大數據(Big data)定義

物聯網的主要結構，大致區分為三個層次：

1.感知層(Sensor Level)：模擬人類的感知五官，用來蒐集既有環境的相關資料，例如聲、

光、溫度、壓力等，而使用的感知工具有：感測器(Sensor)、辨識器(Identifier)、影音監控(Video Surveillance)。其中，感測器又分為物理性、化學性及生物性，幾乎可囊括人類所有的看、聽、

聞、嗅及各種觸覺，甚至更精密的微生物酵素等的偵測；辨識器則主要用來記錄、傳遞、辨識 (Recognition)與鑑別(Verification)物品的身分證明，例如：RFID、QR Code 條碼等等；而影音監 控則主要是透過影像、聲音的擷取來偵測物件的身分與移動，例如：網路監視攝影機(IP Camera)、智慧音箱、人工智慧與語音辨識等。

2.網路層(Network Level)：(1)100 公尺內的近距通訊，包含藍芽、Wifi、4G、ZigBee 等，屬 於高功耗、距離短、成本高的傳輸技術。(2)遠距通訊，又分為 LoRa(Long Range)，為目前最受 產業支持的 LPWA，以及窄頻物聯網(Narrow Band-IOT)，相較 LoRa 速度更快，覆蓋範圍更大，

是未來被看好的產業標準。

3.分析層(Analysis Level)：主要運用 AI、Machine Learning、Pattern Recognition 等來分析判 讀多種回傳的大數據。

第 五 節 大 數 據 (Big data)定 義

大數據（Big data），指的是在傳統資料處理應用軟體不足以處理的大或複雜的資料集的術 語。

大數據也可以定義為來自各種來源的大量非結構化或結構化資料。從學術角度而言，大數 據的出現促成廣泛主題的新穎研究。這也導致各種大數據統計方法的發展。大數據並沒有統計 學的抽樣方法；它只是觀察和追蹤發生的事情。因此，大數據通常包含的資料大小超出傳統軟 體在可接受的時間內處理的能力。由於近期的技術進步，發佈新資料的便捷性以及全球大多數 政府對高透明度的要求，大數據分析在現代研究中越來越突出。

大數據幾乎無法使用大多數的資料庫管理系統處理，而必須使用「在數十、數百甚至數千 台伺服器上同時平行運行的軟體」（電腦叢集是其中一種常用方式）。大數據的定義取決於持有 資料組的機構之能力，以及其平常用來處理分析資料的軟體之能力。「對某些組織來說，第一次 面對數百 GB 的資料集可能讓他們需要重新思考資料管理的選項。對於其他組織來說，資料集

10

可能需要達到數十或數百 TB 才會對他們造成困擾。」

隨著大數據被越來越多的提及，有些人驚呼大數據時代已經到來了，2012 年紐約時報的一 篇專欄中寫到，「大數據」時代已經降臨，在商業、經濟及其他領域中，決策將日益基於資料和 分析而作出，而並非基於經驗和直覺。但是並不是所有人都對大數據感興趣，有些人甚至認為 這是商學院或諮詢公司用來譁眾取寵的時髦術語，看起來很新穎，但只是把傳統重新包裝，之 前在學術研究或者政策決策中也有大數據的支撐，大數據並不是一件新興事物。

大數據時代的來臨帶來無數的機遇，但是與此同時個人或機構的隱私權也極有可能受到衝 擊，大數據包含各種個人資訊資料，現有的隱私保護法律或政策無力解決這些新出現的問題。

有人提出，大數據時代，個人是否擁有「被遺忘權」，被遺忘權即是否有權利要求資料商不保留 自己的某些資訊，大數據時代資訊為某些網際網路巨頭所控制，但是資料商收集任何資料未必 都獲得用戶的許可，其對資料的控制權不具有合法性。2014 年 5 月 13 日歐盟法院就「被遺忘 權」一案作出裁定，判決 Google 應根據用戶請求刪除不完整的、無關緊要的、不相關的資料以 保證資料不出現在搜尋結果中。這說明在大數據時代，加強對用戶個人權利的尊重才是時勢所 趨的潮流。

麥肯錫全球研究院在其有關大數據的報告中估計，2009 年位置數據級別為 1 PB，並且每年 以 20％的速度增長，這不包括來自 RFID 傳感器的數據，也還不包括「暗數據」，即研究人員收 集並存放在私人檔案中的數據。

大數據具有五個 V 的特徵-Volume(體積)、Velocity(速度)、Variety(多樣性)、Veracity(真實性) 及 Value(價值)。「體積」特徵較易於理解，而「速度」、「多樣性」、「準確性」及「價值」等特 徵則在於強調我們能夠獲取快速移動的數據並將其通過分析轉換為有意義的數據的能力。

大數據的應用範例包括科學、RFID、感測裝置網路、天文學、大氣學、交通運輸、基因組 學、生物學、大社會資料分析、網際網路檔案處理、製作網際網路搜尋引擎索引、通信紀錄明 細、軍事偵查、金融大數據，醫療大數據，社群網路、通勤時間預測、醫療記錄、相片圖像和 影像封存、大規模的電子商務等。

第 六 節 人 工 智 慧 (AI)輔 助 BIM 定 義

BIM 軟體公司已經開始使用人工智慧來提高其程序的效率和潛力。 BIM 軟體現在可以使

11

用機器學習來學習數據並檢測模式，並據此就如何自動化和改善模型建構過程做出獨立決策。

BIM 軟體會收集大量數據，人工智慧將這些數據用於探索建設工程各個方面的可能性，並 以比人腦更快的速度找到最佳解決方案。這不僅使過程更快，而且降低了人為錯誤的風險，從 而可以提高現場安全性。

在未來的十年中，我們可能會在企業中看到更多的 AI 輔助 BIM。人工智慧現在有能力將 BIM 推向新的高度，從而協助企業取得更大的進步。

生產率一直是建築業的一個問題，因此，該行業的發展速度比任何其他行業都要慢得多，

人工智慧似乎可以協助解決建築業過去遇到的障礙。

借助 AI 輔助的 BIM 可以將 BIM 提升到一個新的水平，在現場事件甚至還沒有發生之前就 進行預測。通過機器學習，BIM 軟體現在能夠僅從圖像中分析建築工程並識別風險，例如高空、

滑倒、絆倒和有跌落危險的工人。

人工智慧使用戶可以將設計標準或一組「規則」輸入系統，以便機器可以根據您的需求創 建最可行的輸出。就 BIM 而言，它可用於創建場地足跡、平面圖設計等。這些計劃也相互鏈接 在一起，這意味著，例如，如果某處佔地面積遭到改變，則具備人工智慧的機器將知道在設計 的所有區域進行必要的調整，以確保整個工程的最高準確性。。

具備 AI 的系統總是從過去和正在進行的工程中學習，這意味著他們幾乎可以每天進行更 新，並儘快向建築工人提供最有效的訊息，這將有助於該行業的發展，並有助於更快地找到新 的設計解決方案。

12