日前舉行的Gartner數(shù)據(jù)與分析峰會上，Gartner研究副總裁Rita Sallam表示，數(shù)據(jù)和分析領導者必須分析這些趨勢對業(yè)務的潛在影響，并相應調(diào)整業(yè)務模式和運營，否則就有失去競爭優(yōu)勢的可能。 

她說：“數(shù)據(jù)和分析技術不斷發(fā)展，從支持內(nèi)部決策到持續(xù)的智能、信息產(chǎn)品和任命首席數(shù)據(jù)官。深入了解技術趨勢對于推動這一不斷變化的趨勢，并根據(jù)業(yè)務價值對其進行優(yōu)先排序，這些都至關重要。”

根據(jù)Gartner副總裁、杰出分析師Donald Feinberg表示，數(shù)字化顛覆帶來的挑戰(zhàn)——有太多的數(shù)據(jù)——也創(chuàng)造了前所未有的機遇。大量數(shù)據(jù)以及由云實現(xiàn)的日益強大的處理能力，意味著現(xiàn)在我們可以大規(guī)模地訓練和執(zhí)行必要的算法，以最終發(fā)揮人工智能的全部潛力。

Feinberg說：“數(shù)據(jù)的大小、復雜性和分布式特性，以及數(shù)字化業(yè)務要求的行動速度以及持續(xù)智能，意味著需要打破僵化的、集中式的架構和工具束縛。任何企業(yè)的持續(xù)生存，都將取決于靈活的、以數(shù)據(jù)為中心的架構，以響應不斷變化的速度。”

Gartner建議數(shù)據(jù)和分析領導者與高級業(yè)務負責人討論一下他們的關鍵業(yè)務優(yōu)先級，并探索以下主要趨勢如何實現(xiàn)這些優(yōu)先級：

趨勢1：增強分析

增強分析是數(shù)據(jù)和分析市場的下一波顛覆性發(fā)展趨勢。增強分析采用機器學習和人工智能技術來轉換開發(fā)、消費和共享分析內(nèi)容的方式。

到2020年，增強分析將成為分析和BI、數(shù)據(jù)科學和機器學習平臺、嵌入式分析新增采購的主要驅動力。數(shù)據(jù)和分析領導者為在平臺功能成熟的時候采用增強分析技術做好計劃。

趨勢2：增強數(shù)據(jù)管理

增強數(shù)據(jù)管理利用機器學習和人工智能引擎來劃分企業(yè)信息管理類別，包括數(shù)據(jù)質(zhì)量、元數(shù)據(jù)管理、主數(shù)據(jù)管理、數(shù)據(jù)集成、數(shù)據(jù)庫管理系統(tǒng)(DBMS)自我配置和自我調(diào)整。增強數(shù)據(jù)管理能夠讓很多手動任務實現(xiàn)自動化，并讓那些技術水平較低的用戶更加自主地使用數(shù)據(jù)，此外還可以讓高技能技術資源專注于更高價值的任務。

增強數(shù)據(jù)管理將元數(shù)據(jù)轉換為僅用于審計、沿襲和報告等用途，以及為動態(tài)系統(tǒng)提供動力。元數(shù)據(jù)從被動轉為主動狀態(tài)，成為所有人工智能/機器學習的主要驅動因素。

到2022年底，通過增加機器學習和自動化服務水平管理，數(shù)據(jù)管理手動任務量將減少45%。

趨勢3：持續(xù)智能

到2022年，將有超過一半的主要新業(yè)務系統(tǒng)將采用持續(xù)智能，利用實時上下文數(shù)據(jù)來改善決策。

持續(xù)智能是一種設計模式，在這種模式中，實時分析被集成到業(yè)務操作中，處理當前數(shù)據(jù)和歷史數(shù)據(jù)以規(guī)定響應事件的操作。持續(xù)智能提供了決策自動化或決策支持，采用了如增強分析、事件流處理、優(yōu)化、業(yè)務規(guī)則管理和機器學習等多種技術。

Sallam表示：“持續(xù)智能代表了數(shù)據(jù)和分析團隊工作的一個重大變化。在2019年，分析和商業(yè)智能團隊幫助企業(yè)做出更明智的實時決策，將是一個巨大的挑戰(zhàn)，同時這也是一個巨大的機會，這可以被看作是運營商業(yè)智能的終極目標。”

趨勢4：可解釋的人工智能

人工智能模型被越來越多地用于增強和取代人類決策。但是，在某些情況下，企業(yè)必須證明這些模型是如何做出決策的。為了與用戶和利益相關者建立信任，應用負責人必須讓這些模型的可解釋性更高。

遺憾的是，大多數(shù)先進的人工智能模型都是復雜的黑盒子，無法解釋它們是如何得出推薦和決策結果的。在數(shù)據(jù)科學和機器學習平臺，可解釋的人工智能能夠自動生成一個用自然語言解釋精確性、屬性、模型統(tǒng)計和特征的解釋模型。

趨勢5：圖形

圖形分析是一組分析技術，可以探索組織、人員和交易等利益實體之間的關系。

到2022年，圖形處理和圖形DBMS應用將以每年100%的速度增長，不斷加速數(shù)據(jù)準備，并實現(xiàn)更復雜和自適應的數(shù)據(jù)科學。

據(jù)Gartner稱，圖形數(shù)據(jù)存儲可以跨數(shù)據(jù)孤島有效地建模、探索和查詢數(shù)據(jù)，但是對專業(yè)技能的需求限制了對這種技術的采用。

由于需要提出關于復雜數(shù)據(jù)的復雜問題，而使用SQL查詢是不切實際或者大規(guī)模無法實現(xiàn)的，因此促使圖形分析將在未來幾年內(nèi)實現(xiàn)快速增長。

趨勢6：數(shù)據(jù)結構

數(shù)據(jù)結構可以在分布式數(shù)據(jù)環(huán)境中實現(xiàn)無摩擦的數(shù)據(jù)訪問和數(shù)據(jù)共享。它支持單一且一致的數(shù)據(jù)管理框架，可通過跨孤島存儲進行設計實現(xiàn)無縫的數(shù)據(jù)訪問和數(shù)據(jù)處理。

到2022年，定制的數(shù)據(jù)結構設計將主要被部署為靜態(tài)基礎設施，迫使企業(yè)組織面對完全重新設計更動態(tài)數(shù)據(jù)網(wǎng)格方法的新成本浪潮。

趨勢7：NLP／會話分析

到2020年，將有50%的分析查詢是通過搜索、自然語言處理(NLP)或語音生成的，或者是自動生成的。分析復雜的數(shù)據(jù)組合并使企業(yè)組織中的每個人都可以訪問分析的需求，將推動更廣泛的采用，讓分析工具像搜索界面或與虛擬助理對話一樣簡單。

趨勢8：商業(yè)化人工智能和機器學習

Gartner預測，到2022年，利用人工智能和及其學習技術的新最終用戶解決方案中，將有75%是采用商業(yè)解決方案而非開源平臺構建的。

廠商們現(xiàn)在已經(jīng)開發(fā)了連接到開源生態(tài)系統(tǒng)的連接器，為企業(yè)提供擴展人工智能和機器學習以及實現(xiàn)民主化所必要的功能，例如項目和模型管理、復用、透明度、數(shù)據(jù)沿襲以及開源技術缺乏的平臺集成。

趨勢9：區(qū)塊鏈

區(qū)塊鏈和分布式賬本技術的核心價值，是在不受信任的參與者網(wǎng)絡中提供去中心化的信任。分析用例的潛在影響很大，尤其是那些利用參與者關系和交互影響的用例。

然而，在四到五個主要區(qū)塊鏈技術成為主導之前，還需要若干年的時間。在此之前，技術最終用戶將被迫與主要客戶或網(wǎng)絡指定的區(qū)塊鏈技術和標準進行集成，包括與你現(xiàn)有的數(shù)據(jù)和分析基礎架構的集成。整合成本可能掩蓋了任何潛在的好處。區(qū)塊鏈是數(shù)據(jù)源，而不是數(shù)據(jù)庫，不會取代現(xiàn)有的數(shù)據(jù)管理技術。

趨勢10：永久內(nèi)存服務器

新的永久內(nèi)存技術將有助于降低采用內(nèi)存計算(IMC)架構的成本和復雜性。永久內(nèi)存代表DRAM和NAND閃存之間的一個新內(nèi)存層，可以為高性能工作負載提供經(jīng)濟高效的大容量內(nèi)存。這種技術有可能改善應用的性能、可用性、啟動時間、集群方法和安全實踐，同時控制成本。，此外還可以通過減少數(shù)據(jù)復制的需要，幫助企業(yè)組織降低應用和數(shù)據(jù)體系結構的復雜性。

Feinberg說：“數(shù)據(jù)量正在快速增加，將數(shù)據(jù)實時轉化為價值的緊迫性，也同樣在快速增長。新的服務器工作負載不僅要求更高的CPU性能，還要求大容量內(nèi)存和更快的存儲。”

編輯 : 周寶冰

關鍵詞：