算法到数据

对测量数据的巧妙分析

正是这些小功能，将令未来的驾驶更加轻松简单。如果汽车能够实时显示前方道路中的所有危险因素，如道路湿滑等，就会让人感觉舒适安全。显示附近空闲停车位的功能虽小却实用，能够节省时间，减轻压力。

不管是满足简单的客户需求，还是执行复杂的分析功能，制造商都需要收集大量车辆数据。大量数据这种方法具备巨大优势，一些人因此而振奋，另一些人却倍感烦恼。这就是大数据。大数据早已融入人们的日常生活。在公众印象中，这种方式在承诺收集数据和产生可衡量的实际利益之间来回摇摆。

Cognizant Mobility的分析团队对这些困难非常熟悉。一方面，要具体评估和处理大数据提供的部分海量数据自然困难重重。另一方面，大数据分析还需要回答一些非常具体的问题。

为应对这些挑战，通常缩写为A2D的“算法到数据”出现了。分析师不是集中收集多辆车的大量数据用于分析和客户功能开发，而是将具体的搜索请求或分析任务发至单个车辆，在本地执行。后端仅返回这种单个问询的结果。大多数汽车制造商称这种方法为基于事件的数据收集，或活动管理。

与集中式大数据解决方案相比，这种方法具备多种优势：

ui.form.checkbox.label.terms

除了这些非常实用的优势，算法到数据还能提供法律保障。所收集数据的实际拥有者是谁？这个问题的答案已十分简单：驾驶者。A2D分析过程中，驾驶者的数据保留在自己的车上。分析结果和发现将返回给制造商，且可以轻松做到数据匿名。

当然，在分析之前仍然必须明确哪些数据应被搜索到。因此，A2D必然会要求用户在开始分析之前思考目标为何。目前对大数据普遍存在但往往毫无根据的猜测是，大数据只收集大量数据，但用户无法知道哪些数据对自己有用。

然而，即使最为实用的方法也往往有隐藏缺陷。目前的硬件并非总适用于大规模的针对性分析，尤其当这种分析需通过单独控制进行时。为此，当前计算机组件的性能必须有重大飞跃。另外，很难对数据进行追溯分析。

因此，制造商在开发阶段就需依靠所谓的互联数据记录器。需要额外安装功能强大的计算机硬件，如此不仅保证数据可追溯，而且还具备检测功能，从而预先过滤错误或车载软件的可疑行为。在Cognizant Mobility的Rapid框架中可以看到，在检测出错误并消除之后，可以将更新直接无线传输至车辆上。

Cognizant Mobility 与制造商一起设计数据和分析策略，并予以实施。不仅针对预开发，更涵盖批量生产过程，以此打造客户需要的功能。这些功能包括与车辆交换数据相关的软件模块

Cognizant Mobility的大数据团队还负责选择所需的云架构，并通过自动模式识别进行后续分析。大多数情况下使用亚马逊网络服务、Apache Spark框架和Scala编程语言。

毕竟，正是这些小功能将令未来的驾驶更加轻松简单。而 Cognizant Mobility能够提供这些功能。