Gartner最新趨勢報告數據顯示，增強分析、持續智能和可解釋的人工智慧（AI）是數據和分析技術的主要趨勢，在未來3-5年內具有顯著的破壞性潛力。
在近日雪梨舉行的Gartner數據與分析峰會上，Gartner研究副總裁Rita Sallam表示，數據和分析領導者必須檢查這些趨勢對業務的潛在影響，並相應調整業務模式和運營，否則就有可能失去競爭優勢。
「數據和分析的局勢現狀不斷發展，從支持內部決策到持續智能、信息產品和任命首席數據官，」她說。「深入了解技術趨勢，對於推動這一不斷變化的領域，並根據業務價值對其進行優先排序至關重要。」
Gartner副總裁兼分析師Donald Feinberg表示，數位化顛覆帶來的挑戰——數據太多——同時也創造了前所未有的機遇。大量數據以及由雲實現的日益強大的處理能力，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AI的全部潛力。
Feinberg稱，「數據的大小、複雜性，數據的分布性、運行速度以及數字業務所需的持續智能，意味著那些僵化、集中的架構和工具都會崩潰。」「任何企業的持續生存都將取決於靈活的、以數據為中心的架構，以響應不斷變化的速度。」
Gartner建議數據和分析領導者與高級業務負責人討論他們的關鍵業務優先級，並探索如何針對以下10個主要趨勢去實現這些優先級策略布局：
趨勢1：增強分析（Augmented Analytics）
增強分析是數據和分析市場的下一波顛覆趨勢。它使用機器學習（ML）和AI技術來轉換分析內容的開發、消費和共享方式。
到2020年，增強分析將成為推動分析和BI、數據科學和ML平臺、嵌入式分析新增採購消費的主要驅動力。數據和分析領導者應該計劃在平臺功能成熟時採用增強分析。值得注意的是，增強後的分析補充而不是替代現有的企業BI，自助BI和數據科學平臺。 增強的分析也可以嵌入到業務應用程式中，以改進決策過程。
強分析使用機器學習自動化在整個分析生命周期中補充人力智能。下一代增強分析功能可以自動準備和清理數據，執行功能工程，查找關鍵洞察和隱藏模式。 自動化加速了數百萬個可變組合的調查，這對人類手動執行太費時間了。 通常，新的發現在這個過程中暴露出來。 此外，人工智慧算法解釋結果，並提出無偏見的替代方案以及可行的建議。Gartner估計，增強分析將以不超過兩倍的速度增長，並將提供兩倍的業務價值。
趨勢2：增強數據管理（Augmented Data Management）
增強數據管理利用ML功能和AI引擎來制定企業信息管理類別，包括數據質量、元數據管理、主數據管理、數據集成以及資料庫管理系統（DBMS）自我配置和自我調整。它使許多手動任務自動化，並允許技術水平較低的用戶使用數據更加自主化。它還允許高技能的技術資源專注於更高價值的任務。
增強型數據管理將元數據的用途轉換為僅用於審計、銜接和報告，以及為動態系統提供動力。元數據正在從被動變為主動，並且正在成為所有AI/ML的主要驅動因素。
到2022年底，通過增加ML和自動化服務級別管理，數據管理手冊任務將減少45％。
趨勢3：持續智能（Continuous Intelligence）
到2022年，超過一半的主要新業務系統將採用持續智能，使用實時被禁數據來改善決策。
持續智能是一種設計模式，其中實時分析集成在業務操作中，處理當前和歷史數據以規定響應事件的操作。它提供決策自動化或決策支持。持續智能利用多種技術，如增強分析、事件流處理、優化、業務規則管理和機器學習。
「持續智能代表了數據和分析團隊工作的重大變化，」Sallam女士說。「分析和BI（商業智能）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。」
趨勢4：可解釋的AI（Explainable AI）
人工智慧模型越來越多地用於增強和取代人類決策。但是，在某些情況下，企業必須驗證這些模型如何做出決策。為了與用戶和利益相關者建立信任，應用程式領導者必須使這些模型更具解釋性和可解釋性。
不幸的是，大多數這些先進的AI模型都是複雜的黑盒子，無法解釋他們為何實現和展開特定的推薦或決策。例如，在數據科學和ML平臺中可解釋的AI，就自然語言的準確性、屬性、模型統計和特徵自動生成模型的解釋。
可解釋的人工智慧要求機器學習算法可以自己證明決策的正確性。華盛頓大學的研究人員在2016年構建了一種稱為LIME的解釋技術，並在由Google構建的圖像分類神經網絡Inception Network上進行了測試。去年，DeepMind發表的一項研究提出了「機器心智理論」（Machine Theory of Mind），啟發自心理學中的 「心智理論」，研究者構建了一個心智理論的神經網絡ToMnet，並通過一系列實驗證明它具有心智能力。這是開發多智能體AI系統，構建機器 - 人機互動的中介技術，以及推進可解釋AI發展的重要一步。
雖然可解釋的人工智慧和神經網絡的特徵歸因很有發展前景，但消除人工智慧的偏見最終會歸結為一件事：數據。從某種意義上說，減少機器學習算法中的偏見不僅需要人工智慧的進步，還需要我們對人類多樣性理解的進步。
趨勢5：圖形分析（Graph Analytics）
圖形分析是一組分析技術，讓用戶探索組織、人員和交易等感興趣的實體之間的關係更為便捷。
到2022年，圖形處理和圖形DBMS的應用將以每年100％的速率增長，以不斷加速數據準備，並實現更複雜和自適應的數據科學。
根據Gartner的說法，圖形數據存儲可以跨數據孤島有效地建模、探索和查詢數據，但是對專業技能的需求限制了它們的採用。
由於需要在複雜數據中提出複雜問題，圖形分析將在未來幾年內增長，這在使用SQL查詢時並不總是切實可行，甚至有時完全不現實。
趨勢6：數據結構/數據網格（Data Fabric）
數據結構可在分布式數據環境中實現無衝突的訪問和數據共享。它支持單一且一致的數據管理框架，允許通過其他孤立存儲的設計進行無縫數據訪問和處理。
到2022年，定製數據結構設計將主要部署為靜態基礎設施，迫使組織進入新的成本浪潮，以完全重新設計更動態的數據網格方法。
趨勢7：NLP/會話分析（NLP/ Conversational Analytics）
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，又或者會自動生成。分析複雜的數據組合併使組織中的每個人都可以訪問分析的需求，將推動這一方面更廣泛的採用，使分析工具像搜索界面或與虛擬助手的對話一樣簡單。
趨勢8：商業AI和ML（Commercial AI and ML）
Gartner預測，到2022年，75％利用AI和ML技術的新終端用戶解決方案將採用商業解決方案而非開源平臺構建。
商業供應商現在已經在開源生態系統中構建了連接器，它們提供了擴展AI和ML所需的企業功能，例如項目和模型管理、循環利用、透明度提升，為數據以及開源技術缺乏的平臺提供凝聚力和集成。
趨勢9：區塊鏈（Blockchain）
區塊鏈和分布式帳本技術的核心價值主張是在不受信任的參與者網絡中提供分散的信任。分析用例的潛在影響很大，尤其是那些利用參與者關係和交互的影響。
然而，在四到五個主要區塊鏈技術成為主導之前，將需要幾年的時間。在此之前，技術最終用戶將被迫與其主要客戶或網絡所規定的區塊鏈技術和標準集成。這包括與用戶現有的數據和分析基礎架構的集成。整合成本可能超過任何潛在的好處。區塊鏈是數據源，而不是資料庫，不會取代現有的數據管理技術。
趨勢10：持久性內存伺服器（Persistent Memory Servers）
新的持久性存儲器技術將有助於降低採用內存計算（IMC）的架構的成本和複雜性。持久性內存代表DRAM和NAND快閃記憶體之間的新內存層，可為高性能工作負載提供經濟高效的大容量內存。它有可能提高應用程式性能、可用性、啟動時間、群集方法和安全實踐，同時控制成本。它還將通過減少數據複製的需要，幫助組織降低其應用程式和數據體系結構的複雜性。
「數據量正在快速增長，實時將數據轉化為價值的緊迫性正以同樣快的速度增長。」「新的伺服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。」Donald Feinberg表示。
持久性內存的最大特徵在於其非易失性，也即能夠避免傳統DRAM在掉電後的數據丟失問題。不過這種新型態的存儲模式需要編程領域的相關配合才能充分發揮自己的效能，能否最終普及到整個計算機業界，不久就會揭曉。
本文來源前瞻網，轉載請註明來源。本文內容僅代表作者個人觀點，本站只提供參考並不構成任何投資及應用建議。（若存在內容、版權或其它問題，請聯繫：service@qianzhan.com） 品牌合作與廣告投放請聯繫：0755-33015062 或 hezuo@qianzhan.com