對付大數據，有概念認為有了足夠大的數據集，闡明的統計要領就長短須要的。我們將其稱為“N等價于所有”的理論。而按這樣的說法，抽樣和推理都是揮霍時間。擁有了所有的數據，就只需讓數據措辭。

固然“N等價于所有”的理論在短短幾年前照舊革命性的產品，作為正在上線的新穎并且更具潛在代價的闡明要領，它很快就過期了。對付將所有數據對應一個給定主題這樣的觀念，物聯網（IoT）闡明和認知計較這對大數據的風行概念帶來了挑戰，并且這也要求那些闡明專家從頭對他們的做法舉辦評估。

“N等價于所有”的框架的早期形成是在2008年——大數據時代的初步。Chris Anderson在《連線》雜志中撰文談及的例子提到，在告白和生物等規模，拍字節巨細的數據存儲可以讓謎底變得清晰。足夠大的數據集意味著研究人員甚至不需要設定問題或是假設。這些數字說明白一切?？墒钱斈阍谡務撔屡d闡明技能的時候，工作并不是這樣的。

物聯網不會將所有數據收入囊中

一說到物聯網，會很自然地將曾經所有的數據解除在外。它包羅每秒鐘刷新的綿綿不斷傳入的信息流。它會匯報你時刻產生的工作，而不是尋求得到大量要害數據來答復可溯源問題。

最有效的物聯網計策可以從傳統大數據的角度識別技能有何差異。對付物聯網來說，邊沿闡明已經成為要害構成部門。這包羅了在跟著數據建設用于計較的邊沿網絡的網絡設備和傳感器中的統計較法，對付要將哪些數據送回中心數據庫，要丟棄哪些數據，它們會舉辦決定。在這種環境下，更多的數據只會是承擔。你永遠不會想要所有的數據。我們會利用統計要領來抉擇利用哪些數據。

認知計較帶來差異的挑戰

由認知計較帶來的對主流大數據理論的挑戰是有所差異的。在認知計較中，豈論我們是否在談論人工智能(AI)或深度進修，可能你是否能有足夠的數據是沒有意義的。算法通過履歷加以改造，并且它們越是得到更多的練習，表示會越精彩。

谷歌的圍棋人工智能算法AlphaGo(阿爾法狗)通過提取人類玩家完成的3000萬棋局走法，學會了玩棋類游戲。這是作為該算法的劈頭練習，但這還不足。接著它跟本身下了數千局棋，莫斯科服務器 新加坡vps，并對每場角逐舉辦改造。最終，它改造到可以或許擊敗該棋類游戲的每小我私家類大家。

可是，從理論上講，該算法照舊可以或許通過不絕進修來舉辦自身優化。你永遠不能說它已經學會了玩兒這種游戲的所有內容。這同樣合用于像語音識別，計較機視覺和自然語言處理懲罰之類的其他深度進修實踐。人類是認知計較算法最為靠近的模仿。沒有來由認為一種算法可以或許得到所有需要的數據來最優地執行這些任務。

是時候從頭思量大數據的性質了

曾經有段時間“N等價于所有”的大數據理論被認為是終極的代價主張。觀測整個數據集的本領好像為提出特定問題和吸收特定的謎底提供了成果，而不必依賴必需涉及必然水平上不確定性的統計要領。

可是，越來越多的企業真正的代價和他們在市場上逐漸面對差別未來自于這些新興的闡明趨勢。那些想要在業界保持領先的企業需要對“什么是大數據”舉辦從頭審視。