传感器是一条纽带，它将数字世界和物理世界迷人地连接在一起。但是，要获得有价值的可用数据并非易事。实际上，许多刚刚进入物联网领域的设计人员都对传感器数据的混乱没有足够的心理预期。

引导客户相信，他们看到的大量“错误”数据并不是因为传感器本身出了故障，成为物联网运动传感器公司MbientLab的日常工作。之所以数据错误，是因为集成了这些传感器的系统设计中缺少一些进行数据清理的关键步骤。
必须正确理解通过机器学习训练物联网的难度。“多年来，工具和硬件都取得了长足进步，但是，对于数据处理的基本理解仍然没有多少改进。
要搞清楚干净数据和脏数据之间的区别，很重要的一点是，看看数据是如何从A点到达B点的。
概括来说，传感器的原始数据需要进行后端处理。基础传感器将原始信号从一种形式的能量转换成模拟信号或者数字信号，可能需要施加外部电源，也可能不需要。最初的原始转换来源于现实世界的模拟信号：力、热、光、磁、声音。经过传感器转换后，沿着传感器内部或者印刷电路板上的信号路径继续前行，如果有需要，模拟信号可以经过调节、放大环节转换成数字信号。然后，将数据发送到微处理器或者其它类型的计算单元中，通过算法进一步过滤噪声，并以应用所需要的方式提取相关信息。
计算体系架构刚刚开始着手研究怎么有效地进行这种数据处理，有些数据需要在边缘设备上进行预处理，其它数据则发送到更强大的服务器中进行清理。
“边缘计算将发挥巨大作用，”“基础构建模块都有了，我们现在需要弄清楚，怎么有效地移动任意格式的传感器数据，数据移动过程中涉及的内存层次结构如何设计，以使得可以实现最佳计算性能。一句话，就是如何提高传感器数据的计算效率。
一个传感器的例子
有些操作需要基于那些用来鉴别一段时间内趋势的数据立即进行动作，这类数据的提取非常关键，此外，清除已经丧失了价值的数据也很重要。考虑到存在多种类型的这种数据，而且有些情况下，需要多种数据类型来建模物理世界或判断某人是否应该立即进行医疗急救，这种数据提取和清除工作更加艰难了。
数据也可能一开始是干净的，但是经过更新或者病毒入侵后变脏了。
“在全球范围内，所有组件都需要尽可能安全，因此您希望从硬件中建立信任。组件安全启动后，通信数据本身就已经具备了某种程度的可信度。但是，有的系统也可能存在不安全的未知组件，这就需要对数据进行入侵检测和软件分析，以查看数据和组件是否存在任何损坏。在汽车中，我们希望检测出那些给出异常或奇怪数据的部件，这不仅是组件安全问题，还涉及到人身安全。”
脏数据肯定要清理掉，但是它在哪里变脏的以及是如何变脏的，决定了下一步采取的行动。是不是传感器本身产生了脏数据，设计人员需要一开始就考虑到这一点。“解决传感器问题需要大量的专业知识，” “它需要设计人员在硬件层面了解传感器，理解从传感器中提取的数据，具备软件(算法)开发的经验。”