物联网(InternetofThing，IoT)广义定义是万物皆可连接到网络，并可互相沟通或交换信息，以达到某种便利人类生活的目的。先前的文章介绍到装置管理平台，它一直聚焦在透过一个中央的装置管理平台将装置连接到网络、装置间使用哪一种或哪些通讯协议沟通、用装置管理平台如何管控这些装置等议题。到这里为止都属于硬件架构设计范畴(虽然装置管理平台本身是软件)，然而如何让物体本身成为智能对象(Smartobject)就是纯软件的范畴了。
相信很多读者都听过机器学习、深度学习这些热门名词，其中机器学习(MachineLearNIng，ML)之所以热门，是因为大部分专家都认为机器学习是成就智能对象的核心关键，因此机器学习方法堪称是“物联”、“智能”的核心技术。
物联网的应用非常广泛，只要物体可以透过传感器(Sensor)收集监测到的讯号或信息，提供到装置管理平台再链接到应用程序处理后，反馈出特定的决策再指示原始对象做进一步动作的领域都是可能的应用场域，例如：智慧门锁(透过家庭成员的进出时间判定物流配送最佳时间)、智能冰箱(监控冰箱里的食物保存状态、甚至决定何时补货)、智能汽车(透过路径分析节省能源或交通时间、监控车辆使用状态，决定何时进场维修)、智能农业(监控农田环境状态，决定何时洒水或施肥)、智能家居(有效的节能与生活辅助)、智能供应链克制化、智慧城市、智能工厂(提升生产效率或降低耗损)等，这些智能或智能的核心都依赖于机器学习为主的预测分析(Predictiveanalytics)。
数据分析的议题除了以机器学习为核心外，还有数据超载与新的因素加入时系统如何快速响应等问题。一方面，物联网中连网的装置无时无刻都在收集数据，时间久了自然会造成数据超载问题，仅仅依靠人力必然无法进行实时的分析和利用。另一方面，数据科学家通过分析大量的数据来辨认模式并人工定义规则，尽管已预建良好的应变系统，应用方案实际实施环境中随时出现新的因素却可能影响正确行动的判断。如何确保物联网系统在快速变化的环境中，仍然能够做出最佳响应也是一项很有挑战性的课题。
