數據和分析是一個不斷發展的故事。從任命首席數據官到采購最新的分析軟件，企業領導者都在充分利用這一技術，但這并不容易。
Gartner公司副總裁兼杰出研究分析師Donald Feinberg表示：“數據的規模、復雜性、分布性質、行動速度以及數字業務所需的持續智能意味著僵化和集中的架構和工具將會崩潰。任何業務的持續生存都將依賴于一個靈活的、以數據為中心的架構，該架構能夠響應不斷變化的速度。”
但是，雖然企業領導者必須通過尋找合適的服務和技術來幫助簡化數據流程來應對數字中斷，但也出現了前所未有的機遇。龐大的數據量與云計算技術帶來的強大處理能力的增加相結合，意味著現在可以大規模地訓練和執行必要的算法，以最終實現人工智能的全部潛力。
根據Gartner公司的調查，關鍵是要深入了解以下十大技術趨勢，這些趨勢能夠推動這一不斷變化發展，并根據業務價值對其進行優先排序，以保持領先地位。
趨勢1：增強分析
Gartner公司的調查表明，到2020年，增強分析將成為數據分析和商業智能解決方案的主要賣點。
Gartner公司認為，使用機器學習和人工智能，增強分析是數據和分析市場的顛覆者，因為它將改變開發、消費和共享中的分析內容。
趨勢2：增強數據管理
增強型數據管理利用機器學習能力和人工智能技術使數據管理類別包括數據質量、主數據管理、元數據管理、數據集成以及數據庫管理系統(DBMS)自我配置和自我調整。
根據Gartner公司的調查，這是一個大問題，因為它可以自動執行許多人工完成的任務，為技術水平較低的用戶提供使用數據的機會。它還有助于高技能的技術資源專注于更多的增值任務。
到2022年底，由于機器學習和自動化服務級別管理，數據管理中的人工任務將減少45%。
趨勢3：持續型智能
持續數據不僅僅是一種實時數據的新方式。相反，它是一種設計模式，其中實時分析與業務運營相結合，處理當前和歷史數據以規定響應事件的行動。
Gartner公司研究副總裁Rita Sallam說，“持續型智能代表了數據和分析團隊工作的重大變化。分析和商業智能(BI)團隊在2019年幫助企業做出更明智的實時決策，這是一個巨大的挑戰，也是一個巨大的機會。它可以被看作是運營商業智能的終極目標。”
到2022年，超過一半的重要新業務系統將采用持續型智能，使用實時場景數據來改善決策。
趨勢4：可解釋的人工智能
人工智能已經越來越多地用于數據管理，但人工智能解決方案如何解釋為什么他們得出某些結論?這是可解釋的人工智能的用武之地。
數據科學和機器學習平臺中的可解釋人工智能是關于在自然語言中準確性、屬性、模型統計和特征方面生成數據模型的解釋。
趨勢5：圖表
根據Gartner公司的調查，圖形分析是一組分析技術，可幫助企業探索關注實體(如交易、流程和員工)之間的關系。
到2022年，圖形處理和圖形數據庫管理系統的應用將以每年100%的速度增長。
趨勢6：數據結構
數據結構都是關于單一且一致的數據管理框架。它著眼于在分布式數據環境中實現無沖突訪問和數據共享，而不是孤立存儲。
到2022年，定制的數據結構配置將主要用作靜態基礎設施，迫使組織投入新的成本流，以完全重新設計更動態的數據網格方法。
趨勢7：自然語言處理(NLP)/會話分析
到2020年，50%的分析查詢將通過搜索，自然語言處理(NLP)或語音生成，或者將自動生成。需要分析復雜的數據組合并使組織中的每個人都可以訪問分析，這將推動更廣泛的采用，使分析工具與搜索界面或與虛擬助理對話一樣簡單。根據另一項研究，自然語言處理(NLP)的用例將非常龐大，預計到2020年其市場價值將達到134億美元。
趨勢8：人工智能和機器學習的商業化
Gartner公司表示，到2022年，75%利用人工智能和機器學習技術的新終端用戶解決方案將采用商業解決方案而非開源平臺構建。
商業供應商已經在開源生態系統中創建了連接器，它們為組織提供了擴展人工智能和機器學習所需的功能，例如項目和模型管理、透明度、重用、數據沿襲、平臺內聚性和開源技術所缺乏的集成。
趨勢9：區塊鏈
區塊鏈等分布式分類賬技術在數據分析領域看起來很有前景，因為它們可能會在不受信任的參與者網絡中提供分散的信任。其分析用例的影響很大，尤其是那些利用參與者關系和交互的用例。
但是，根據Gartner公司的調查，區塊鏈要在這一領域全面發展還需要幾年時間。同時，企業將部分地與區塊鏈技術和標準相結合，這些技術和標準可能由其主要客戶或網絡決定。這包括與現有數據和分析基礎設施的集成。
趨勢#10：持久性內存服務器
持久存儲器技術旨在降低采用內存計算(IMC)的架構的成本和復雜性。持久性內存將成為處于DRAM內存和NAND閃存之間的一個新內存層，可為高性能工作負載提供經濟高效的大容量內存。
根據Gartner公司的調查，它具有升級應用程序性能、可用性、啟動時間、集群方法和安全實踐的潛力。它還將通過減少對重復數據的需求，幫助組織降低其應用程序和數據體系結構的復雜性。
Feinberg表示，“如今，數據量正在激增，實時將數據轉化為價值的緊迫性正以同樣快的速度增長。新的服務器工作負載不僅要求更快的CPU性能，還要求大容量內存和更快的存儲。”
京公網安備 11010502049343號