MJ：

　　對這個問題我想從不同的角度作補充。除了領導層需要對情況作分析決策以外，目前在很多企業，數據分析師的重要性正在提升。這些分析師知道如何處理數據，他們知道如何控制數據的精煉過程。這里談論一個傳統IT人員不具備的技能，我的專業是電腦科學，20年前，這門課主修的是數學運算。5-10年后，主修課程變成了算法和程序設計語言。現在，我的兒子在讀AI專業的博士學位，他們學生又重新重視起數學運算和統計學了。而且我們不要忘了，如果數據分析師的工作需要支持企業決策，他們一定要掌握不錯的行業知識和具備一定的商業敏感度。

　　所以這是兜了個圈回到原地了嗎？

MJ：

　　最復雜的問題是不能只用原始的計算機數據和數字運算來處理的。你需要用行業知識來判斷什么是有意義的數據，什么是無意義的。這些是業內人員正在做的，并且如Denny所說，他們正是實現內部決策的真實支持者。

　　基于大量可分析的數據，我們看到了許多的IOT解決方案。這就說到一點，如果客戶有數據知識，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據分析這一技能嗎？

MJ：

　　這取決于想建立的是何種數據解決方案，以及在哪里實現數據過濾和門檻設定。舉個例子，比如在制冷裝置上安裝了溫度傳感器，真正需要掌握的數據信息即是異常情況。如果一切正常，那就沒有必要因為大量的普通數據而不知所措。所以說最重要的就是數據一旦產生，就馬上導出，整個過程實現數據的智能收集、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，把數據智能與人類大腦作類比。在第一層，大腦在一片狹窄的區域內處理環境數據，擁有較快的反應速度和自發性。在下一層，動作可能有個適當的響應時間，是相對自動化的。再往上，就是我們經常說的增強智能（AI），它是軟件的頂層，服務于人類，長期由人類執行政策改變。它幫助人類發現未知的見解，做出更好的，不同的，長期有效的行為調整。所以同理到物聯網（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；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：

　　有趣的是這些已經影響到了基礎設施層。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），它們都是在數據源頭附近就對其進行部分處理。這樣做有兩個原因，一是可以減少網絡延遲，減少決策轉換時間；二是可以減少擁擠在核心云的大量數據，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據。不過我現在解釋邊緣計算，其實也就是在描述反向內容分發網絡（CDN）。

　　回想下幾年前視頻點播、直播流行的時候，我們突然發現沒有足夠多的頻帶去服務每一位用戶，讓其擁有單獨的流，以此應對可能的延遲。所以，我們將緩存服務器放在最接近終端用戶的地方，在那里放置最流行的內容，同時進行一些本地內容導航和處理，比如快速轉發、撤銷以及內容改編。這就是下游存儲和電腦資源優化。如今，網絡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化服務來賺取利潤的。

　　再看物聯網，和視頻行業不同，它的問題不在下游數據端頻帶不足，而在上游數據數量過多。大量物聯網器件產生大批數據，我們要做的就是在上游，數據源頭附近放置一些緩存服務，在此收集數據，做基礎分析，保證只有有用信息到達云端，再開始進行進一步的分析轉化。所以我把邊緣計算當做一種反向內容分發網絡（CDN），因為它從反方向，用不同的流程實現了同樣的功能。

　　我們知道，不管是投資什么類型的新項目，主要考慮的就是節約成本或者開發新的收入源。但是我總是認為，成本的節約和團隊的高效性是趨使作出最終決定的關鍵因素。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，這是一種使用導入大量舉例信息組成閉環回路，形成數據流，最終在監控攝像方面有所應用的技術。在城市中，我們有無數的視頻監控，產生了成千上萬的數據信息。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，幫助分析圖像信息。

　　我們應用很多實例，例如車子方向開反，機場出現混亂，或者一些人或物產生異常活動等等，將它們導入到分析鏈條中，通過一系列的算法完成場景識別和異常監測。最后增加AI技術之后，系統便能完成自動識別、報警，以及預測異常。利用它，監測系統變得實實在在的可實現了，同時，政府和安保公司便能節省大量成本，只安排少部分人就能達到監測目標。

　　人工監測的能力是有限的。

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據源頭過濾信息，只留有用數據進入下游分析。

DL：

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

　　另一個例子則是根據顧客群，設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，因為他們發現，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。而大數據分析的重要作用便是理解、預測以及回應顧客的需求。以互聯網行業方案開發者和解決者來說，提前知道擁堵的發生，以及作出應對措施將是十分重要的，這也是AI的一項應用。

　　另一個問題則是實現最優化。如果看過很多商業成果，就能夠把一個問題設置為最優化問題。在心中設想：這些是我的沙箱，我要做的就是利用原始數據和KPI，將實現優化作為目標。系統可以幫助實現優化，關鍵是如何在固定的企業環境中，在之前沒有挑戰過的領域，獲得打破壁壘，優化問題的機會。當然，這種類型的增強智能通常會更加吸引企業高層或者相關政策管理者的關注。