分析的重要作用便是理解、預(yù)測以及回應(yīng)顧客的需求。以互聯(lián)網(wǎng)行業(yè)方案開發(fā)者和解決者來說，提前知道擁堵的發(fā)生，以及作出應(yīng)對措施將是十分重要的，這也是AI的一項應(yīng)用。

　　另一個問題則是實現(xiàn)最優(yōu)化。如果看過很多商業(yè)成果，就能夠把一個問題設(shè)置為最優(yōu)化問題。在心中設(shè)想：這些是我的沙箱，我要做的就是利用原始數(shù)據(jù)和KPI，將實現(xiàn)優(yōu)化作為目標。系統(tǒng)可以幫助實現(xiàn)優(yōu)化，關(guān)鍵是如何在固定的企業(yè)環(huán)境中，在之前沒有挑戰(zhàn)過的領(lǐng)域，獲得打破壁壘，優(yōu)化問題的機會。當然，這種類型的增強智能通常會更加吸引企業(yè)高層或者相關(guān)政策管理者的關(guān)注。