编写 Python 代码时
|
低功耗广域网的代表企业Sigfox，一直是物联网领域具有争议的风向标。 2020年，这家企业释放了两个重要举措：一个是Sigfox可能会放弃自有的网络通信协议，转而应用其他标准，如NB-IoT;另一个是Sigfox计划出售其在全球范围内部署的多个网络，位置涉及德国、美国和法国，重新调整业务模型，减少对物联网基础设施的关注，将更多精力放在数据价值挖掘上。 Sigfox的崛起是源自于他们研发了一套非常简单的通信协议，可以运行在非授权ISM频谱上，使用低成本、标准化的芯片即可传输3-10公里的距离，在低频使用的情况下能够支持数年的电池寿命。 这两个举措无疑都在撼动Sigfox的核心，犹如抽取Sigfox的王冠权柄一样，可见需要付出多么大的决心。 Sigfox释放的信号表明，物联网价值链的迁移比想象中更加剧烈。 物联网的价值链首先从底部硬件开始，如传感器来采集数据，当然硬件越便宜越好。 用户还需要为连接支付费用，这往往是电信运营商的“奶酪”。 然而随着连接量级的增长，规模经济的特征使得这些层面越来越便宜，直至无利可图。 根据GSMA的研究，连接最终将仅占物联网价值链的不到5%，而其余的95%将通过专业服务的形式体现，比如应用、平台或包含其他服务的混合形式。 在那个时点上，整个产业价值将转移至物联网的运营和应用部分。 应用的价值主要被每个具体部署物联网方案的行业深耕者获取，而这部分正是Sigfox看重的价值，他们想成为万物运营商或者应用聚合者，以期从每个行业应用中都分得一杯羹。 被全球电信运营商视为搅局者的Sigfox，用亲身经历验证，物联网价值链正在逐步迁移和调整，想要在其中找到更大的机会并抓住发展窗口期成长为巨头，必须先有舍才有得。
3. 移动互联网的下一站：移动物联网 如果说有某个领域为人类所独有，那就是感知了。数十年来，我们尝试模仿人类的能力去感知周围的世界，却鲜有成功。理解一幅图画或将语音转文字的复杂度使其几乎无法用编程的方式实现——想象一下如何用一步步的指令来定义图片里的一匹马。 机器学习算法更适合解决这类问题。然而，传统机器学习算法在处理感知任务时的准确性与人类能做到的程度相去甚远(我仍然记得在Windows Vista上给开发们演示语音识别功能的情景……这件事教我学会要做个更坚强的人!)。 以图像分类为例。ImageNet是图像分类中最著名的挑战。自2010年起，全球的参与者提交他们的算法来创建最精准的模型。在竞赛初期(即2010年)，能达到的较好的误差率约在25%左右。作为比较，同一数据集下人类对应的误差率约为5.1%。 到了2012年，Alex Krizhevsky(一位来自多伦多大学的学生)提交了他的方案：一个包含8层名为AlexNet的神经网络。AlexNet击败了其他竞争对手，达到了15.3%的误差率—比仅次于他的竞争者低了10个点。 在接下来的数年内，他引入的技术被持续改进并增加了更多层数，直到2014年，一个名为GoogLeNet的22层神经网络达到了6.7%的误差率。 次年，一个来自微软研究院的团队提交了使用全新神经网络技术的作品，其神经网络的深度达到了超大的152层，误差率仅为3.57%，首次超过了人类的表现。 深度学习永远地改变了计算机视觉。如今，这项技术实际上已经被用于计算机视觉的所有高精度场景，这使其成为企业中最常见的用例。以下是一些计算机视觉在当今的应用：
 （编辑：盐城站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
