加入收藏 | 设为首页 | 会员中心 | 我要投稿 盐城站长网 (https://www.0515zz.cn/)- 运维、云管理、管理运维、智能数字人、AI硬件!
当前位置: 首页 > 站长资讯 > 外闻 > 正文

IDC(数据中心)市场

发布时间:2021-01-27 11:40:14 所属栏目:外闻 来源:互联网
导读:2020年,物联网的新型商业模式正在逐步被验证。 2020年8月3日,涛思数据在继将其TDengine单机版开源之后,又宣布将物联网大数据平台TDengine集群版开源。至此,TDengine超过90%的核心代码全部公开。目前,涛思数据已完成超过1000万美元的A轮融资,由红杉资本

2020年,物联网的新型商业模式正在逐步被验证。

2020年8月3日,涛思数据在继将其TDengine单机版开源之后,又宣布将物联网大数据平台TDengine集群版开源。至此,TDengine超过90%的核心代码全部公开。目前,涛思数据已完成超过1000万美元的A轮融资,由红杉资本中国基金和GGV纪源资本领投。

2020年9月,由云原生计算基金会(CNCF)技术监督委员会(TOC)投票,同意将开源的云原生边缘计算平台项目KubeEdge正式晋级为CNCF孵化级别的托管项目。

2020年底,开源基础软件公司EMQ也完成了近1.5亿元的B轮融资,本轮融资由高瓴创投领投、GGV跟投,这是一年之内EMQ完成的第二笔融资。

开源项目备受青睐,有其更深的底层逻辑,那就是商业活动和经济组织模式正在发生根本性的变化,商业模式正从单边平台走向双边平台,最后在数字化时代走向了多边平台。

传统制造业基本上都是单边平台,从设计、生产到销售,仿佛一条流水线。单边平台追求的是规模效应,即设计标准化产品,尽量控制生产成本,再卖给尽量多的人,从而为企业创造规模效应。

互联网时代,商业模式变成了双边平台。双边平台追求的是网络效应。例如滴滴这样的双边平台,平台上的打车用户增加会为平台吸引到更多的车主入驻,同时车主增加又会吸引来更多的打车用户,这就是双边平台的网络效应。

到了数字化时代,商业结构逐渐转变为多边平台,追求生态效应,变得开源开放、共享共生,以联盟甚至社区的方式组织经济活动。最典型的就是比特币网络。这个网络没有控制者和所有者,加入这个网络也不需要得到任何人的许可。

生态效应和开源模式还将彻底改变物联网企业的销售模式。过去,物联网企业需要以To B的模式,依次拜访企业,从而寻找合作机会。在开源之后,随着名气的快速增长,以涛思数据为代表的的企业变成了类似To C的销售模式,客户只需要到其官网上,就可以查看、购买其相关产品和服务。

这对团队的能力提出了更高的要求,既要懂C端的互联网营销,也要懂B端的行业认知甚至管理思维,也就是打造一个既有B端身体、又有C端思维的团队。

同时也必须承认,网络效应与生态效应的形成过程要经过长时间的积累和沉淀。好在只要商业模式本身符合长期价值,最后一定会越好越大,越大越好。

4. 有舍才有得,物联网价值链的迁移
 

机器学习的首要特征就是随时间学习的能力,并且不需要明确编程。和人类一样,机器学习算法通过探索与实践学习,而不是遵循一步步的指令(当然我知道有些读者是小孩子的父母,有时候你们可不希望孩子们这样)。

机器学习算法是按照学习方式分类的。当下最流行的、你的企业90%的时间可能都会采用的技术就是有监督学习。

有监督学习使用包含输入和期望输出的数据集。通过迭代优化,学习算法可以找到一个函数,对输入如何转化为输出进行建模。这个模型会被应用于训练集外的新的输入,并预测对应的输出。

找到正确的算法和参数,部分靠科学,部分靠创造力和直觉。如何将机器学习应用于这一过程本身就是个研究课题——这种技术称为自动化机器学习(AutoML)。

有监督学习算法都有相同的缺陷:它们需要大量数据。而且不是任何数据都行,它们需要同时包含输入和对应输出的训练数据,也称之为标记数据。

有时我们会有在记录系统或交互系统中存储的已经标记过的历史数据。例如,对于客户流失模型——我们可以查看流失客户的历史数据,加上客户的历史交互一起作为训练数据的输出部分。通过使用正确的算法,我们仅仅通过查看一系列的交互,就能够预测未来的客户流失情况。

然而有时我们不会如此幸运,数据并不会被标记。无监督学习算法会处理一组没有标记的数据并找出其中的结构。聚类算法是无监督学习算法中最流行的一种,它通过不同的技术,在数据中找到共性并对其分组。你可能使用这种算法对你的客户群或网页访问者进行客户细分。

其他常用的无监督学习算法有关联规则(定义数据间的关联,如购买某种特定产品的用户会对其他特定产品感兴趣)和异常检测(找出与主体数据不同的罕见或可疑部分数据)。

在其他情况下,我们完全不使用训练数据。想想人们如何学会玩一款视频游戏。解决这个问题的有监督方法就是观看成千上万的游戏视频并从中学习。这是许多Youtube播主的商业模式,我的孩子们就看这种视频,但我发现这种方式极度枯燥。

一个更有趣的学习方法是实际上手玩这个游戏。在玩的过程中,如果我们做对了(比如得分)就会得到正向强化,如果我们做错了(比如被杀死)就会得到负向强化。强化学习算法就是这么做的:它们通过探索环境并强化正确的行为来学习机器学习的功能。

强化学习由于其不需要数据的特性,成为商业上一种极其有前途的机器学习方式。它特别适合自动化系统——无论是移动的(如车辆、遥控飞机)还是静止的(如空调系统、电力系统)——同时也可以应用于复杂的业务流程。强化学习通常被认为是AI中最困难的学科。

02 感知

(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!

    热点阅读