Gartner的研究副總裁Rita Sallam今天在悉尼舉行的Gartner數(shù)據(jù)和分析峰會上表示，數(shù)據(jù)和分析領(lǐng)導(dǎo)人必須審視這些趨勢給業(yè)務(wù)帶來的潛在影響，并相應(yīng)調(diào)整業(yè)務(wù)模式和運(yùn)營，否則有可能喪失競爭優(yōu)勢。

她說：“數(shù)據(jù)和分析領(lǐng)域的形勢在不斷變化，從支持內(nèi)部決策到持續(xù)型智能、信息產(chǎn)品和任命***數(shù)據(jù)官。更深入地了解推動這種不斷變化的形勢的技術(shù)趨勢，并根據(jù)業(yè)務(wù)價值對它們確定優(yōu)先級顯得至關(guān)重要。”

據(jù)Gartner副總裁兼杰出分析師Donald Feinberg聲稱，數(shù)字化顛覆帶來的挑戰(zhàn)（數(shù)據(jù)太多）也創(chuàng)造了***的機(jī)遇。海量數(shù)據(jù)加上云帶來日益強(qiáng)大的處理功能，這意味著現(xiàn)在可以大規(guī)模地訓(xùn)練和執(zhí)行算法，而最終實現(xiàn)AI的全部潛力勢必需要這么做。

Feinberg先生說：“數(shù)字化業(yè)務(wù)需要大量復(fù)雜且分布式的數(shù)據(jù)、迅速行動以及持續(xù)型智能，這意味著僵化且集中式的架構(gòu)和工具分崩離析。任何企業(yè)的持續(xù)生存將取決于靈活的且以數(shù)據(jù)為中心的架構(gòu)，可應(yīng)對不斷變化的形勢。”

Gartner建議數(shù)據(jù)和分析領(lǐng)導(dǎo)人與高級業(yè)務(wù)負(fù)責(zé)人討論他們的關(guān)鍵業(yè)務(wù)優(yōu)先級，并探討下列幾大趨勢如何助力自己。

趨勢1：增強(qiáng)型分析

增強(qiáng)型分析是數(shù)據(jù)和分析市場的下一波顛覆。它使用機(jī)器學(xué)習(xí)和AI技術(shù)來徹底改變開發(fā)、消費(fèi)和共享分析內(nèi)容的方式。

到2020年，增強(qiáng)型分析將成為促使企業(yè)新購買分析及商業(yè)智能（BI）、數(shù)據(jù)科學(xué)及機(jī)器學(xué)習(xí)平臺以及嵌入式分析技術(shù)的主要驅(qū)動因素。數(shù)據(jù)和分析領(lǐng)導(dǎo)人應(yīng)計劃在平臺功能趨于成熟時采用增強(qiáng)型分析。

趨勢2：增強(qiáng)型數(shù)據(jù)管理

增強(qiáng)型數(shù)據(jù)管理充分利用機(jī)器學(xué)習(xí)功能和AI引擎來搞好幾類企業(yè)信息管理，包括數(shù)據(jù)質(zhì)量、元數(shù)據(jù)管理、主數(shù)據(jù)管理、數(shù)據(jù)集成以及數(shù)據(jù)庫管理系統(tǒng)（DBMS）自我配置和自我調(diào)整。它使許多手動任務(wù)實現(xiàn)自動化，讓技術(shù)不太嫻熟的用戶得以更獨立自主地使用數(shù)據(jù)。它還讓技能嫻熟的人員得以專注于更重要的任務(wù)。

增強(qiáng)型數(shù)據(jù)管理將元數(shù)據(jù)由僅用于審計、沿襲和報告變成支持動態(tài)系統(tǒng)。元數(shù)據(jù)正由被動變成主動，正成為所有AI/機(jī)器學(xué)習(xí)的主要驅(qū)動因素。

到2022年底，有望通過增加機(jī)器學(xué)習(xí)和自動化服務(wù)級別管理，將數(shù)據(jù)管理手動任務(wù)減少45%。

趨勢3：持續(xù)型智能

到2022年，一半以上的主要新業(yè)務(wù)系統(tǒng)將采用利用實時上下文數(shù)據(jù)來改善決策的持續(xù)型智能。

持續(xù)型智能是一種設(shè)計模式；按照這種模式，實時分析技術(shù)集成到業(yè)務(wù)運(yùn)營中，處理當(dāng)前數(shù)據(jù)和歷史數(shù)據(jù)，以確定響應(yīng)事件的操作。它提供決策自動化或決策支持。持續(xù)型智能利用多種技術(shù)，比如增強(qiáng)型分析、事件流處理、優(yōu)化、業(yè)務(wù)規(guī)則管理和機(jī)器學(xué)習(xí)。

Sallam女士說：“持續(xù)型智能代表數(shù)據(jù)和分析團(tuán)隊的工作發(fā)生了重大變化。這既是巨大挑戰(zhàn)，又是巨大機(jī)會，分析和BI（商業(yè)智能）團(tuán)隊可以在2019年幫助企業(yè)做出更明智的實時決策?？梢詫⑺曌鞑僮餍虰I的***版。”

趨勢4：可解釋型AI

企業(yè)日益部署AI模型以增強(qiáng)和取代人類決策。然而在一些情況下，企業(yè)必須證明這些模型如何做出決策。為了贏得用戶和利益相關(guān)者的信任，應(yīng)用軟件***必須使這些模型更易于解釋。

遺憾的是，大多數(shù)這些先進(jìn)的AI模型都是復(fù)雜的黑盒子，無法解釋它們?yōu)楹蔚贸鎏囟ǖ耐扑]或決策。比如說，數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)平臺中的可解釋型AI可自動生成模型的解釋，用自然語言從準(zhǔn)確性、屬性、模型統(tǒng)計和特征等方面解釋模型。

趨勢5：圖形分析

圖形分析是一組分析技術(shù)，便于探究組織、人員和事務(wù)等相關(guān)實體之間的關(guān)系。

圖形處理和圖形DBMS的運(yùn)用將以每年100%的速度增長，一直持續(xù)到2022年，不斷加快數(shù)據(jù)準(zhǔn)備，并支持更復(fù)雜、更適應(yīng)的數(shù)據(jù)科學(xué)。

據(jù)Gartner聲稱，圖形數(shù)據(jù)存儲系統(tǒng)可以跨數(shù)據(jù)孤島高效地建模、探究和查詢有著復(fù)雜關(guān)系的數(shù)據(jù)，但迄今為止需要專業(yè)技能限制了它們的采用。

由于需要跨復(fù)雜數(shù)據(jù)詢問復(fù)雜問題，圖形分析在今后幾年會迎來增長，跨復(fù)雜數(shù)據(jù)詢問復(fù)雜問題在大規(guī)模環(huán)境下使用SQL查詢并不總是切實可行或甚至可能的。

趨勢6：數(shù)據(jù)結(jié)構(gòu)（data fabric）

數(shù)據(jù)結(jié)構(gòu)可以順暢無阻地訪問和共享分布式數(shù)據(jù)環(huán)境下的數(shù)據(jù)。它支持單一、一致的數(shù)據(jù)管理框架，因而可以跨原本孤立的存儲環(huán)境無縫地訪問和處理數(shù)據(jù)。

到2022年，定制的數(shù)據(jù)結(jié)構(gòu)設(shè)計將主要部署成靜態(tài)基礎(chǔ)設(shè)施，迫使企業(yè)組織迎來新一波的成本控制浪潮，針對更動態(tài)的數(shù)據(jù)網(wǎng)格方法全面重新設(shè)計。

趨勢7：NLP /對話式分析

到2020年，50%的分析查詢將通過搜索、自然語言處理（NLP）或語音來生成，或者將自動生成。需要分析復(fù)雜的數(shù)據(jù)組合，并使企業(yè)組織中的每個人都易于訪問分析技術(shù)，這將推動更廣泛的采用，使分析工具如同搜索界面或借助虛擬助理的對話一樣簡易。

趨勢8：商業(yè)AI和機(jī)器學(xué)習(xí)

Gartner預(yù)測，到2022年，利用AI和機(jī)器學(xué)習(xí)技術(shù)的新的最終用戶解決方案中75%將采用商業(yè)解決方案而非開源平臺來構(gòu)建。

商業(yè)供應(yīng)商現(xiàn)在已經(jīng)構(gòu)建了連接到開源生態(tài)系統(tǒng)的組件，它們提供了擴(kuò)展并普及AI和機(jī)器學(xué)習(xí)所必需的企業(yè)功能，比如項目及模型管理、重復(fù)使用、透明度、數(shù)據(jù)沿襲以及開源技術(shù)缺乏的平臺凝聚力和集成。

趨勢9：區(qū)塊鏈

區(qū)塊鏈和分布式賬本技術(shù)的核心價值主張是，跨不受信任的參與者網(wǎng)絡(luò)提供去中心化的信任。區(qū)塊鏈在數(shù)據(jù)分析這種使用場合大有影響，對利用參與者關(guān)系和交互的那些企業(yè)來說影響尤其大。

然而，幾年后四五種主要的區(qū)塊鏈技術(shù)會成為主導(dǎo)者。在此之前，技術(shù)最終用戶將被迫與其主導(dǎo)性的客戶或網(wǎng)絡(luò)所要求的區(qū)塊鏈技術(shù)和標(biāo)準(zhǔn)整合起來。這包括與你現(xiàn)有的數(shù)據(jù)和分析基礎(chǔ)設(shè)施整合起來。整合成本可能超過任何潛在的好處。區(qū)塊鏈?zhǔn)菙?shù)據(jù)源，而不是數(shù)據(jù)庫，不會取代現(xiàn)有的數(shù)據(jù)管理技術(shù)。

趨勢10：持久性內(nèi)存服務(wù)器

新的持久性內(nèi)存技術(shù)將有助于降低采用基于內(nèi)存計算（IMC）的架構(gòu)的成本和復(fù)雜性。持久性內(nèi)存代表DRAM和NAND閃存之間一個新的內(nèi)存層，可為高性能工作負(fù)載提供經(jīng)濟(jì)高效的大容量內(nèi)存。它有望改善應(yīng)用軟件的性能、可用性、啟動時間、集群方法和安全實踐，同時牢牢控制成本。它還可以減少對數(shù)據(jù)復(fù)制的需要，幫助企業(yè)組織降低其應(yīng)用軟件和數(shù)據(jù)架構(gòu)的復(fù)雜性。

Feinberg先生說：“數(shù)據(jù)量正在快速增長，將數(shù)據(jù)實時轉(zhuǎn)化成價值的緊迫性正以同樣快的速度增長。新的服務(wù)器工作負(fù)載不僅需要更高的CPU性能，還需要大容量內(nèi)存和更快的存儲系統(tǒng)。”