[[180712]]

市場已經從希望學習和了解新的大數據技術的技術人員，進化到想要了解新項目、新公司以及最重要的，組織如何從這些技術上真實獲益的客戶。根據John Schroeder，MapR Technologies, Inc.的執行主席和創始人的說法，大數據部署的加速主因已經轉移到了數據的價值上。

John總結了他對2017年市場趨勢的看法，形成以下六個主要的預測：

1. 人工智能(AI)重新流行

在上世紀60年代，Ray Solomonoff奠定了人工智能的數學理論基礎，介紹了歸納推理和預測的通用貝葉斯方法。1980年，美國人工智能協會***次全國會議(AAAI)于斯坦福舉行，標志了理論在軟件開發中的應用。AI現在又回到主流的討論中，引發了機器智能、機器學習、神經網絡、認知計算等一系列流行語。為什么AI有年輕化的趨勢?這里面有個三V想法：速度，變化和體量。

可以利用現代和傳統的處理模型來支持三V的平臺可以橫向擴展，提供高達傳統平臺10-20倍的成本效率。

谷歌已經記錄了，簡單的算法對大型數據集頻繁執行，比其他方法使用較小的數據集產生的結果更好。我們將看到，將人工智能到用于高容量重復任務時具有***價值，在這樣的任務中，一致性比以主觀誤差和人力成本為代價來獲得人類直觀的監督來說，更加有效。

2. 大數據帶來管理優勢或競爭優勢

在2017年，管理與數據價值的拔河將是核心焦點。企業具有關于他們的客戶和合作伙伴的大量信息。領先的組織將在正規化和非正規化的案例之間管理他們的數據。正規化的用例數據需要管理數據質量和血統，從而一個監管機構可以報告和跟蹤源數據的轉換。這是強制的和有必要的，但對于非正規化的用例較為受限，這樣的用例包括客戶360，或者，在更高的基數、實時和混合的結構化和非結構化能產生更有效結果的場景下，提供服務。

3. 公司專注于業務驅動的應用程序，以避免數據湖泊成為沼澤

在2017年，組織將從“建立它，它們就會來”的數據湖的方法，遷移到業務驅動的數據方法。今天的世界需要分析和操作能力，以實時在個例層面解決客戶問題，處理索賠和設備接口。例如，任何電子商務網站必須提供個性化的建議和實時價格查詢。

通過將分析與運營系統相結合，醫療機構必須處理有效的索賠和防止欺詐索賠。媒體公司目前通過設置機頂盒提供個性化內容。汽車制造商和拼車公司針對汽車和司機進行規模化的互操作。交付這些用例需要一個敏捷的平臺，平臺可以提供分析和業務處理的能力，以從額外的用例(從后端分析到前臺業務)中增加價值。在2017年，組織將積極推進超越“問問題”的方法和架構，以推動初始和長期的商業價值。

4. 數據敏捷性區分贏家和輸家

當DevOps提供持續交付時，軟件開發已經變得敏捷。在2017年，處理和分析模型將會繼續發展，提供與組織實現數據敏捷類似級別的敏捷。在上下文中理解數據并采取相應業務行動的能力，是競爭優勢的來源，而不是簡單地擁有一個大數據湖。

敏捷處理模型的出現將使相同的數據實例支持批處理分析、交互分析、全局消息、數據庫和基于文件的模型。當一個單一的數據實例可以支持更廣泛的工具集時，更靈活的分析模型也將被啟用。最終的結果是一個靈活的開發和應用平臺，支持最廣泛的處理和分析模型。

5. 區塊鏈轉變精選的金融服務應用

在2017年，將在金融服務中有精選的、轉型的用例，這些用例的出現將對數據存儲和交易處理的方式具有廣泛的影響。區塊鏈提供了一個全球性的分布式總賬，這將改變數據的存儲和交易處理的方式。區塊鏈運行在分布在世界各地的計算機上，鏈可以被全世界任何人看到。

交易被存儲在塊中，每個塊均指向前一個塊，每個塊都打上了時間戳，并以一種不可改變方式存儲數據。黑客無法破解的區塊鏈，因為整個世界都能看到整個的區塊鏈。區塊鏈為消費者提供明顯的效率。例如，客戶不需要等待SWIFT交易，或擔心中央數據中心泄漏的影響。對于企業來說，區塊鏈能幫助節約成本，并提供了創造競爭優勢的機會。

6. 機器學習***化微服務(Microservice)的影響

今年我們將看到機器學習和微服務整合的更多案例。此前，微服務的部署都集中在輕量級的服務上，那些整合了機器學習的微服務通常被局限在應用于數據流瓶頸的“快速”數據集成。在2017年，我們會看到開發將轉變為有狀態應用程序，這些程序將使用大數據，以及使用基于大量的歷史數據更好地理解新到達的數據流的機器學習方法。

“我們的預測深受領先的客戶的影響，這些客戶通過將分析整合進運營的用例而獲得顯著的商業價值，”Schroeder說 。“我們的客戶對MapR融合數據平臺的使用，為DevOps提供了敏捷性，在DevOps中他們可以廣泛使用從Hadoop到Spark、SQL、NoSQL、文件和信息流等加工模型——任何當前和未來的，在私有云、公有云和混合云部署中的需求。”