Gartner公佈2019年資料和分析技術十大趨勢
近日在悉尼舉行的Gartner資料與分析峰會上，Gartner研究副總裁Rita Sallam表示，資料和分析領導者必須分析這些趨勢對業務的潛在影響，並相應調整業務模式和運營，否則就有失去競爭優勢的可能。
她說：“資料和分析技術不斷髮展，從支援內部決策到持續的智慧、資訊產品和任命首席資料官。深入瞭解技術趨勢對於推動這一不斷變化的趨勢，並根據業務價值對其進行優先排序，這些都至關重要。”
根據Gartner副總裁、傑出分析師Donald Feinberg表示，數字化顛覆帶來的挑戰——有太多的資料——也創造了前所未有的機遇。大量資料以及由雲實現的日益強大的處理能力，意味著現在我們可以大規模地訓練和執行必要的演算法，以最終發揮人工智慧的全部潛力。
Feinberg說：“資料的大小、複雜性和分散式特性，以及數字化業務要求的行動速度以及持續智慧，意味著需要打破僵化的、集中式的架構和工具束縛。任何企業的持續生存，都將取決於靈活的、以資料為中心的架構，以響應不斷變化的速度。”
Gartner建議資料和分析領導者與高階業務負責人討論一下他們的關鍵業務優先順序，並探索以下主要趨勢如何實現這些優先順序：
趨勢1：增強分析
增強分析是資料和分析市場的下一波顛覆性發展趨勢。增強分析採用機器學習和人工智慧技術來轉換開發、消費和共享分析內容的方式。
到2020年，增強分析將成為分析和BI、資料科學和機器學習平臺、嵌入式分析新增採購的主要驅動力。資料和分析領導者為在平臺功能成熟的時候採用增強分析技術做好計劃。
趨勢2：增強資料管理
增強資料管理利用機器學習和人工智慧引擎來劃分企業資訊管理類別，包括資料質量、元資料管理、主資料管理、資料整合、資料庫管理系統（DBMS）自我配置和自我調整。增強資料管理能夠讓很多手動任務實現自動化，並讓那些技術水平較低的使用者更加自主地使用資料，此外還可以讓高技能技術資源專注於更高價值的任務。
增強資料管理將元資料轉換為僅用於審計、沿襲和報告等用途，以及為動態系統提供動力。元資料從被動轉為主動狀態，成為所有人工智慧/機器學習的主要驅動因素。
到2022年底，通過增加機器學習和自動化服務水平管理，資料管理手動任務量將減少45％。
趨勢3：持續智慧
到2022年，將有超過一半的主要新業務系統將採用持續智慧，利用實時上下文資料來改善決策。
持續智慧是一種設計模式，在這種模式中，實時分析被整合到業務操作中，處理當前資料和歷史資料以規定響應事件的操作。持續智慧提供了決策自動化或決策支援，採用瞭如增強分析、事件流處理、優化、業務規則管理和機器學習等多種技術。
Sallam表示：“持續智慧代表了資料和分析團隊工作的一個重大變化。在2019年，分析和商業智慧團隊幫助企業做出更明智的實時決策，將是一個巨大的挑戰，同時這也是一個巨大的機會，這可以被看作是運營商業智慧的終極目標。”
趨勢4：可解釋的人工智慧
人工智慧模型被越來越多地用於增強和取代人類決策。但是，在某些情況下，企業必須證明這些模型是如何做出決策的。為了與使用者和利益相關者建立信任，應用負責人必須讓這些模型的可解釋性更高。
遺憾的是，大多數先進的人工智慧模型都是複雜的黑盒子，無法解釋它們是如何得出推薦和決策結果的。在資料科學和機器學習平臺，可解釋的人工智慧能夠自動生成一個用自然語言解釋精確性、屬性、模型統計和特徵的解釋模型。
趨勢5：圖形
圖形分析是一組分析技術，可以探索組織、人員和交易等利益實體之間的關係。
到2022年，圖形處理和圖形DBMS應用將以每年100％的速度增長，不斷加速資料準備，並實現更復雜和自適應的資料科學。
據Gartner稱，圖形資料儲存可以跨資料孤島有效地建模、探索和查詢資料，但是對專業技能的需求限制了對這種技術的採用。
由於需要提出關於複雜資料的複雜問題，而使用SQL查詢是不切實際或者大規模無法實現的，因此促使圖形分析將在未來幾年內實現快速增長。
趨勢6：資料結構
資料結構可以在分散式資料環境中實現無摩擦的資料訪問和資料共享。它支援單一且一致的資料管理框架，可通過跨孤島儲存進行設計實現無縫的資料訪問和資料處理。
到2022年，定製的資料結構設計將主要被部署為靜態基礎設施，迫使企業組織面對完全重新設計更動態資料網格方法的新成本浪潮。
趨勢7：NLP/會話分析
到2020年，將有50％的分析查詢是通過搜尋、自然語言處理（NLP）或語音生成的，或者是自動生成的。分析複雜的資料組合並使企業組織中的每個人都可以訪問分析的需求，將推動更廣泛的採用，讓分析工具像搜尋介面或與虛擬助理對話一樣簡單。
趨勢8：商業化人工智慧和機器學習
Gartner預測，到2022年，利用人工智慧和及其學習技術的新終端使用者解決方案中，將有75%是採用商業解決方案而非開源平臺構建的。
廠商們現在已經開發了連線到開源生態系統的聯結器，為企業提供擴充套件人工智慧和機器學習以及實現民主化所必要的功能，例如專案和模型管理、複用、透明度、資料沿襲以及開源技術缺乏的平臺整合。
趨勢9：區塊鏈
區塊鏈和分散式賬本技術的核心價值，是在不受信任的參與者網路中提供去中心化的信任。分析用例的潛在影響很大，尤其是那些利用參與者關係和互動影響的用例。
然而，在四到五個主要區塊鏈技術成為主導之前，還需要若干年的時間。在此之前，技術終端使用者將被迫與主要客戶或網路指定的區塊鏈技術和標準進行整合，包括與你現有的資料和分析基礎架構的整合。整合成本可能掩蓋了任何潛在的好處。區塊鏈是資料來源，而不是資料庫，不會取代現有的資料管理技術。
趨勢10：永久記憶體伺服器
新的永久記憶體技術將有助於降低採用記憶體計算（IMC）架構的成本和複雜性。永久記憶體代表DRAM和NAND快閃記憶體之間的一個新記憶體層，可以為高效能工作負載提供經濟高效的大容量記憶體。這種技術有可能改善應用的效能、可用性、啟動時間、叢集方法和安全實踐，同時控制成本。，此外還可以通過減少資料複製的需要，幫助企業組織降低應用和資料體系結構的複雜性。
Feinberg說：“資料量正在快速增加，將資料實時轉化為價值的緊迫性，也同樣在快速增長。新的伺服器工作負載不僅要求更高的CPU效能，還要求大容量記憶體和更快的儲存。”