一、大数据和机器学习的基本概念，历史渊源。综述当前大数据和机器学习应用领域。我的判断是，这两个概念现在已经不是出炒作，已经走向实用领域。
大数据这个概念兴起，我感觉是在2012年。这一年，大数据这个概念在计算机这个领域经常被提取。普通的媒体也开始常常有报道，当然普通媒体对大数据这个概念并没有什么实质性了解，他们只是在炒一些大数据表面含义，例如大数据就是大量的数据，究竟多大量数据就是大数据，我想当时的媒体多是答不上来，就算是现在，我想他们也是答不上来的。或者有些媒体留意到计算机领域一些引用到的观点，就是说几百个G的数据量就可以称为大数据。其实这是对大数据概念非常肤浅的理解。我认为大数据更重要的是指大量数据时，系统的处理方法和数据应用能力。这才是大数据核心的价值所在。
大数据处理的技术早就在技术先锋的公司得到广泛的应用，例如Google 搜索引擎。现在广泛使用到的大数据技术，就是开源社区从Google在2004年发表的GFS论文，实现论文中的大数据存储和处理技术。大数据概念兴起，这和另外一项技术在大量数据处理能力有关，这项技术就是关系型数据库。因为关系型数据库在面对大量数据时，由于本身技术架构和理论，在处理大量数据时显得力不从心，例如在几十亿笔交易记录里求平均值（在这里不讨论抽样方式，抽样在很多场景也不适合）。因为现在每天，都有很多场合会产生大量要记录的内容（进一步描述）。所以就要有新的技术来处理这种情况。这就是大数据技术诞生的背景。
其实在08-12年左右，像电信公司这样的企业，每天用户产生的数据量就很大。我参加一个技术会议了解到的，像广州和佛山的移动公司，每天他们的业务系统生产数据，就是上百个G，在12年-15年左右，多数的传统企业，他们的信息部门有认识到大数据重要性，由于对大数据处理技术和数据应用能力有限 ，多半是做数据收集，看着硬盘的数据在膨胀。由于数据应用能力不强，所以数据收集方向也不大明确，这些企业信息部门只有尽可能的收集存储数据，等到以后有条件了，再进行数据处理和分析。这些场景算是比较好的，比较糟糕的情况，连收集数据意识也没有。
下面进行简要的分析，企业为什么要收集大量数据。接着要解释大数据处理有哪些技术难点和数据应用难点。
收集大数据原因：1、在现代社会的任何一项有意义研究，大多离不开数据的支持。当然，如果是爱因斯坦，乔某某这一类的，另当别论。有很多研究，要得到比较准确的结果和预测，往往需要大量的样本数据作为支撑。例如，在研究人的很多行为喜好（行业术语，用户画像），往往要从多个角度进行描述，这样关联的数据就很多（常常会关联到音频和视频）。在商业上面对的，多是大量用户。事实上，每个人每天发生的很多我们不大留意的行为，都被网络很巧妙的收集起来，只是我们不知道。这些数据量都是非常大的，并且还在不断增加和更新。2、大数据处理，导致在上世纪90年代兴起，本世纪初趋向沉滞的技术重新兴起。特别是在这两年，几乎就是IT界讨论的全部内容，那就机器学习，以及由其演化的深度学习和迁移学习。机器学习在处理数据时，有个特点，即通过给机器“喂取”大量的数据，让机器可以像人一样通过学习逐步自我改善提高。这个反过来，需要大量数据。机器学习在我们公司业务中的应用，就是我本文要讨论的重点。3、科学研究例如基因技术，天文学，分析对象，多就是海量数据。4、多媒体数据。还有很多很多收集大数据原因，这里不再举例。
大数据处理难点：1、技术复杂。大数据量太大了，一般都是进行分布式存储和计算，也就是用分布式系统进行处理。分布式计算技术是比较复杂的，理论也比较抽象。现在用的比较多的大数据处理计算，就是hadoop。这个组件实施难度大。其数据计算组件，一般Map-Reduce。这个组件在编程上，还是不太友好。虽然现在有不少替代分布式计算组件，例如Spark，Hbase等等。但是入门的门槛还是比较高的。2、关联的技术太多了。大数据存储和计算，不单单是一个hadoop，hadoop只是大数据处理的核心组件之一。还有很多相关的技术，Spark、Hbase、zookeeper、linux操作系统技术（最好会shell编程）、Python编程、java编程、机器学习、函数式编程、数据挖掘算法（理解原理）。深厚数学背景，高等数学、线性代数、概率统计。神经网络理论等等。这些技术水平往往会决定大数据项目质量。
数据应用难点：由于存在很高的门槛，这一类大数据专家现在缺口是很大的，薪水也比较高，年薪大多在30-50W。并且大数据项目建设周期也比较长，通过网络了解到的，一个不算很大的项目，很多在2-3年（先驱项目）。导致现在的数据比较难得到处理和应用。投入的资金也不是一笔小数目，中小型企业是负担不起的，除非项目起到立竿见影效果。
二、公司投资的必要性，案例和案例分析，公司可能要用到的场景
我到公司时间不是很长，大约半年时间，公司组织和公司业务都比较多和复杂。根据自己了解到公司业务和大数据应用知识，设想公司可能用到的机器学习以下一些场景。
2.1垃圾识别后分类
2.2垃圾信息识别，估计附件地理的消费人群 喜好
2.3餐厨垃圾，识别后，评估市场农场品价格走向
2.4 公司危废品处理中，危废品识别。
2.5关联分析中，多变量交叉相关分析，数据挖掘前处理
下面就上面所列的场景进行详细说明，以期公司能投入资源开展项目。
垃圾识别分类。垃圾分类，我国官方给出的标准是四类（公司宣传画），国外一般分成两类。我到过不少城市，在公共场合见到的垃圾箱，只有两种，公司也只有两种。不过，实际上，根据我的观察，很少人按照分类，投入不同垃圾箱。原因其实也很清楚，就算有环保意识的人，也不大容易分辨哪些是可以回收，哪些是不可以回收。就算投到垃圾箱的垃圾分类正确了，其实结果也是一样的，我见到的垃圾收集人，很多都是将这两种垃圾混在一起。人多少图方便，如果指望通过宣传来改善人的行为，我认为不大可靠。其实，国外情况也差不多。针对这种情况，特别是机器学习重新兴起，国外有些创业公司做一些垃圾自动分类产品。见下面链接http://digi.tech.qq.com/a/20170902/026000.htm。其背后实现关键技术，毫无疑问，就是机器学习。http://tech.163.com/17/0827/14/CSRR2E3G00098IEO.html这个报道更加直白，就是使用机器学习，自动实现垃圾分类，无疑更具有环保意义。
垃圾信息识别。通过大量数据，训练好模型后，可以准确的识别出垃圾信息。当然要做到百度和淘宝通过图片就可以识别到该图片的物品名称，是有难度。不过实现的技术原理是一样的，那就是有监督机器学习。淘宝和百度这些互联网公司，已经积累了大量图片数据，并且这些数据还在不断的积累，这些新增数据又为训练更准确模型提供数据源泉。我们也要拥有这样的技术，这技术不但可以直接应用到公司实际生产中，更重要的是，还可也能提供重要的商业价值。准确的识别出垃圾的信息后，我们就可以做这样的数据分析，按地理分析消费倾向，哪些零食比较受欢迎，哪些地方的人比较喜欢养宠物等等。总之有了这些收集的数据，经过数据挖掘和相关分析处理后，我们可能会找到新的商业模式，或者为各种改进方案提供数据支持。在线上，用户的信息和行为喜好几乎都被大的互联网公司扒的干干净净，这些公司所有收入，坦白的说，最终都是依赖他们收集到的用户信息。至于使用的商业手段，各家都有不同。在线下，各个大超市，大卖场，通过会员卡方式，也是事无巨细收集，尽量做到点滴不漏。我们作为环保企业，要通过我们的渠道建立和用户之间的关联。
餐厨垃圾，识别后，评估市场农场品价格走向。同上类似，具体的商业模型建立，有待公司的市场专家做进一步研究。当然，现在也可以经过检测等手段，大致对餐厨成分做出大致判断。不过在细度上，很难跟机器学习相匹比。
公司危废品处理中，危废品识别，中转站和三厂的应用 。这也是在公司很好应用点，生活垃圾里，经常有参入工业垃圾这种情况发生。有些工业垃圾还是比较危险的，例如油漆桶，中转站的同事就算再细心，还是挡不住这些危险品进入中转车。这就留下很大的安全隐患。机器学习这些技术的应用，虽然不能说杜绝，但我就能在很大程度降低风险。有了垃圾物理上分类和垃圾识别信息后，我们垃圾处理手段也有可能发生变化，这些可以改善我们处理垃圾的生产工艺。
关联分析中，多变量交叉相关分析，数据挖掘前处理现在公司运行的业务支撑信息系统有10多个，如果到集团的层面就更多了。这些年来，系统生产了不少数据。公司的业务也比较多和复杂，据我了解，在不同的业务间做交叉分析的，还没有。可能是技术限制。其实现在很有必要做这样分析了，利用机器学习这些手段，处理这些系统数据，看看能不能产生新的资源，这些都是值得我们去探究的。有点要注意的是，大数据和机器学习这两个紧密关联的技术 和传统的BI技术是不能混为一谈的。BI技术也是在大量数据情况下，探索业务之间的关系，但是使用的是传统上的关系数据库间的算法，这些算法原理都比较简单。而机器学习，使用更加复杂和智能算法。智能化和自动化的程度是不一样的，BI技术更多是依赖于业务分析人员的经验。机器学习不依赖这个，所以适应的范围更加广。更重要的是，基于机器学习的大数据分析，其分析结果无疑要比传统BI分析结果要准确。因为传统BI分析，在大量分析时，无疑是要用到抽样技术的。我认为，经过一系列的误差积累后，对结果影响是比较大的。有一项研究表明 重新分析数据，研究结论可能完全不同，并且比例高达三分之一。见https://www.guokr.com/article/439139/?f=wx
国内大数据在固废应用论文比较少，并且内容非常非常的一般这我的推断是，开展大数据在固废应用研究还不多，或者是 项目还是没有实质性进展。这些应用不同企业信息化。其实到现在，大家都明白，企业信息化，这是没有什么技术含量了。大数据应用，这是实打实玩技术的（看看前面我提到的大数据相关技术），并且还有很多未知内容要探索。单单在机器学习的调参数，就可以发表很多篇论文了。
三、总结，当然做任何事情，都要进行利弊分析的。前面都是说大数据和机器学习好的一面，我们很有必要从反向的角度看看。1、成功落地大数据项目不多，或者这样说，达到预期结果的不多。成功的比例我没有去查，不过很明显的是，如果能达到预期，大数据投资会更加普及。2、技术实在是比较复杂，当前这个方向技术人才紧缺，项目周期长（中小的项目2-3年是比较普遍的）。3、投入比较大，硬件上的用于大数据运算的GPU还是比较昂贵的。一个小的大数据项目，一开始投入几十万去购买硬件是很正常的。人员成本也是非常大的。即使有这样多的不利，我想公司还是要去尝试的，毕竟要试过，我们才明白实现目标的正确方向。