Gartner發布2019年十大數據與分析技術趨勢

　　今年，我們將看到更多公司和企業開始結合各種新興信息技術，如AI、區塊鏈等技術趨勢。當越來越多的創新公司這樣做時，就將經歷格式塔轉變并從不同的角度看待他們的公司。那些成功遵循這條道路的組織將轉變為數據組織。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，并探索如何針對以下10個主要趨勢去實現這些優先級策略布局。

　　增強分析

　　數據分析的下一階段是數據增強分析，為分析計劃帶來自動化和新的程度的洞察力。

　　數據分析的下一階段的根本性轉變已經開始了。就像第二波自助商業智能破壞了第一波傳統商務智能，第三波增強分析技術將再次改變游戲規則。早期采用增強分析技術的用戶，以前所未有的速度洞察力和增強的競爭優勢。

　　增強的分析應用程序通過無偏差的正確準備的數據在右手中提供了驚人的結果。 由于自動化分析依賴于統計技術，因此不足以代表業務流程的不準確，有偏差或質量差的數據將提供低質量的結果。

　　增強數據管理

　　隨著以云計算，大數據，移動和社交為主要特征的第三平臺的發展，數據正在變成企業的核心驅動力，企業對于數據的使用成為其競爭力的核心組成部分。所以企業中產生了越來越多生產數據的拷貝用于備份/恢復，開發測試，統計分析，準業務平臺搭建，數據恢復有效性驗證等目的。

　　在當前產業環境下，大量行業用戶都已將核心業務遷移到自動化系統，自動化系統的運行往往需要在業務系統中抽取數據，這勢必會耗費業務系統的資源，對業務系統的效率、穩定性造成極大影響。而增強數據管理通過對數據管理流程的重塑，實現了簡化數據使用、節約存儲空間、增強數據管理這幾大目標，在降低對業務系統壓力的同時，實現更敏捷的數據使用。

　　持續智能

　　來自所有數據的持續智能不是描述實時，速度或吞吐量的另一個短語。它是關于從所有數據中獲得連續業務價值的無摩擦循環時間。它是一種現代機器驅動的分析方法，無論有多少數據源或數量多大，您都可以快速獲取所有數據并加速所需的分析。 它不是一次這樣做，而是讓機器自動化，因此它是連續的，無摩擦的。

　　通過使用各種技巧和工具，有很多方法可以快速進行分析。但是，如果它引導您進入一個新的思維鏈，需要一直回到加載更多數據，建模，集成它并在每次業務出現新問題時調整儀表板。

　　現在，人工智能驅動的分析已經通過應用當今數據處理平臺的巨大力量來自動解釋和協調來自不同來源的數據。現在，任何人都可以將AI驅動的分析系統指向復雜的數據源進行推斷和協調，系統可以完成工作并立即向業務發送持續的視覺洞察。業務決策的數據變得持續。

　　可解釋的AI

　　人工智能出現以后，似乎正在逐步滲透到我們生活中的每個角落，其中不乏它為我們做出了一些非常重要的決定，比如，身體里的腫瘤是不是已經發生癌變;是否應該同意或拒絕保險索賠;旅客是不是應該被批準通過機場安檢，甚至是否授權導彈發射以及是否批準自動駕駛汽車的制動，等等。

　　最重要的是，這顯然意味著應該提供關于如何獲得模型的響應的見解。直接的后果是，由于易于解釋，將可能方法的范圍縮小到最簡單的方法，除非我們找到方法將上下文添加到最先進算法的預測中。更何況，這種趨勢更多是因為監管約束的強化而不是緩慢的。

　　圖形分析

　　圖形分析是一個快速發展的研究領域，其中圖形理論，統計和數據庫技術的組合應用于圖形結構數據的建模，存儲，檢索和性能分析。這些技術使研究人員能夠理解網絡的結構及其在不同條件下的變化，找到滿足不同約束的實體對之間的路徑，識別圖中的簇或緊密交互的子組，或查找與給定模式類似的子圖。

　　對于這些和許多其他任務，重要的是將一個數據視為表示對象和表示它們之間關系的對象和邊的節點或頂點的圖(網絡)。對于諸如傳感器網絡的許多應用領域，圖形可能很大并且具有十億個節點和邊緣。

　　可以基于邊緣是否具有取向來定向或不定向圖形。如果每對頂點通過路徑連接，則連接無向圖。具有與每個邊相關聯的權重的圖被稱為加權圖。用于網絡分析，基因組學，社交網絡分析和其他領域的大規模圖形處理的計算要求需要強大且高效的計算性能，只有加速器才能提供。

　　數據結構/數據網格

　　數據網格是一種架構和一系列數據服務，可以為內部環境和多云環境中的多種端點提供一致統一的功能。它可簡化并集成云端和內部環境的數據管理，有助于加快數字化轉型的步伐。它提供一致統一的集成混合云數據服務，用于改善數據可見性和洞察力、據訪問和控制，以及數據保護和安全。

　　面對巨大的壓力，IT 主管們迫切需要在有限的時間內，運用有限的技能和預算駕馭當今的海量數據，并利用這些數據為整個企業創造新的價值。 與此同時，數據不再是隱藏在防火墻之后的加密設備上，而是越來越呈現分布式、動態性和多樣化的特點，而且數據量驚人，管理起來極為困難。

　　數據網格最終幫助企業釋放數據潛能，滿足業務需求并贏得競爭優勢。 它可以幫助 IT 部門更充分地發揮混合云的無限潛能，構建下一代數據中心并通過數據管理打造現代化的存儲。

　　NLP/會話分析

　　NLP是計算機以一種聰明而有用的方式分析，理解和從人類語言中獲取意義的一種方式。通過利用NLP，開發者可以組織和構建知識來執行自動摘要，翻譯，命名實體識別，關系提取，情感分析，語音識別和話題分割等任務。

　　目前NLP的方法是基于深度學習，這是一種AI，它檢查和使用數據中的模式來改善程序的理解。深度學習模型需要大量的標記數據來訓練和識別相關的相關性，匯集這種大數據集是當前NLP的主要障礙之一。

　　NLP算法通常基于機器學習算法。NLP可以依靠機器學習來自動學習這些規則，而不是手工編碼大量的規則集，通過分析一系列的例子(如，一個大的數據庫，像一本書，直到一堆句子的集合)，并且做一個靜態的推論。一般來說，分析的數據越多，模型越精確。社交媒體分析是NLP使用的一個很好的例子。品牌在線跟蹤對話以了解客戶的意見，并洞悉用戶行為。

　　區塊鏈

　　區塊鏈與往年的不同之處在于，2019年我們將看到第一批真正的企業應用程序正在使用中。不是在談論開發分散式應用程序的各種區塊鏈初創公司，也不是在談論概念證明。在2019年，將看到大公司使用區塊鏈來改善行業協作。

　　區塊鏈的用戶數據隱私保護是一個新方向，接下來預計會看到越來越多的創業者和密碼學專家加入了這個行業，投入大量資源進行研究。現在這個方向已經非常明確，通過加密算法保護用戶隱私數據，通過區塊鏈激勵機制在機構和用戶之間分配價值，這是區塊鏈的優勢所在。

　　商業AI和ML

　　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。

　　到2022年，75%利用AI和ML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。

　　持久性內存服務器

　　持久性內存非常適合需要頻繁訪問大型復雜數據集的環境。持久存儲器是內存/存儲層次結構的新增功能，可彌補DRAM和存儲之間的差距，通過提供更靠近處理器的非易失性，低延遲存儲器，實現更大的數據管理靈活性。因為它駐留在DRAM總線上，所以持久存儲器可以提供對關鍵數據的超快速DRAM訪問。將傳統存儲的數據可靠性與超低延遲和高帶寬相結合，使設計人員能夠以全新的方式優化系統并管理數據。

　　持久性內存非常適合需要頻繁訪問大型復雜數據集的環境，以及對因電源故障或系統崩潰導致的停機時間敏感的環境。應用程序包括大數據分析，存儲設備，RAID緩存，內存數據庫，存儲索引的元數據服務器以及在線事務處理。

　　隨著我們進入到未來，存儲數據這個基本概念將從鐵磁材料顆粒翻轉極性變成可直接尋址的異常小的硅片層，可以快速操作和讀取。由于硬件在變化，我們使用硬件的方式也應該隨之變化。

　　結尾

　　2019年將成為真理年。不僅從區塊鏈的角度來看，它為行業合作伙伴提供了單一版本的事實，而且還提供了物聯網安全性以及政府和商業組織之間激烈的軍備競賽。總而言之，當我們為以數據為中心的第三個十年做準備時，這將是一個非常激動人心的一年。

　　今天的大數據分析市場與幾年前的市場截然不同，正是由于海量數據的暴增，未來十年，全球各行各業都將發生變革、創新和顛覆。