傳感器是一條紐帶，它將數字世界和物理世界迷人地連接在一起。但是，要獲得有價值的可用數據并非易事。實際上，許多剛剛進入物聯網領域的設計人員都對傳感器數據的混亂沒有足夠的心理預期。

引導客戶相信，他們看到的大量“錯誤”數據并不是因為傳感器本身出了故障，成為物聯網運動傳感器公司MbientLab的日常工作。之所以數據錯誤，是因為集成了這些傳感器的系統設計中缺少一些進行數據清理的關鍵步驟。

“我每天都在應對這些抱怨。”MbientLab首席執行官Laura Kassovic在最近的一次演講中表示。她同時還警告工程師，必須正確理解通過機器學習訓練物聯網的難度。“多年來，工具和硬件都取得了長足進步，但是，對于數據處理的基本理解仍然沒有多少改進。”

“我對用戶嘗試使用傳感器來解決問題、研究復雜課題非常歡迎，”Laura Kassovic表示。“這是一種勇敢的行為，很有趣，思路很開放，但是也很難。很多人沒有使用正確的方法，未能解決實際問題，就把失敗歸咎于我們的傳感器，我對此感到很無奈。要知道，傳感器不會撒謊，它沒有任何偏見，傳感器的數據始終是正確的。用戶濫用或誤解了傳感器數據，卻把鍋甩給了傳感器！”

實際上，傳感器并非總是易于使用，傳感器生成的所有數據也并非都很有價值。關鍵在于，要搞清楚哪些數據有價值，分離出這些數據，然后把其它垃圾數據丟棄掉。

Synopsys公司董事長兼聯席首席執行官Aart de Geus表示，“大多數傳感數據都不是系統價值的關鍵。但是也有一些例外，比如人造眼睛。有一些可以歸類到人工智能設備的范疇，比如可以進行各種測量的手表。這些測量數據能夠反映什么問題？可以預測心臟病的發作嗎？如果可以，這類數據的價值非常高，你愿意為此付多少錢？如果它能在一分鐘之前提示你，你可以給你的妻子寫下臨別遺言‘謝謝你，我愛你’。如果你有一個小時的提前提示時間，你可以打電話給急救中心，如果有幾個小時，數據的價值和風險將會再次改變。”

在各種應用中，數據以各種不同的形式出現，在某一個應用場景中被認為是干凈的數據，到另一個場景中可能還需要進行進一步的清理。有些數據的清理工作可以在本地完成，而其它數據可以在數據中心里進行清理。

“假如說你有一個面部識別應用，只允許某些授權員工進入這棟大樓，”Geus說。“你每個月都要更新邊緣設備中的AI網絡，保證AI網絡可以識別所有面孔。因為隨時都會有大量的人進入這棟樓，所以這個工作不輕松。不過，這個安全級別并不是太高，并不是所有數據都需要隨時更新。”

而在其它一些應用中，數據需要實時進行清理。最近就有一個現成的慘痛案例。10月29日，印尼獅航一架波音MAX 8飛機墜毀，所有機上人員全部遇難。現在的調查可能正在朝著將傳感器定為罪魁禍首的方向前進。恢復的黑匣子數據顯示，在飛行過程中，兩個迎角傳感器（AOA）數據不一致。顯然有一半數據都不正確，這足以誤導這架飛機的防失速系統，使飛機轉頭向下，直至機毀人亡。

判斷這次飛行事故中到底發生了什么，現在還為時尚早。“可能不僅僅是一個傳感器的問題，畢竟這個數據處理系統有很多環節，”意法半導體戰略平臺和物聯網卓越中心主任Mahesh Chowdhary說。“先是一個傳感部分，然后經過一個連接部分，最后到達計算部分。有一些算法可以查看傳感器數據并確定飛機的方向。多個功能必須協調一致地同步工作，以提供有關飛機方向的信息。”

在傳感器提供的大量數據中，并非所有數據都有用，而且，即便是我們認為有價值的數據也可能被污染了，或者不準確。從看似簡單的物聯網系統，到更復雜的安全關鍵系統，當傳感器系統設計失效時，我們能單純地把數據-特別是被污染的臟數據-認定為罪魁禍首嗎？你怎么判斷傳感器壞了，數據不對？也許是算法的邏輯或者讀取數據的固件出了故障了呢？為了揀擇出真正的失效原因，必須首先對什么是“臟數據”達成一致。

“這是一個模棱兩可的領域。傳感器目前工作正常嗎？嗯，不好說，它沒有按照你想象的那樣工作，那么，是用戶造成的錯誤還是傳感器本身的故障？我發現，目前對于臟數據的定義是非常模糊的一個概念。有時候，因為用戶系統存在缺陷，如果您的傳感器工作正常的話，用戶系統就沒法正常工作了。”TT Electronics的產品線總監Robert Pohlen說道，這是一家設計傳感器并幫助客戶創建各種基于傳感器的系統的公司。