工业物联网平台拥有哪些基本功能呢？

三维物联网概念

三维物联网是运用虚拟现实技术构建的全三维数字化物联网管理平台，结合互联网技术、射频识别传感器、视频监控系统、视频分析系统，以及数据仓库技术和数据挖掘技术，突破以人工管理为主的常规园区管理模式，解决常规管理模式中各系统各自独立，支离破碎的问题，同时解决传统模式中信息量少、流通不畅、缺乏综合分析、难以共享、应对突发事件反应迟缓、安全隐患较大等问题，实现物联网时代全面感知各种信息，让常规园区管理更加智能便捷。

三维物联网关键技术

RFID射频识别技术——物联网的“嘴巴”

RFID射频识别技术作为一种通信技术，通过无线电讯号识别特定目标并读写相关数据，而无需识别系统与特定目标之间建立机械或光学接触。

传感器技术——物联网的“耳朵”

作为接收器，它能感受规定的被测量，例如温湿度、电压、电流，并按照一定的规律转换成可用输出信号。

AI及云计算技术——物联网的“大脑”

云计算是把一些相关网络技术和计算机发展融合在一起的产物。它提供动态的可伸缩的虚拟化的资源的计算模式，具有十分强大的计算能力，高达每秒10万亿次的运算能力，可以模拟核爆炸、预测气候变化和市场发展趋势。同时它也具有超强的存储能力，具有计算和存储能力。

而相比云计算，AI技术就是真正意义上模仿人类大脑学习与思考，研究领域有智能机器人、虚拟现实技术与应用、工业过程建模与机器学习等。

无线网络技术——物联网传输中的“高速公路”

当物体与物体“交流”的时候，就需要高速、可进行大批量数据传输的无线网络，无线网络的速度决定了设备连接的速度和稳定性。若无线网络的速率太低，就会出现设备反应滞后或者连接失败等问题。

目前，我们使用的大部分网络属于4G，4G给通信市场带来的变革是十分巨大的，但是在我们即将面世的5G面前都不算什么，据悉，5G的峰值理论传输速度可达每秒数10Gb，举例而言就是一部超高清画质可在1秒之内下载完成，作为第五代移动通信技术，加上国内5G近两年的政策推动，也将把移动市场推到一个全新的高度，而物联网相关领域的发展也因其得到很大的突破。

三维物联网应用领域有哪些？

智慧城市

智慧城市以最大化优化城市功能为目标，促进经济增长，同时利用智能科技与数据分析来提高城市居民的生活质量。智慧城市基于物联网、云计算等新一代信息技术以及维基、社交网络、综合集成法等工具和方法的应用，营造了有利于创新涌现的生态。更为重要的是，智慧城市利用信息和通信技术让城市生活更加智能，通过高效利用资源，节约成本、能源，提升生活质量，减少对环境的负面影响，推动了低碳经济的发展。

智慧园区

园区应用物联网的理件技术可以实现各照明设备电气参数的集中采集，能耗计量和统计、故障声光报警、设备防盗，快速地图定位故障点等。园区中的各种需要获得的有用信息包持温度、湿度，照度等，都可用传感得技术获得，传感器技术获得这些信息后把它们转换成与之对应的输出信号，这样就可以使人们能更好地控制自己的生活和工作环境，最终可以使园区实现智能化。

工业物联网

物联网不仅是智能制造的关键技术之一，也是制造业企业实现数字化转型的重要途径；借助物联网技术，企业可以对多种类型的数据进行高效采集和整合分析，为客户提供远程故障诊断、预测性运维等增值服务，并通过数据价值深度发掘实现数据变现新的收入增长，变产品制造商为综合服务提供商。制造领域应用于物联网技术，主要体现在数字化以及智能化的工厂改造上，包括工厂机械设备监控和工厂的环境监控。未来应提高工业设备的数字化水平，挖掘原有设备数据的价值，提高设备间的协同能力。

建筑施工管理

随着建筑业的高速发展，施工事故也频繁发生，不仅夺去了无数建设者的生命，也为国家和企业造成了重大的经济损失。安全问题始终贯穿于工程建设始终，但是影响施工安全的因素错综复杂，管理的不规范和技术的不成熟都有可能导致施工的安全问题。物联网在施工管理中的应用，可以一定程度上避免安全事故的发生，保证施工安全。

0前言部分

1我所理解物联网

2公司业务架构

3个人职业规划

毕业后第一次跳槽，来了家物联网公司，感觉回到了大学时候，每天被大量智能设备包围的感觉很熟悉，有一些感悟，关于产品、关于技术、关于生活，抽空写下来。

物联网这个词被讲了很多年，毕业后也一直从事移动互联网相关工作，自然对其较为熟悉，物联网就是大量的智能设备联网共同工作。但当我深入了解这个领域，真正接触物联网产品，我反倒很难说清楚什么是物联网。亲人或朋友问我新工作是做什么的，我也很难描述清楚，不单是设备，不单是软件硬件，不单是数据，不单是场景现在我能体会到一些知乎大神上关于物联网的回答都是用一些很虚、很飘渺的词：处处皆入口，万物皆相连，边界不复存在。这不是装深沉，而是真的无法用一两句话描述清楚。

我也沿用这种很虚很飘渺方式来理解物联网，从两句耳熟能详的诗开始，来理解物联网中频频提到的两个词：“连接”和“数据”。

这句话诗描述的几时古人对“连接”这个词的理解。这一刻，全天下的人看得都是同一个月亮，通过一个月亮，把所有人都连接在一起。可见从古时候开始人们就有着一些隐隐约约的思路，通过一样东西，把所有人都连接起来。终于在今天，腾讯把这个使命完成了，微信让人与人之间可以即时通信，实现了天涯若比邻的愿景。写到这里的时候，我想到微信的启动界面，也是一个冰冷的月亮，跟我这个配图有点像，不知道设计灵感是否也是想表达，当代的微信就像古代的月亮，承载着连接的使命。如果文章有幸被微信的设计师看到，可以回复一下。

这是一个哲学家说的，我想用这句话来表达，数据是带有时间维度的。川流是不息的，河流中的水质、流速、温度每一秒钟都不一样，左脚踏进一条河流，右脚再踏进去的时候已经是另一条河流，它的水质、流速、温度等都不一样了，即便一样，它们所代表的含义已经不一样了。我们需要记录下每个时刻的数据，让这条历史的长河具有可分析意义。

物联网系统要连接人与人、人与物、物与物，要记录和分析历史数据，感知每个瞬间的数据变化，在最适合的时候提供最时候的服务。举个例子，你的身体状态每一秒钟都在变化，天气每秒钟都在变化，我们要结合你昨天的睡眠情况，今天的皮肤特性，建立很多数据模型，可能还需要融入中医的知识图谱，心理学知识图谱，告诉现在的你最适合和什么汤，甚至告诉炖锅每一秒钟的火力是多少，计算出热力曲线，炖出来的汤才最适合2个小时后的你喝。

其实写到这里我会想起我爸爸妈妈，每当我回到家他们看到我的黑眼圈，或者脸部发红，会问我昨晚睡得怎么样，然后猜测我是阴虚火旺，然后炖一个苦瓜黄豆汤给我喝。类似的事情你们爸妈也经常做吧。现在机器可以完成这些事情，而且不再是靠猜测，而是精准的数据采集，结合各种知识图谱进行多维度数据分析，将分析结果转化成设备服务。

好了，故弄玄虚的文字写完了，我还是得理清我具体是做什么的，公司业务架构是怎样的，我的岗位在整个业务流里处于哪个环节。其实面试时，甚至入职前我都不太清楚我的岗位职责，拿到offer后我深入了解物联网，领略到其魅力，以及判断到公司的研发实力能驾驭物联网的魅力，还不是很清楚岗位工作内容就入职了。现在已经入职两周了，对公司业务架构有一定了解了，以产品经理为焦点梳理一下业务流程。

公司业务方面：公司主要是面对B端客户，以数据服务为核心提供行业解决方案，提供服务平台和开放平台，让数据的雪球越滚越大，在幕后担任“大脑”角色。另一方面，在图中下方也看到了两条小小的产品线，一条是互联网产品，另一条是硬件设备，既做互联网产品也开发硬件，虽然力度很小，但也看出公司并不放弃从幕后走到台前的想法的。

部门架构方面：从对外部门架构上来看很不清晰的，有两家子公司多个部门，每个部门均有自己的产品经理、开发人员，职能交叉，部门自成体系，难以梳理清各部门的依赖关系。我按照业务流程以产品经理的视角捋一遍可分三种产品经理。第一类是走在业务流最前端的市场部的产品经理，他们直接对接客户需求。第二类是业务流中端的物联网产品经理，他们把各方面资源整合起来创造出应用场景，供商业转化。第三类是业务流后端的AI产品经理，他们负责人工智能产品的落地，负责数据大脑的需求。

我的岗位：我是上述第二类，业务中端的物联网产品经理，负责场景的创建和数据的打通，让算法结合使用场景落地。从图上可以看出负责的产品可以“一横两竖”概括，“一横”就是平台性的项目，包括B端开放平台、C端超级APP等；“两竖”中分别为家庭场景和商业场景，家庭场景包括睡眠产品线、美容产品线、家电产品线，商业场景更多了：智慧校园、智慧农场、医疗健康、养老、酒店、水生态这些场景和数据需要相互打通。

2013年毕业后就在上一家公司工作，老东家是一家电视厂商，一共待了5年时间。也有多朋友问过我为什么在一家电视终端公司待那么久，找工作时面试官也会问这个问题，待了这么久的公司为什么现在想离开。我的择业逻辑是这样的：

为什么在一家做电视的终端公司呆那么长时间，因为它的工作范畴比较广，我能学习的知识面广。前沿技术的方面涉及了大数据、AI、语音，移动互联网领域涉及购物、内容、社交等模块产品，硬件方面的有智能设备产品等。终端公司业务覆盖领域广，如果我对某一个领域感兴趣可以找相应的项目去做，再自己深入学习。比如甚至我对外卖行业感兴趣，现在的TV也有内置的外卖APP，通过项目和自主深入学习我能转到外卖这个垂直领域的公司去。但如果在外卖领域公司，就比较难转到终端公司了，这就是终端公司的好处。

这几年互联网高速发展，很多新技术、新模式在瞬间爆发，也很快没落，今天共享单车群雄逐鹿，明天短视频三分天下，如今无人零售打的火热，区块链又何去何从我不知道哪些方向才是对的，不知道转到哪些垂直领域去才合适。所以我选择在一个大的平台待着，能看清楚当前形势再行动。

随着年龄和经验的增长，逐渐能看透一些东西，个人感觉到移动互联的发展到达了一个瓶颈，新模式枯竭，产品差异化最终也只能体现在运营上，没有太多的机会，遂放弃了进入移动互联网的想法。这一两年人工智能悄然兴起，能强烈感觉到它带来的变革，它将像移动互联网那样，渗透到我们生活的每一个角落。在第四届世界互联网大会上，百度李彦宏也提到，中国互联网的人口红利不再，但AI的机会正在走来。各种迹象表明，站队人工智能是正确的选择。所以我摒弃了一些移动互联网属性的工作经历，选定了“一个方向，两个场景”：AI的方向，以及AI赋能的两个场景，一个是机器人，另一个是智能家居。然后准备简历，面试，最后来了目前这家物联网公司，虽然岗位不是AI产品经理，但能跟AI团队紧密合作，且能调用其资源，想深入学习AI技术也是很容易的事情。

下阶段：

在业务层面，希望能尽快上手和适应新工作，并能在工作中体现应有的价值。目前从“一横两竖”中的“一竖”入手，即家庭场景产品线，后续会接触商用行业的产品线，再到横向的平台类项目。最后向前后端延伸，学习范畴渗透AI核心技术、各垂直行业的商业需求，努力成为全栈人才。

在职业层面，目前产品经验尚不足，是一个初级、执行层面的产品经理，希望通过努力，发展到能在规划层面有一定话语权产品经理，最后发展到在战略层面有一定影响力的产品经理。

在生活层面，好像单身挺久了，抽空找个女朋友。入职两周，感悟大概就这些了，以上，共勉。

数据分析、机器学习与物联网
我们当前所处的世界，联网程度不断上升，低成本传感器和分布式智能也在不断普及，产业即将面临这一切带来的革命性的冲击；同时，在此过程中还会产生大量的数据，其规模将庞大到远远超过人类所能处理的范畴。对此，企业是否能足够迅速地适应并演进自身的业务，以维持在竞争格局中所处的位置？面对我们栖身的环境中植入的这些全新的信息来源和智能设备，人类应当如何掌握它们并从中获益？利用不断演进的技术组织机构将需要建立起内部数据仓库，以便能够利用新的数据源和数据流。智能接入设备亦将在某些情况下取代人的角色，它们将能够自行决策、执行自我调整，或是根据需要引发对自身的纠正和修复。在另一些情景中，众多设备的集合将聚集在一起成为完整的系统，这样的系统可以采用新的方法进行优化；而由系统聚集成的系统，将会彼此共享数据，并成为由数据和设备组成的生态系统。机器学习（指从数据中推导出意义的众多方法）注定将成为这个生态系统中的一部分；此外，随着企业着手为物联网（IoT）做准备，传统业务和数据分析技术也同样将被纳入到该生态系统之中物联网——某些人更愿意称之为“万物互联”（Internet of Everything）——正处于不断上升的轨道上。一项Gartner研究指出，在2020年IoT单元的数量将达到260亿，而IoT产品和服务的市值将达到3000亿美元1。另外，GE在工业互联网（Industrial Internet）——这一概念包含用于监控和优化工业设备（例如喷气式引擎、铁路机车、动力涡轮机和制造工艺）性能的机制和应用——领域已经活跃了很长时间。根据GE的估算和预测，在接下来20年中，工业互联网将帮助全球GDP产值提高10到15万亿美元（没错，万亿量级）。当然，围绕着已问世的全新技术和正在逐步浮现的技术概念，市场中充斥着大量炒作。例如，Gartner备受争议的 “成熟度曲线”（注：也有些人使用“炒作周期”这一贬义说法）报告就把IoT摆在了“翘首以望的顶峰”的位置上（而大数据作为之前的热点，已经进入了“理想幻灭的低谷” 3）。然而，哪怕企业家们为之表现出群情激昂的兴奋，或是记者们在笔下展现出了对未来的狂热展望，在现实中依旧存在着大量的挑战，组织机构必须克服它们，才能够真正乘上这次技术演进的东风。挑战组织机构必须聚焦于：了解产品技术和IT领域中，企业能力的相对成熟度；了解可以纳入哪些类型的IoT功能，以及新能力将会在哪些方面对客户价值带来影响；了解机器学习和预测分析模型的角色；基于市场变化的迅捷程度和竞争对手的相对敏捷度，重新思考业务模型和价值链。接下来，让我们对这些挑战逐一进行更详细地分析。理解产品和IT成熟度可以从产品和IT两个维度分别进行分析。首先，产品组合的成熟度如何？它是属于变更较缓慢且逐步演进的传统类型的产品，还是属于前进速度更快，同时具有更复杂生态系统的产品？矿产设备在技术上非常复杂。并且，与科学研究仪器相比，它拥有更为漫长的设备生命周期，和相对更缓慢的演进速度。然而，这并不意味着科研仪器的公司，在利用IoT产品进行系统优化方面更具优势。另一个需要考虑的因素是IT流程的成熟度。各种类型的组织机构都可能会因采用IoT而获益；然而，要想达成这一目标，它们所需采用的模型却各不相同。让我们进一步分析一下IT成熟度水平这个因素。举例来说，科学研究仪器供应商或许拥有先进技术，但却可能缺乏强有力的IT架构、流程和IT治理能力。与之相反，矿业设备制造商或许拥有非常成熟的内部IT流程。对科学研究仪器公司而言，IoT将让它们能够对安置在现场的仪器设备进行功能升级；但面对由多种类型设备组成的实验室信息生态系统库，公司并不一定愿意尝试去进行优化。（当然，以IT作为成本中心——例如内部IT管理——方面的成熟度不足，并不等于以IT作为利润中心——例如IT产品——方面成熟度的缺失；但当开发或拓展IT服务的时候，许多组织机构都选择在现有的基础IT能力之上构建。）在去年的哈佛商业评论（Harvard Business Review）中，讨论了一个矿业设备领域的例子：Joy Global是一家矿业设备制造商，其专家团队横跨与采矿作业相关的多种系统和流程。Joy Global以此为依托，针对来自多家供货商的一系列设备，提供监控、维护和优化的服务4。了解IoT能力接下来，应该考虑一下使用智能联网设备中的哪些能力。刚刚提到的哈佛商业评论刊登的文章4指出，IoT包含四种类型的能力：监视——传感器提供关于运行环境、产品使用和性能方面的数据；控制——可以控制并定制个性化产品功能；优化——来自监视与控制的反馈回路，能够提供更高的效率、更好的性能、预防性维护，以及诊断和修复；自治——监视、控制和优化将支持独立运行、不同系统间的协作、与环境交互、个性化、补给，以及自我诊断和修复。这四个层级的能力，将为重新定义供应链并重新配置价值链提供支持。我们不应该抱有产品的功能应固定不变的观点；相反，我们应该认为它们将更具灵活性和适应性。那些智能联网设备和产品将具有可变特性，并能够随着用户需求的变化而改变。在数年以前，软件制造商就已经认识到了这一点。而现在，物理对象也正在逐渐转变为软件驱动功能的载体或容器。上述这些层级的能力要求越来越精密的数据分析方法——从收集和应用数据，到支持算法自身运用数据并在同时进行学习。第一个层级的能力——监视——将成为一套实时的机制，我们可以运用它更好地了解现场情况和用户需求，并提供新的能力。这意味着组织机构的传统产品和服务将不再泾渭分明，而且二者的边界将彼此渗透。在过去，现场设备的维护由某个现场服务承包公司承担，设备制造商的业务并不涉及此环节。而在智能设备与监视能力结合后，设备可以在故障发生前将所需的服务提前告知制造商。同时，设备制造商也可以将常规维护纳入自己的服务范畴。不过，如果利润和物流对组织机构而言是个问题的话，那么复杂的维修工作将依旧由专业承包商完成。这一“去中介化”(disintermediation)的模式也可以运用到分发链中。设备可以自动发起补充供应的请求，从而降低甚至消除供应链中的物流和库存压力。控制是建立在监视之上的更复杂的应用。我们可以监视设备运行情况，并通过控制设备的多个部分或多个系统，来扩展人工干预的边界。想象一下，在 *** 作大部分功能都是自动化执行的系统或机器时，人类所扮演的角色：人类指导机器运转，并寻找系统设计的时候没有预料到（或是基于经济划算的角度未设计应对预设）的边界条件、异常和例外。接下来，人类使用自己的判断做出变更、纠正或调整。我们并不需要（在空间上）与设备在一起，或许我们也无需实时监视它们（这取决于流程）。我们通过监视层面采集数据并进行处理（某些数据处理必须在特定时刻完成），并通过控制层面将这些数据实时（或准实时）地运用到设备或装置的运行上。需要组织机构做出的战略决策是，是否以及何时在产品中提供更多的控制能力，以及是将其作为一种服务向客户开放，还是让客户拥有这些功能。第三个层级的能力——优化——可以拓展到某个单体对象、一系列对象，或是一套由来自多家制造商、使用不同技术的对象组成的生态系统的表现方面。是否将提供的服务拓展到这一领域，取决于围绕着价值链和流程边界的知识和经验的水平。前面提到的矿业的例子，反映出Joy Global与供应商相比的优势，主要在于拥有在流程生态系统中更加聚焦的视角。以卡车制造商为例，它无法很好地优化复杂的矿业设备，但却会凭借对自己的一系列卡车（以及潜在的一系列其他制造商生产的卡车）进行优化而获益——如果行业动态确实具有商业意义的话。要将优化的范围延伸到独立运行，还需要对这三个层级的能力进行一些拓展，以支持与环境及其他系统进行受限程度更低的交互。自治要求围绕着算法提供更多的智能，以便应对计划外的情况——程序员和系统工程师未能明确设计这些情况下的方案。自主运行需要整合具有适应性的机器学习方法，以应对新出现的情况，并将之纳入到用于监视、控制和优化的核心算法中。了解分析和机器学习2014年11月，施乐公司帕洛阿尔托研究中心的Mike Kuniavsky在IDTechEx上进行了一场名为“IoT领域中预测分析方面的用户体验”的演讲。在演讲中他表示，我们应该将几乎所有功能都存放（或是在不久的将来存放）在云上。数据和功能可以从任何位置、通过任何设备访问。而专业设备则提供用户访问数据的环境。健康手环可以通过iPhone或笔记本电脑，在特定的锻炼环境中访问用户的身体健康数据。在这种情况下，健康手环扮演了IoT传感器的角色，同时也提供了访问和使用数据的一种途径，而且它还通过软件功能包含了其他一些设备（例如计步器）的能力。设备上产生的数据可以为厂家提供额外的洞见，帮助其了解消费者的使用情况和喜好，并藉此升级功能或开发新特性。如果汇聚来自用户群的数据并结合其他数据集，那么新的洞见可以阐明流行病方面的数据、人群活动水平、生活方式和人口统计数据。对市场人员、健康服务提供者、保险公司和政府机构来说，这些信息具有宝贵的价值。（当然，我们必须认真对待隐私和数据使用许可方面的责任。）我们可以使用机器学习算法，基于这些数据模式作出预测。例如，在一份来自Mayo Clinic的研究中，发掘出了活动数据与心脏病人恢复速度的相关性5。同样的机器学习和预测算法也是许多联网智能消费设备的基础。例如，Nest恒温器是一套能够使用数据模式的设备，它预测消费者对于某个特定房间、在一天中的某个特定时刻的温度要求。（另一个控制和优化的例子体现在聚居区的层面。在获得了业主许可的情况下，电力设施可以通过远程调节的方式，控制成百上千的Nest设备，将室温调高或调低几度，从而完成高峰期的用能负载调度）。这类消费设备涵盖了从声音模式（例如亚马逊的个人助理输入设备Echo6）到更复杂的行为和活动模式（例如捷豹的路虎监视系统，它依赖于一套复杂的软件系统，该系统让汽车能够学习、预测和检查，并提醒车上的乘客帮助驾驶员自动委派次要任务，以便驾驶员将更多的注意力集中在驾驶上7）进行学习的范围。优化算法通过使用机器学习机制，来利用从动态环境下交互的传感器和智能设备传回的数据。算法不能基于特定的参数，精确地预测这些多变的情况，而是需要不断地感知、响应并适应。例如，随着汽车从驾驶员身上分担了更多的责任，它们需要与周边环境中更多的数据来源进行交互（传感器、灯光、其他车辆等等）。在工业自动化、物流和交通运输、电力网络与能源系统、交通管理、安全系统以及其他“系统的系统”等领域中的各类应用，都将让机器直接与其他机器进行交流。此外，这些应用还将基于能够演进和自适应的算法，帮助机器翻译数据流，从而使机器能够依据给定的运行参数达到要求的最终状态。反思业务模型和价值链智能联网设备要求组织机构重新检视，它们处在市场中的什么位置、以什么方式创造价值，以及这些价值将如何随着竞争环境和信息生态系统的演进而增加或减少。分析将帮助验证某些决策（例如，在对特性进行变更或是增加服务和功能后，获得实时使用数据）；不过，市场新进入者和新的价值链结构或许会对业务模式带来巨大的转变，而基于公司传统业务模式做出的分析将不再具有相关性。因此，产品或服务的基础，或许会转变为来自传统产品的数据流，而不是来自产品本身的收入。新的业务模式将得以延展，甚至有可能远远超出产品本身的范畴，覆盖上游供应商或下游消费者。最重要的是，所有这些可能性，都会要求组织机构拥有围绕着其内部数据健康度和用于分析的基础设施的基础能力：数据“打捞”（curation）、所有制和质量标准、具有一致性的企业架构、干净整洁地集成在一起的系统、自动化的数据载入流程，以及成熟的分析专家。如果欠缺或未能有效管理这些基础条件，组织机构将很难进行快速反应，并演化出新的分析和数据管理功能与能力。IoT将基于数据流和复杂的方法，从信息中获取洞见，并通过与企业知识整合，将之运用到价值创造方面。而不具备这些能力的组织机构将在市场上落后，或是降级到低价值、低利润的层次。数据被称为“新的石油”——我们可以拓展这一比喻，这意味着通过分析能力中的知识提炼环节，数据将被精炼为高价值产品。组织机构现在就需要在构建此类基础设施的方面投入资源，以便为接下来数年中应对供应链和价值创造环节的转型、扰动和颠覆做好准备。信息敏捷性将成为必备的核心能力。

---