物联网技术有望让我们生活中的一切变得智能，但此类智能设备的实际体验普遍令人失望。
毕竟，真正实现智能化并不容易，制造商在急于将产品推向市场时往往忽视了现实世界的复杂性。
这个问题的解决方案其实很明显，就是赋予产品真正的思维能力，使其具备思考语境（或语境）的能力——我们称之为“语境应用”。
那么上下文应用程序之间到底有什么区别呢？科技网站VentureBeat最近写了一篇文章将其列出。
1. 由上下文变化驱动 最根本的区别是这些应用程序是由上下文变化而不是用户驱动的。
用户输入当然是上下文的关键部分，但它只是上下文的一部分。
传感器、时间、其他设备的存在或其他类似因素的变化可以驱动应用程序。
2. 始终开放 因为上下文会不断变化，所以上下文应用程序也需要始终开放和监控。
它们就像始终在后台运行的服务层。
但他们不应该与用户互动，除非他们有相关的内容要说。
事实上，他们的主要目标之一是减少用户每天打开它们的次数，这与当今大多数应用程序恰恰相反。
3.利用动态数据流。
应用程序拥有的数据越多，它就越能理解周围的环境。
地理位置、距离、功率、速度、其他设备的状态、来自公共或私人系统的数据都是有用的来源。
但这些源可以提供的数据量可能是惊人的，上下文应用程序必须能够动态打开或关闭不同的数据流并管理自己的工作目标。
4.通过抽象内容创造实际意义。
为了使交互和信息相关，应用程序需要在更高的概念级别上工作。
例如，“一个设备进入30.oN，-97.oW位置”显然不够清晰，但如果是一条内容“您的儿子已经从学校安全回家了”，那就有用得多了。
”由于大量信息相互堆叠，我们需要思考概念和信息以达到更高的抽象级别。
随着上下文信息和生成设备之间的关系变得越来越解耦，它可以转化为抽象数据元素。
其重要性在于，随着新数据源的到位，它们可以与兼容的概念集成。
例如，您可以将灯塔设备放入汽车中并将其定义为“位置”。
尽管信标不包含地理位置数据并生成移动，但它可以像地理围栏一样定义抽象位置。
5.使用常识启发法 我们可以使用多种工具来实现更高程度的抽象，启发法（方法）就是其中之一。
抽象概念之间的关系可以通过简单的规则来协调，这些规则在执行常识功能时也非常有用。
例如，应用程序将在每天凌晨 3 点记录用户的位置。
如果10天内90%的位置相同，则意味着该位置是用户的家。
此外，还会考虑在特定地点花费的时间。
当用户进入咖啡店周围的地理围栏时，保持静止 15 分钟（可能喝咖啡）和以 30 英里/小时的速度移动（可能开车穿过）之间存在明显差异。
6. 使用统计分析和统计回归 我们可以使用的另一种机制是统计分析和统计回归。
让计算机在不同的概念层面进行统计分析并检测相似的模式和明显的偏差是相对简单的，例如对常规路线的监控。
例如，用户的孩子每天下午乘校车回家需要20分钟，增减不到5分钟。
但如果放学后 35 分钟他/她还没有到家，那么一定发生了什么事情。
无论如何，显然有必要让父母知道问题正在发生。
7.学习能力：算法学习算法也是另一个资源，比如贝叶斯网络、神经网络、强化学习。
这些算法通常通过获取输入、构建内部模型、预测接下来会发生什么以及查看预测是否准确来工作。
预测被发送回系统以帮助学习，如果结果准确，则加强因素并削弱导致错误结果的因素。
随着时间的推移，如果预测的成功率满足一定的信任标准，用户就可以开始信任它们。
8. 弹性和适应性 展示弹性和适应性是另外两个重要的考虑因素。
弹性是指在现实世界中，事情的发生以及周围的环境是不断变化的。
数据源可能会来来去去，您的手机可能会超出范围或电池电量不足，并且操作系统可能会关闭应用程序。
当这些情况发生时，应用程序需要恢复，如果失败，则应自动降级。
适应性是指应用程序需要考虑基线环境并区分临时调整（例如家庭度假）和永久变化（添加新设备或安装新灯塔）。
9. 通过互动对话建立信任 开发上下文应用程序时应考虑的最后一个因素是耐心和信任。
因为我们习惯于即时满足，所以我们都希望一个智能应用程序在购买后能够立即开始工作，但这种态度并不正确。
购买智能设备就像养宠物一样，我们需要训练它。