资讯
Gartner最新趋势报告数据显示，增强分析、持续智能和可解释的人工智能（AI）是数据和分析技术的主要趋势，在未来3-5年内具有显著的破坏性潜力。
在近日悉尼举行的Gartner数据与分析峰会上，Gartner研究副总裁Rita Sallam表示，数据和分析领导者必须检查这些趋势对业务的潜在影响，并相应调整业务模式和运营，否则就有可能失去竞争优势。
图片来源：图虫创意
“数据和分析的局势现状不断发展，从支持内部决策到持续智能、信息产品和任命首席数据官，”她说。“深入了解技术趋势，对于推动这一不断变化的领域，并根据业务价值对其进行优先排序至关重要。”
Gartner副总裁兼分析师Donald Feinberg表示，数字化颠覆带来的挑战——数据太多——同时也创造了前所未有的机遇。大量数据以及由云实现的日益强大的处理能力，意味着现在可以大规模地训练和执行必要的算法，以最终实现AI的全部潜力。
Feinberg称，“数据的大小、复杂性，数据的分布性、运行速度以及数字业务所需的持续智能，意味着那些僵化、集中的架构和工具都会崩溃。”“任何企业的持续生存都将取决于灵活的、以数据为中心的架构，以响应不断变化的速度。”
Gartner建议数据和分析领导者与高级业务负责人讨论他们的关键业务优先级，并探索如何针对以下10个主要趋势去实现这些优先级策略布局：
趋势1：增强分析（Augmented Analytics）
增强分析是数据和分析市场的下一波颠覆趋势。它使用机器学习（ML）和AI技术来转换分析内容的开发、消费和共享方式。
到2020年，增强分析将成为推动分析和BI、数据科学和ML平台、嵌入式分析新增采购消费的主要驱动力。数据和分析领导者应该计划在平台功能成熟时采用增强分析。值得注意的是，增强后的分析补充而不是替代现有的企业BI，自助BI和数据科学平台。 增强的分析也可以嵌入到业务应用程序中，以改进决策过程。
强分析使用机器学习自动化在整个分析生命周期中补充人力智能。下一代增强分析功能可以自动准备和清理数据，执行功能工程，查找关键洞察和隐藏模式。 自动化加速了数百万个可变组合的调查，这对人类手动执行太费时间了。 通常，新的发现在这个过程中暴露出来。 此外，人工智能算法解释结果，并提出无偏见的替代方案以及可行的建议。Gartner估计，增强分析将以不超过两倍的速度增长，并将提供两倍的业务价值。
趋势2：增强数据管理（Augmented Data Management）
增强数据管理利用ML功能和AI引擎来制定企业信息管理类别，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）自我配置和自我调整。它使许多手动任务自动化，并允许技术水平较低的用户使用数据更加自主化。它还允许高技能的技术资源专注于更高价值的任务。
增强型数据管理将元数据的用途转换为仅用于审计、衔接和报告，以及为动态系统提供动力。元数据正在从被动变为主动，并且正在成为所有AI/ML的主要驱动因素。
到2022年底，通过增加ML和自动化服务级别管理，数据管理手册任务将减少45％。
趋势3：持续智能（Continuous Intelligence）
到2022年，超过一半的主要新业务系统将采用持续智能，使用实时被禁数据来改善决策。
持续智能是一种设计模式，其中实时分析集成在业务操作中，处理当前和历史数据以规定响应事件的操作。它提供决策自动化或决策支持。持续智能利用多种技术，如增强分析、事件流处理、优化、业务规则管理和机器学习。
“持续智能代表了数据和分析团队工作的重大变化，”Sallam女士说。“分析和BI（商业智能）团队在2019年帮助企业做出更明智的实时决策，这是一个巨大的挑战——也是一个巨大的机会。它可以被看作是运营商业智能的终极目标。”
趋势4：可解释的AI（Explainable AI）
人工智能模型越来越多地用于增强和取代人类决策。但是，在某些情况下，企业必须验证这些模型如何做出决策。为了与用户和利益相关者建立信任，应用程序领导者必须使这些模型更具解释性和可解释性。
不幸的是，大多数这些先进的AI模型都是复杂的黑盒子，无法解释他们为何实现和展开特定的推荐或决策。例如，在数据科学和ML平台中可解释的AI，就自然语言的准确性、属性、模型统计和特征自动生成模型的解释。
可解释的人工智能要求机器学习算法可以自己证明决策的正确性。华盛顿大学的研究人员在2016年构建了一种称为LIME的解释技术，并在由Google构建的图像分类神经网络Inception Network上进行了测试。去年，DeepMind发表的一项研究提出了“机器心智理论”（Machine Theory of Mind），启发自心理学中的 “心智理论”，研究者构建了一个心智理论的神经网络ToMnet，并通过一系列实验证明它具有心智能力。这是开发多智能体AI系统，构建机器 - 人机交互的中介技术，以及推进可解释AI发展的重要一步。
虽然可解释的人工智能和神经网络的特征归因很有发展前景，但消除人工智能的偏见最终会归结为一件事：数据。从某种意义上说，减少机器学习算法中的偏见不仅需要人工智能的进步，还需要我们对人类多样性理解的进步。
趋势5：图形分析（Graph Analytics）
图形分析是一组分析技术，让用户探索组织、人员和交易等感兴趣的实体之间的关系更为便捷。
到2022年，图形处理和图形DBMS的应用将以每年100％的速率增长，以不断加速数据准备，并实现更复杂和自适应的数据科学。
根据Gartner的说法，图形数据存储可以跨数据孤岛有效地建模、探索和查询数据，但是对专业技能的需求限制了它们的采用。
由于需要在复杂数据中提出复杂问题，图形分析将在未来几年内增长，这在使用SQL查询时并不总是切实可行，甚至有时完全不现实。
趋势6：数据结构/数据网格（Data Fabric）
数据结构可在分布式数据环境中实现无冲突的访问和数据共享。它支持单一且一致的数据管理框架，允许通过其他孤立存储的设计进行无缝数据访问和处理。
到2022年，定制数据结构设计将主要部署为静态基础设施，迫使组织进入新的成本浪潮，以完全重新设计更动态的数据网格方法。
趋势7：NLP/会话分析（NLP/ Conversational Analytics）
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，又或者会自动生成。分析复杂的数据组合并使组织中的每个人都可以访问分析的需求，将推动这一方面更广泛的采用，使分析工具像搜索界面或与虚拟助手的对话一样简单。
趋势8：商业AI和ML（Commercial AI and ML）
Gartner预测，到2022年，75％利用AI和ML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。
商业供应商现在已经在开源生态系统中构建了连接器，它们提供了扩展AI和ML所需的企业功能，例如项目和模型管理、循环利用、透明度提升，为数据以及开源技术缺乏的平台提供凝聚力和集成。
趋势9：区块链（Blockchain）
区块链和分布式账本技术的核心价值主张是在不受信任的参与者网络中提供分散的信任。分析用例的潜在影响很大，尤其是那些利用参与者关系和交互的影响。
然而，在四到五个主要区块链技术成为主导之前，将需要几年的时间。在此之前，技术最终用户将被迫与其主要客户或网络所规定的区块链技术和标准集成。这包括与用户现有的数据和分析基础架构的集成。整合成本可能超过任何潜在的好处。区块链是数据源，而不是数据库，不会取代现有的数据管理技术。
趋势10：持久性内存服务器（Persistent Memory Servers）
新的持久性存储器技术将有助于降低采用内存计算（IMC）的架构的成本和复杂性。持久性内存代表DRAM和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。它有可能提高应用程序性能、可用性、启动时间、群集方法和安全实践，同时控制成本。它还将通过减少数据复制的需要，帮助组织降低其应用程序和数据体系结构的复杂性。
“数据量正在快速增长，实时将数据转化为价值的紧迫性正以同样快的速度增长。”“新的服务器工作负载不仅要求更快的CPU性能，还要求大容量内存和更快的存储。”Donald Feinberg表示。
持久性内存的最大特征在于其非易失性，也即能够避免传统DRAM在掉电后的数据丢失问题。不过这种新型态的存储模式需要编程领域的相关配合才能充分发挥自己的效能，能否最终普及到整个计算机业界，不久就会揭晓。
