Nest烟雾报警器停售,产品检测不能弃

简介:
  
  Nest 烟雾报警器 其中有个功能是Nest Wave,用户挥动手势即可关闭报警器,。不过昨天Nest紧急停止了这款设备的销售,因为Wave功能可能被错误地启动,而这可能会在真正发生火灾时产生不利影响。

Nest将会在所有连接WiFi的烟雾报警器中发布自动升级,将Wave功能暂时关闭24小时,并且建议没有联网的用户手动关闭或者选择全额退货。Nest在声明书中写道:

我们发现Wave功能可能在用户无意识的情况下被触发,如果在这期间发生了火灾,会导致报警延迟或失效。所以我们决定禁用此功能,直到找到解决方案为止。

作为改革家居“失宠”设备的一部分,烟雾报警器是Nest在去年10月推出的,这是他们的第二个产品。Nest因恒温器而出名,但是报警器的出售也比较顺利,并没有因129美元的高价而吓跑用户。

Wave功能曾经被视为报警器的创新而广受好评,之前曾经有用户直接用工具把一直鸣叫的报警器打下来。停用此项功能后,尚不知何时会修复,不过据预测将会需要两三个月。而且新产品需要重新得到用户的肯定。

Nest表示,还没有用户就这个缺陷进行投诉,而是他们在实验室测试的过程中发现的。不过Nest拒绝透露到底是怎样的情况会导致Nave被错误地启动。

这个缺陷自然是致命的,但是Nest在用户投诉之前发现了这个问题并且及时采取了措施,可谓是良心企业。相比较另一个陷入官司门的Fitbit,推出新产品后可曾进行测试?第一个用户的投诉可曾引起重视?希望广大公司能够对用户负责,产品出售后并不是泼出去的水,而是嫁出去的女儿,总还要管的。


  
  本文作者: 唐丽英

本文转自雷锋网禁止二次转载, 原文链接
目录
相关文章
|
机器学习/深度学习 自动驾驶 机器人
【论文速递】BEVFormer: 通过时空变换器从多相机图像中学习BEV表示
【论文速递】BEVFormer: 通过时空变换器从多相机图像中学习BEV表示
|
3月前
|
人工智能 自然语言处理 API
快速集成GPT-4o:下一代多模态AI实战指南
快速集成GPT-4o:下一代多模态AI实战指南
415 101
|
2月前
|
JSON 算法 API
Python中的json模块:从基础到进阶的实用指南
本文深入解析Python内置json模块的使用,涵盖序列化与反序列化核心函数、参数配置、中文处理、自定义对象转换及异常处理,并介绍性能优化与第三方库扩展,助你高效实现JSON数据交互。(238字)
394 4
|
9月前
|
人工智能 运维 安全
重塑高校计算机实验室:从硬件到开源应用聚合与托管平台的转型
高校计算机实验室面临环境碎片化、资源分配失衡及安全管控难题。WebSoft9提出四维重构框架,从硬件层融合异构资源、应用层聚合开源工具链、运维层实现智能管理到教学科研协同优化,助力实验室转型。通过AI教学与跨校区协作等实战案例,展示其高效解决方案。建议分阶段实施,先搭建基础平台再逐步扩展功能,同时注重权限分级与混合云备份以规避风险。
412 0
重塑高校计算机实验室:从硬件到开源应用聚合与托管平台的转型
|
7月前
|
敏捷开发 测试技术 BI
Codes 项目管理软件随着产品功能越来越多,如何实现功能深度与易用性的平衡
如何在功能深度与易用性之间找到平衡?Codes 通过项目模板实现功能隔离,为不同需求提供定制化解决方案。从简单的任务管理到复杂的全流程项目管理,Codes 提供了19个细化模板,涵盖敏捷、瀑布、IPD等多种模式,满足从小团队到专业用户的多样化需求。每个模板均有场景说明、流程图和页面预览,帮助用户快速上手。此外,Codes 是国内首款重新定义 SaaS 模式的开源项目管理平台,支持云端与本地部署,对15人以下团队免费,通过创新功能如“事找人”、自动生成周报等简化研发协同工作,助力敏捷开发落地。
Codes 项目管理软件随着产品功能越来越多,如何实现功能深度与易用性的平衡
|
SQL 监控 安全
计算机硬件清洁与防尘
【8月更文挑战第2天】
874 1
|
前端开发 容器
彻底学会 css grid布局
【4月更文挑战第19天】CSS Grid布局是二维布局的强大工具,涉及核心概念:网格容器、网格项、网格线和轨道。关键属性包括定义列行的`grid-template-columns/rows`、区域布局的`grid-template-areas`、间距的`grid-gap`、对齐方式的`justify-content/align-items`以及简写形式`place-content/place-items`。学习过程需结合实践,通过探索不同属性和值的组合,实现复杂布局。深入了解和不断练习将提升布局设计能力。
310 6
|
机器学习/深度学习 Python
【Python机器学习专栏】时间序列数据的特征工程
【4月更文挑战第30天】本文探讨了时间序列数据的特征工程,强调其在捕捉季节性、揭示趋势、处理异常值和提升模型性能中的重要性。介绍了滞后特征、移动窗口统计特征、时间戳特征、频域特征和波动率特征等方法,并提供了Python实现示例。通过有效特征工程,可提高时间序列分析的准确性和预测可靠性。
848 0