Gartner發(fā)布了數(shù)據(jù)與分析領域的十大技術趨勢

“為了創(chuàng)新，他們超越了后COVID-19疫情時代的工作方式，數(shù)據(jù)和分析領導者需要不斷在前所未有的市場變化面前，提高數(shù)據(jù)分析、存儲和處理速度?！?/p>

研究發(fā)現(xiàn)，為了應對COVID-19緊急情況，全球開始了500多項有關COVID-19潛在治療和干預措施的臨床試驗。這些試驗使用了一個實時數(shù)據(jù)庫，該數(shù)據(jù)庫可以編譯和整理來自試驗注冊表和其他來源的數(shù)據(jù)。這有助于醫(yī)學和公共衛(wèi)生專家預測疾病的蔓延，尋找新的治療方法，并為潛在的大流行制定更為實用的臨床管理制定計劃。

數(shù)據(jù)和分析技術與人工智能（AI）技術相結合，對于預測、準備和主動應對全球疫情危機及經(jīng)濟恢復工作至關重要。

這些數(shù)據(jù)和分析技術趨勢將有助于在未來三到五年內加速更新、推動創(chuàng)新和重建社會。數(shù)據(jù)和分析領導者必須研究如何利用這些趨勢，進行“必須擁有”的投資，從而在重置后實現(xiàn)復蘇和再造。7月1日消息，近日，Gartner發(fā)布了數(shù)據(jù)與分析領域的十大技術趨勢。以下為具體內容：

趨勢1：更智能、更快、更負責的AI

到2024年底，75%的企業(yè)將從人工智能試點轉向運營，流數(shù)據(jù)和分析型基礎設施規(guī)模將增加5倍。

在當前的流行背景下，人工智能技術，如機器學習、優(yōu)化和自然語言處理，正在為病毒的傳播以及應對措施的有效性和影響提供重要的洞察和預測。

其他更智能的AI技術，如強化學習和分布式學習，正在創(chuàng)建更具適應性和靈活性的系統(tǒng)，以處理復雜業(yè)務;例如，基于代理的系統(tǒng)可以建模并促進復雜系統(tǒng)。

讓AI負責、模型透明化對于防止錯誤決策至關重要！

對新的芯片架構（如可部署在邊緣設備上的神經(jīng)形態(tài)硬件）的重大投資，正在加速AI、ML計算和工作負載，并減少對高帶寬集中式系統(tǒng)的依賴。最終，這可能導致更彈性的AI解決方案，具有更高的業(yè)務影響力。

讓AI負責、模型透明化對于防止錯誤決策至關重要。它將推動更好的人機協(xié)作與信任，使整個組織能更好地采納和調整決策。

趨勢2：儀表盤的衰退

更具自動化和消費體驗的動態(tài)數(shù)據(jù)應用將取代可視化、點擊式創(chuàng)作和探索。因此，用戶使用預定義儀表盤的時間將會減少。向上下文數(shù)據(jù)應用的轉變意味著最相關的見解將根據(jù)上下文、角色或用途傳遞給每個用戶。這些動態(tài)洞察利用了增強分析、NLP、流異常檢測和協(xié)作等技術。

數(shù)據(jù)和分析領導者需要定期評估他們現(xiàn)有的分析和商業(yè)智能（BI）工具。初創(chuàng)型公司，在預定義的儀表盤之外提供新增強的和NLP驅動的用戶體驗。

趨勢3：決策智能化

到2023年，超過三成的大型組織將有分析人員練習決策智能化，其中包括決策建模。決策智能化集合了多門學科，包括決策管理和決策支持。它包含了復雜自適應系統(tǒng)領域的應用，將多種傳統(tǒng)和先進的學科相結合。

它提供了一個框架，幫助數(shù)據(jù)和分析領導者在業(yè)務結果和行為的關系中設計、建模、匹配、執(zhí)行、監(jiān)控和優(yōu)化決策模型以及流程。

當決策需要多種邏輯和數(shù)學，自動化是必須的，或者至少記錄和審計時，探索使用決策管理和建模技術。

趨勢4：X分析

Gartner創(chuàng)造了“X分析”這一術語，其中X是一系列不同結構化和非結構化內容（如文本分析、視頻分析、音頻分析等）的數(shù)據(jù)變量。

數(shù)據(jù)和分析領導者使用X分析來解決社會中最棘手的挑戰(zhàn)，包括氣候變化、疾病預防和野生動物保護等。

在疫情期間，AI在梳理大量研究論文、新聞來源、社交媒體帖子和臨床試驗數(shù)據(jù)方面發(fā)揮了關鍵作用，并幫助了醫(yī)療和公共衛(wèi)生專家預測疾病傳播、規(guī)劃能力、尋找新的治療方法和識別弱勢群體。X分析結合AI和其他技術，如圖表分析（另一個頂級趨勢），在識別、預測和規(guī)劃未來自然災害和其他危機中將發(fā)揮關鍵作用。

數(shù)據(jù)和分析領導者應該探索現(xiàn)有供應商提供的X分析能力，比如用于圖像、視頻和語音分析的云計算供應商，但也要認識到創(chuàng)新很可能來自小型的初創(chuàng)公司和云計算供應商。

趨勢5：增強型數(shù)據(jù)管理：元數(shù)據(jù)是“新黑馬”

增強數(shù)據(jù)管理使用ML和AI技術來優(yōu)化和改進操作。它還將用于審計、繼承和報告的元數(shù)據(jù)轉換為支持動態(tài)系統(tǒng)的元數(shù)據(jù)。

增強數(shù)據(jù)管理產品可以檢查操作數(shù)據(jù)的大量樣本，包括實際查詢、性能數(shù)據(jù)和模式。使用現(xiàn)有的情況和工作負載數(shù)據(jù)，增強引擎可以優(yōu)化操作、配置、安全性和性能。

數(shù)據(jù)和分析領導者應該尋找增強型數(shù)據(jù)管理，支持活動元數(shù)據(jù)來簡化和整合他們的架構，并增加冗余數(shù)據(jù)管理任務的自動化。

趨勢6：云是一種饋贈

到2022年，公有云服務將對90%的數(shù)據(jù)和分析創(chuàng)新起關鍵性作用。

隨著數(shù)據(jù)和分析轉移到云端，數(shù)據(jù)和分析的領導者仍然在努力將正確的服務與用例保持一致，這將導致不必要的治理和集成開銷的增加。

數(shù)據(jù)和分析的問題已經(jīng)從給定服務的成本轉移到如何滿足工作負載的性能需求，而不僅僅是價格表。

數(shù)據(jù)和分析領導者需要優(yōu)先考慮能夠利用云計算功能的工作負載，并在遷移到云計算時關注成本優(yōu)化。

趨勢7：數(shù)據(jù)與分析的沖突

傳統(tǒng)上，數(shù)據(jù)和分析能力被認為是不同的實體，并分別進行管理。通過增強分析提供端到端工作流的供應商模糊了這兩個市場間的區(qū)別。

數(shù)據(jù)和分析的這種沖突將增加獨立的數(shù)據(jù)和分析角色之間的交互與協(xié)作。這不僅會影響所提供的技術和能力，還會影響支持和使用它們的人員和過程。角色的范圍將從IT中的傳統(tǒng)數(shù)據(jù)和分析角色擴展到信息瀏覽器、消費者和公民開發(fā)人員等。

為了將沖突轉化為建設性的整合，可以將數(shù)據(jù)和分析工具與功能合并到分析堆棧中。除工具之外，關注人員和過程以促進交流和協(xié)作。利用數(shù)據(jù)和分析生態(tài)系統(tǒng)、增強方法，有潛力提供一致性的堆棧。

趨勢8：數(shù)據(jù)市場與數(shù)據(jù)交換

到2022年，35%的大型機構將通過正式的在線數(shù)據(jù)市場成為數(shù)據(jù)的賣家或買家，而2020年這一比例為25%.

數(shù)據(jù)市場和交易所提供單一平臺來整合第三方數(shù)據(jù)產品。這些市場和交換中心提供了集中的可用性和訪問（例如X分析和其他獨特的數(shù)據(jù)集），創(chuàng)造了可以降低第三方數(shù)據(jù)成本的規(guī)模經(jīng)濟以。

為了通過數(shù)據(jù)市場將數(shù)據(jù)資產貨幣化，數(shù)據(jù)和分析的領導者應該通過定義一個生態(tài)系統(tǒng)合作伙伴可以依賴的數(shù)據(jù)治理原則來建立一個公平和透明的方法。

趨勢9：數(shù)據(jù)分析中的區(qū)塊鏈

區(qū)塊鏈技術解決了數(shù)據(jù)和分析中的兩個挑戰(zhàn)。首先，區(qū)塊鏈提供了資產和事務的完整繼承。其次，區(qū)塊鏈為復雜的參與者網(wǎng)絡提供了透明性。

除了有限的比特幣和智能合同實例，分類數(shù)據(jù)庫管理系統(tǒng)（DBMS）將為單個企業(yè)審計數(shù)據(jù)源提供一個更有吸引力的選擇。Gartner估計，到2021年，分類DBMS產品將取代大多數(shù)現(xiàn)在使用的區(qū)塊鏈。

數(shù)據(jù)和分析應該通過強調數(shù)據(jù)管理基礎設施和區(qū)塊鏈技術功能的不匹配，將區(qū)塊鏈技術定位成對現(xiàn)有數(shù)據(jù)管理基礎設施的補充。

趨勢10：來自數(shù)據(jù)分析基礎和價值中的關系

到2023年，圖像技術將在全球30%的組織中促進快速情景化決策。圖像分析是一組分析技術，它允許探索相關實體（如組織、人員和事務）之間的關系。

它幫助數(shù)據(jù)和分析領導者發(fā)現(xiàn)數(shù)據(jù)中未知的關系，并審查傳統(tǒng)分析中難以分析的數(shù)據(jù)。

例如，在世界應對當前和未來疫情時，圖像技術可以從人們手機上的地理空間數(shù)據(jù)到人臉識別系統(tǒng)，對照片進行分析，以確定誰可能接觸過被確診冠狀病毒檢測呈陽性的個體。

當與ML算法相結合時，這些技術可用于梳理數(shù)千個數(shù)據(jù)源和文檔，從而幫助醫(yī)療和公共衛(wèi)生專家迅速發(fā)現(xiàn)新的治療方法或可能導致某些患者出現(xiàn)更多負面影響的因素。

數(shù)據(jù)和分析領導者需要評估將圖形分析整合到分析組合及應用程序中的機會，以發(fā)現(xiàn)隱藏的模式和關系。另外，考慮對圖形算法和技術如何改進AI和ML計劃進行研究。