從預測性維護和遠程信息處理到高級駕駛輔助系統（ADAS）和傳感器分析，工程和 IT 團隊使用 MATLAB 構建先進的大數據分析系統。這些團隊選擇使用 MATLAB，因為它能提供商務智能系統或開源語言所不具備的必要功能，比如：

物理世界數據：MATLAB 可對傳感器、圖像、視頻、遙測、二進制和其他實時格式提供直接支持。

機器學習、神經網絡、數據統計等：MATLAB 可提供一整套的數據統計和機器學習功能，以及高級方法，例如非線性優化、系統辨識和數千種預置算法以進行圖像處理、金融建模和控制系統設計。

大數據集的高速處理：MATLAB 的數值運算可直接擴展到集群和云上進行并行處理。

在線和實時部署：MATLAB 可集成到企業系統、集群和云，并且可以部署到實時嵌入式硬件。

MathWorks 數據分析小組的產品市場營銷經理 Seth DeLand 分享數據分析在 2018 年度的應用趨勢。

預測分析

眾所周知，數據分析技術可以在預測性維護等領域帶來顯著的商業利益。但是，這類應用的系統體系結構仍然是一個懸而未決的問題。客戶不太愿意與供應商分享其數據，而龐大的數據量也使記錄來自機器的所有數據難以實現，并且響應事件的要求可能在毫秒之間— 這對于等待來自Internet 服務器的響應而言時間太短。

所有這些因素都會推動“邊緣”創新或設備本身的創新。這會需要數據縮減技術，例如可以將高頻率傳感器數據轉換為可以通過網絡輕松傳輸的壓縮形式的信號處理算法。設計約束也可能會導致在設備上直接運行機器學習模型。使用可以方便地開發算法并將它部署到不同方案中的軟件使設計團隊可以為其系統實施最佳體系結構。

隨著 AI系統、可穿戴設備和其他新技術從概念轉變為現實，首要的需求是聚合在多個平臺間分散的數據、應用最新的分析功能兵將數據轉換為可操作的內容。

預測分析系統將允許在患者與醫生之間建立更詳盡全面的個人關系，并在護理時進行更有效的診斷。預測分析很可能還會通過從可穿戴設備收集和個人設備上分享的數據來推動預防性和治療性護理的進展。

機器學習和深度學習

隨著機器學習技術的應用變得越來越簡單，越來越多的產品和服務將采用機器學習模型。嵌入式系統（通常用于控制和診斷）將采用機器學習模型檢測以前無法觀測的現象（例如：檢測駕駛員的駕駛風格，或是對機器是否可能會發生故障進行分類）。在 2018 年，我們將繼續看到機器學習模型應用于在新領域中，尤其是在邊緣節點和嵌入式處理器中。

雖然深度學習仍被認為前途無量，但仍然需要進行大量的設計和調整來訓練有效的深度網絡。諸如自動超參數調優這類技術似乎能很好地減少這些工作量，這將加快采用深度學習的步伐。

數據科學

隨著更多工程和 IT 團隊的整合，對于了解企業核心產品和服務的領域專家的需求將會增加。通過與數據科學家合作（或任職），這些領域專家在明確數據科學技術可以使企業受益的領域至關重要。

授權這些領域專家應用數據科學方法將使大數據和機器學習技術可以快速整合到更廣泛的組織的服務和運營中，最終在為客戶提供需要的產品和服務時建立顯著的競爭優勢。