Gartner确定2019年十大数据与分析技术趋势

2019 年 3 月 8 日 专知
Gartner确定2019年十大数据与分析技术趋势

导读: 全球领先的信息技术研究和顾问公司Gartner指出,增强型分析、持续型智能与可解释型人工智能是数据与分析技术领域内的主要趋势之一,并有可能在未来三到五年带来重大颠覆。

全球领先的信息技术研究和顾问公司Gartner指出,增强型分析(augmented analytics)、持续型智能(continuous intelligence)与可解释型人工智能(explainable AI)是数据与分析(data and analytics)技术领域内的主要趋势之一,并有可能在未来三到五年带来重大颠覆。

Gartner研究副总裁Rita Sallam表示,数据与分析领导者必须考察这些趋势对业务带来的潜在影响,并相应调整业务模式与运营,否则将失去与他人竞争的优势。

她指出:“从支持内部决策到持续型智能、信息产品以及任命首席数据官,数据和分析始终在不断演化。深入了解推动这一演化的的技术趋势并根据业务价值对其加以优先排序,至关重要。”

Gartner副总裁兼杰出分析师Donald Feinberg认为,数字化颠覆带来的挑战——即数据太多,同样也创造了前所未有的机遇。由云驱动的海量数据将实现更强大的处理能力,意味着现在可以大规模训练与执行算法,最终发挥出人工智能的全部潜力。

Feinberg先生表示:“数据的规模、复杂性与分散性质,以及数字化业务所需要的行动速度与持续型智能,意味着僵化且集中的架构与工具将会分崩离析。任何企业的长久生存都将取决于能够响应各种变化的以数据为中心的灵活架构。”

Gartner建议数据及分析领导者与高级业务领导一同讨论他们至关重要的业务优先事项,并探索如何利用以下主要趋势获得竞争优势。

趋势一:增强型分析

增强型分析是数据与分析市场内的下一波颠覆性技术。它利用机器学习(ML)与人工智能改变分析内容的开发、消费与共享方式。

到2020年,增强型分析将成为分析与商业智能(analytics and BI)、数据科学与机器学习平台(data science and ML platforms)以及嵌入式分析新增购买的主要驱动力。数据与分析领导者应在平台功能逐渐成熟时采用增强型分析。

趋势二:增强型数据管理

增强型数据管理利用机器学习功能和人工智能引擎来生成企业信息管理类别,其中包括数据质量、元数据管理、主数据管理、数据集成以及数据库管理系统(DBMS)自我配置与自我调整。它可以自动执行许多手动任务,便于不太精通技术的用户能够更加自主地使用数据,同时也让高技能的技术人员专注于价值更高的任务。

增强型数据管理将以往仅用于审计、沿袭及报告的元数据转而支持动态系统。元数据正在从被动走向主动,并且正在成为所有人工智能/机器学习的主要驱动因素。

到2022年底,通过加入机器学习与自动化的服务级管理,数据管理手动任务将减少45%。

趋势三:持续型智能

到2022年,超过一半的重要新业务系统将嵌入持续型智能,使用实时情景数据改善决策。

持续型智能是一种设计模式,其中实时分析与业务运营相结合,处理当前与历史数据,以便为事件响应行动提供建议。它能够实现自动化决策或为决策提供支持。持续型智能采用多种技术,如:增强型分析、事件流处理、优化、业务规则管理以及机器学习。

Sallam女生表示:“持续型智能让数据与分析团队的工作发生重大变化。这既是一个巨大的挑战,也是一个极大的机会,因为分析与商业智能团队可以在2019年帮助企业做出更明智的实时决策。它可以被视作一种终极运营型商业智能。”

趋势四:可解释型人工智能

人工智能模型越来越多地被用于增强与代替人类决策。但在某些情况下,企业必须证明这些模型是如何做出决策的。为了与用户及权益方建立信任,此类应用的领导者必须让这些模型变得更易解读与更易理解。

不幸的是,大多数这些先进的人工智能模型都是复杂的黑盒子,无法解释为何提出了某条具体建议或决策。而数据科学和机器学习平台中的可解释型人工智能将运用自然语言从准确性、属性、模型统计及特性等方面自动生成模型提供解释说明。

趋势五:图形

图形分析(graph analytics)是一系列可用于探索企业机构、人员与交易等相关实体间关系的分析技术。

2022年前,图形处理和图形数据库管理系统的应用将以每年100%的速度快速增长,以持续加速数据准备,并支持更加复杂且适配的数据科学。

图形数据存储可以跨越数据筒仓(data silos)高效地建模,探索与查询具有相互复杂关系的数据,但Gartner认为,特殊的技能需求限制了该技术目前的应用。

为了满足对于复杂数据的综合查询需求,图形分析将在未来几年内得到发展。利用SQL查询完成大规模的复杂查询并不总是切实可行,有时甚至无法完成。

趋势六:数据结构

数据结构(data fabric)支持分布式数据环境内的无摩擦数据访问与共享。其支持单一与一致的数据管理框架,通过克服孤立存储的独特设计,实现无缝的数据访问与处理。

到2022年,定制式数据结构设计将主要用作静态基础架构,促使各企业机构为完全重新的设计投入资金,进而实现更具动态的数据网格(data mesh)方法。

趋势七:自然语言处理/会话式分析

到2020年,50%的分析查询将通过搜索、自然语言处理(NLP)或语音生成,或者将自动生成。分析复杂数据组合以及让企业机构中的每个人都可以访问分析的需求将推动更广泛的采用,从而让分析工具变得如同搜索界面或与虚拟助理进行对话一样简单。

趋势八:商业人工智能与机器学习

Gartner预测,到2022年,75%利用人工智能与机器学习技术的新终端用户解决方案将采用商业解决方案而非开源平台构建。

商业厂商现在已经在开源生态系统中创建了连接器,为企业提供扩展与推广人工智能及机器学习所需要的功能特性,例如项目与模型管理(project & model management)、复用(reuse)、透明度(transparency)、数据沿袭(data lineage)、平台凝聚力(platform cohesiveness)以及开源技术所缺乏的集成。

趋势九:区块链

区块链与分布式分类帐(distributed ledger)技术的核心价值主张是在非置信的参与者网络中提供去中心化信任。对分析使用案例带来的潜在结果非常大,尤其是对于利用参与者关系及交互的那些使用案例所带来的影响。

然而,尚需几年时间才会有四或五项主要区块链技术占据主导地位。在此之前,技术终端用户将被迫与由其主导客户或网络所指定的区块链技术及标准相集成。这包括与您现有的数据及分析基础架构进行集成。集成成本可能会超过任何潜在收益。区块链是数据源,而非数据库,不会取代现有的数据管理技术。

趋势十:持久内存服务器

在采用内存中计算(IMC)所支持的架构方面,新型持久内存(persistent memory)技术将有助于降低成本与复杂度。持久内存代表着DRAM与NAND闪存之间的新内存层,可为高性能工作负载提供经济高效的大容量内存。它将有望改进应用性能、可用性、启动时间、集群方法与安全实践,同时保持成本可控;通过减少数据复制需求,还将有助于企业机构降低其应用与数据架构的复杂度。

Feinberg先生表示:“数据量正在快速增多,实时将数据转化成价值的紧迫性也在同样快速增加。新的服务器工作负载不仅需要更快的CPU性能,而且还需要大容量内存及更快的存储。”


来源:

https://www.cnbeta.com/articles/tech/822755.htm


-END-

专 · 知

专知《深度学习:算法到实战》课程全部完成!500+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询!

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询《深度学习:算法到实战》课程,咨询技术商务合作~

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
6

相关内容

《2020技术趋势报告》(Tech Trends 2020)提出的2020年五大重点趋势为:

数字孪生:连结现实与数字世界

长期以来,使用虚拟的模型来优化流程、产品或服务的想法并不新鲜。但随着具有更复杂的仿真和建模能力、更好的互操作性和IoT传感器以及电力系统可视化的数字化仿真平台和工具的广泛使用,使企业逐渐意识到创建更精细、更具动态感的数字化仿真模型成为可能。我们可以看到数字孪生技术能够在提高生产效率、优化供应链、改变预测域维护、有效缓解交通拥堵等领域发挥重要作用。越来越多的企业,特别是那些从产品销售向产品+服务捆绑销售转变的企业,或销售即服务的企业,正在广泛应用数字孪生技术。随着企业能力和成熟度的不断提升,我们可以预见未来会有更多企业使用数字孪生技术进行流程优化、数据驱动决策,和设计新产品、新服务及业务模型。从长远来看,要释放数字孪生技术的全部潜力,需要整合整个生态系统中的所有系统与数据。

架构觉醒

越来越多的技术和首席高管们逐渐意识到,此刻,技术架构领域的科学在战略上比以往任何时候都更加重要。事实上,为了在被技术创新打乱的市场中保持竞争力,成熟企业就需要不断改进他们的架构——这个过程可以从改变技术架构师在企业内扮演的角色开始。在接下来的几个月里,我们期待有更多企业将架构师从传统象牙塔转移到新的阵地。这些富有才华但没有被充分利用的技术人才将通过担任服务和系统的职责,参与到系统运营当中。这种转变的目的非常明确:把经验最丰富的架构师安排到最需要他们的地方,比如,加入设计复杂技术的软件开发团队。同时,加大对架构师的人才培养,在整个企业范围内提升他们的战略价值,有助于把这一IT岗位的职能演化为数字经济中的竞争优势。

技术道德与信任

在不断变化的趋势中,先锋企业越来越意识到,企业内部每一个受技术影响的方面都可能成为取得或失去信任的关键。对他们而言,信任更是一个关键的企业目标,而不仅是合规或公共关系问题。如今,信任更作为先锋企业的一个全方位承诺,确保企业内部的技术、流程和人员等各个方面都能够齐心协力,维持众多利益相关者所期待的高度信任。企业领导者也开始重新评估他们在产品、服务以及有关数据管理、合作伙伴关系和员工培训等相关领域的策略是如何构建信任的。CIO们也纷纷强调“技术道德”,并开发出一套工具用来辅助企业:当企业需要引入并使用颠覆性技术时,能够准确洞察其中的道德困境。同时,那些将企业价值观和技术道德贯穿整个企业的领导者们正在向世人展示他们“从善”的承诺,这有助于与利益相关者建立长期的互信关系。

人感体验平台

越来越多的人工智能(AI)解决方案——将被称为“情感计算”或“情感AI”——正在重新定义我们感受技术的方式。在接下来的几个月里,更多的公司将积极响应人们对AI技术日益增长且没有被满足的需求,从而更好地了解人类感情并与人类互动。回顾历史,计算机一直无法将事件与人类的情感或情感因素联系起来,但这种情况正因创新者目前大规模地将情商(EQ)添加到技术的智商(IQ)中而发生改变。人感体验平台就是将人工智能技术、以人为本的设计和目前神经学研究相结合,从而能够识别人的情绪状态及背景内容,然后做出适当地响应。事实上,利用人感智能平台进行认知和大规模使用情感数据的能力确实是企业未来发展的一大重要机遇。

财务与IT的未来

就在技术战略日渐成为企业业务战略的核心部分同时,人们对其在改进结果上的要求也有所增加。为了实现这一目标,我们相信会有越来越多的IT和财务领域的领导者将会共同努力,设计灵活的流程与方法,以敏捷速度进行经营管理与创新。无论是为了支持创新、抵御颠覆或实现数字化转型,IT都需要财务的支持,以便反思并对技术创新进行有效治理,适应敏捷方法,获得创新资本。同时,避免向支持创新的新型财务、预算和会计流程的过渡一蹴而就。但对于CIO和CFO来说,他们都有强烈的动机去寻找有效资助创新的方法。有些公司已经开始顺应这一趋势,并大力探索未来的各种可能性。他们处于领先地位,而且很可能率先享受到由财务以敏捷的速度资助创新所带来的竞争优势。

成为VIP会员查看完整内容
0
134
小贴士
相关资讯
Gartner:2020年十大战略性技术趋势, 47页pdf
专知
23+阅读 · 2020年3月10日
Gartner 报告:人工智能的现状与未来
InfoQ
9+阅读 · 2019年11月29日
【数字化】2019年全球数字化转型现状研究报告
产业智能官
25+阅读 · 2019年7月8日
2019年机器学习:追踪人工智能发展之路
人工智能学家
4+阅读 · 2018年10月14日
Gartner:2018人工智能技术成熟度曲线
物联网智库
3+阅读 · 2018年8月17日
《中国人工智能发展报告2018》(附PDF下载)
走向智能论坛
12+阅读 · 2018年7月17日
【工业互联网】工业互联网与工业大数据分析的应用
产业智能官
9+阅读 · 2017年12月26日
2017全球大数据产业八领域典型公司盘点分析
人工智能学家
3+阅读 · 2017年12月6日
AI世界:2018年八大趋势
CSDN云计算
6+阅读 · 2017年10月20日
【人工智能】人工智能5大商业模式
产业智能官
9+阅读 · 2017年10月16日
相关VIP内容
专知会员服务
134+阅读 · 2020年3月31日
专知会员服务
67+阅读 · 2020年3月26日
Gartner:2020年十大战略性技术趋势, 47页pdf
专知会员服务
66+阅读 · 2020年3月10日
阿里巴巴达摩院发布「2020十大科技趋势」
专知会员服务
90+阅读 · 2020年1月2日
【德勤】中国人工智能产业白皮书,68页pdf
专知会员服务
157+阅读 · 2019年12月23日
【大数据白皮书 2019】中国信息通信研究院
专知会员服务
81+阅读 · 2019年12月12日
【白皮书】“物联网+区块链”应用与发展白皮书-2019
专知会员服务
50+阅读 · 2019年11月13日
2019年人工智能行业现状与发展趋势报告,52页ppt
专知会员服务
79+阅读 · 2019年10月10日
相关论文
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications
Jie Gui,Zhenan Sun,Yonggang Wen,Dacheng Tao,Jieping Ye
43+阅读 · 2020年1月20日
Bernhard Schölkopf
10+阅读 · 2019年11月24日
Explanatory Graphs for CNNs
Quanshi Zhang,Xin Wang,Ruiming Cao,Ying Nian Wu,Feng Shi,Song-Chun Zhu
4+阅读 · 2018年12月18日
Ziwei Zhang,Peng Cui,Wenwu Zhu
40+阅读 · 2018年12月11日
Mehdi Mohammadi,Ala Al-Fuqaha,Mohsen Guizani,Jun-Seok Oh
3+阅读 · 2018年10月9日
Rajarshi Bhowmik,Gerard de Melo
4+阅读 · 2018年5月27日
David Keetae Park,Seungjoo Yoo,Hyojin Bahng,Jaegul Choo,Noseong Park
3+阅读 · 2018年5月8日
Qiuyuan Huang,Li Deng,Dapeng Wu,Chang Liu,Xiaodong He
6+阅读 · 2018年2月20日
Joachim D. Curtó,Irene C. Zarza,Fernando De La Torre,Irwin King,Michael R. Lyu
7+阅读 · 2018年1月27日
Kevin Taylor-Sakyi
4+阅读 · 2016年1月15日
Top