“IBM实验室总监谈大数据前沿趋势”

本篇文章1317字，读完约3分钟

大数据技术涉及的行业非常广泛，从硬件基础设施到数据库再到上层APP，大数据技术的身影遍布it APP应用的各个层面、各个地方。 但是，要从大数据中挖掘价值，这个重任必须是拆解技术。 那么，大数据观察技术的研发难点是什么？ 未来如何快速发展？ 为此，比特角采访了ibm大数据研究所的总监aya soffer。 她领导ibm全球12个研究所进行研究开发。 她领导的ibm研究所介绍说，没有对已经成熟的技术进行商业研究开发，而是重视预见性和划时代的研究。 那个工作的想法是三大部分。 第一，如何从非结构化的流媒体数据中提取数据以帮助决策和分解。 例如

从音频和视频中提取特殊数据来决定分解； 二是数据可视化。 如何使分解后的结果可视化才能让业务顾客理解。 三是可视化与地理位置新闻相结合，如港口监控所有船只，根据异常情况结合人员拆解进行评估，实现更快的拆解。

问:我说过正在研究关于语音、视频的大数据应用，这些数据在大数据观察中，其技术课题在哪里？ 目前在那些方面有进展吗？

aya soffer :目前，各个音频、视频的解决，已经在很多系统中进行得很好，但如何理解视频背后的含义，即语义分解和语境分解，这是目前的技术难点。 例如，很难从一张或多张照片中提取出两台车有可能发生碰撞的特征。

问:非结构化数据是大数据中最常见的部分。 以自然语言翻译为例，目前存在两种方法。 一是利用语言学家的方法，根据语言理论进行翻译。 另一种形式是谷歌这样的匹配法，无论语法和规则如何，都以原文和(互联网上的)翻译数据为对象，找出最近、翻译结果最常被引用的。 你认为哪种方法适合现在的APP环境？ 还是你觉得哪个有效？

aya soffer :这两种方法并不矛盾。 根据实际应用场景，使用两种方法。 基于统计的方法，依然会持续快速发展。 如果我们对错误的容忍度很高，基于统计的方法就会奏效； 在我们要求精度的情况下，有必要适用于以前流传下来的做法。

问:机器学习是大数据应用中非常流行的形式，但流派众多，什么种类可以接受？

aya soffer :机器学习现在主要有两种倾向。 第一个是更深入地学习。 即如何在没有人工干预的情况下，通过大规模的计算进行深入的学习和分析。 另一个大趋势是适应性学习。 也就是说，继续利用自己设置的反馈机制对模型和算法进行自我调整。

问: IBM研究所研究的这些技术应用于产品需要多长时间？

aya soffer :至少需要1-2年。 我们也和产品部合作了一点点的创新。 这些创新将在一两年内变成商业化的产品。 但是，如果是非常跨时代的创新，需要的时间就会非常长。 例如watson系统从2006年开始制作，但商业化还不到一年。 但是，目前外部环境的快速发展要求软件的开发周期越来越快，云计算使得这些创新能够更快地提供给市场。

问: IBM今年收购了许多与大数据相关的公司，对当前的研究方向有什么影响？ 如果收购的技术和我们研究的项目重合了，你怎么解决？

aya soffer :收购是件好事。 也就是说，我们不需要重新创新。 收购的产品肯定已经有一定的技术沉淀物。 我们实验室将对新收购的产品进行一定的技术合作以提高它。