機器學習是物聯(lián)網(wǎng)發(fā)展的關鍵因素，因為物聯(lián)網(wǎng)設備生成的大量結構化和非結構化數(shù)據(jù)是無法在人的控制下進行管理的。因此，可以通過機器學習算法來收集和精簡數(shù)據(jù)，以找到其真正的價值。這將在兩個層面上實現(xiàn)：

    在本地層面上，機器學習將體現(xiàn)在物聯(lián)網(wǎng)設備或網(wǎng)關中，以提供對其收集數(shù)據(jù)的實時響應。

    在全局層面上，機器學習將應用于云端，用來匯總數(shù)據(jù)并識別出可以讓消費者和供應商都受益的趨勢或重要全局細節(jié)。

    大規(guī)模物聯(lián)網(wǎng)

    物聯(lián)網(wǎng)設備的大量出現(xiàn)也帶來了一些問題，這種局面使大規(guī)模管理和設備監(jiān)控變得非常重要，并且利用物聯(lián)網(wǎng)提供數(shù)據(jù)的過程中會產(chǎn)生瓶頸。對此，上面提到的機器學習可以解決一些問題。除了機器學習之外，傳感器融合等技術還可以通過融合不同來源來減少收集數(shù)據(jù)的不確定性。自動計算可以幫助設備實現(xiàn)更高程度的自我管理，并在處理潛在數(shù)十億設備提供的數(shù)據(jù)時降低云級開銷。

    安全性

    對于物聯(lián)網(wǎng)的未來，安全性既是一個可以大有所為的創(chuàng)新領域，也是一個問題所在。這一問題不僅包括數(shù)據(jù)安全性，還包括大量潛在端點設備的訪問安全性和整體管理安全性。物聯(lián)網(wǎng)帶來的一個比較嚴峻的問題在于大量設備都共享相同的軟件，這些軟件一旦出現(xiàn)漏洞，攻擊者只需做很少的操作就可以入侵大量設備，構建起僵尸網(wǎng)絡。這只有通過設備自主管理才能應對，也就是設備在創(chuàng)建更新時監(jiān)視和保護自身。

    關鍵點

    機器學習算法和大數(shù)據(jù)架構必須適應物聯(lián)網(wǎng)的發(fā)展。

    數(shù)十億物聯(lián)網(wǎng)設備將會帶來新的問題，同時推動新的管理和安全型解決方案。

    新標準將推動設備之間實現(xiàn)互操作，以改善管理、通信和安全性（以及新法規(guī)的合規(guī)性）。