物联网案例(一):将设备数据转换为明智决策

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。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 216,193评论 6 498
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,306评论 3 392
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 162,130评论 0 353
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,110评论 1 292
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,118评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,085评论 1 295
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,007评论 3 417
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,844评论 0 273
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,283评论 1 310
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,508评论 2 332
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,667评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,395评论 5 343
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,985评论 3 325
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,630评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,797评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,653评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,553评论 2 352

推荐阅读更多精彩内容