雪狼的最后一滴泪
数据和分析是一个不断发展的故事。从任命首席数据官到采购最新的分析软件，企业领导者都在充分利用这一技术，但这并不容易。
Gartner公司副总裁兼杰出研究分析师Donald Feinberg表示：“数据的规模、复杂性、分布性质、行动速度以及数字业务所需的持续智能意味着僵化和集中的架构和工具将会崩溃。任何业务的持续生存都将依赖于一个灵活的、以数据为中心的架构，该架构能够响应不断变化的速度。”
但是，虽然企业领导者必须通过寻找合适的服务和技术来帮助简化数据流程来应对数字中断，但也出现了前所未有的机遇。庞大的数据量与云计算技术带来的强大处理能力的增加相结合，意味着现在可以大规模地训练和执行必要的算法，以最终实现人工智能的全部潜力。
根据Gartner公司的调查，关键是要深入了解以下十大技术趋势，这些趋势能够推动这一不断变化发展，并根据业务价值对其进行优先排序，以保持领先地位。
趋势1：增强分析
Gartner公司的调查表明，到2020年，增强分析将成为数据分析和商业智能解决方案的主要卖点。
Gartner公司认为，使用机器学习和人工智能，增强分析是数据和分析市场的颠覆者，因为它将改变开发、消费和共享中的分析内容。
趋势2：增强数据管理
增强型数据管理利用机器学习能力和人工智能技术使数据管理类别包括数据质量、主数据管理、元数据管理、数据集成以及数据库管理系统(DBMS)自我配置和自我调整。
根据Gartner公司的调查，这是一个大问题，因为它可以自动执行许多人工完成的任务，为技术水平较低的用户提供使用数据的机会。它还有助于高技能的技术资源专注于更多的增值任务。
到2022年底，由于机器学习和自动化服务级别管理，数据管理中的人工任务将减少45%。
趋势3：持续型智能
持续数据不仅仅是一种实时数据的新方式。相反，它是一种设计模式，其中实时分析与业务运营相结合，处理当前和历史数据以规定响应事件的行动。
Gartner公司研究副总裁Rita Sallam说，“持续型智能代表了数据和分析团队工作的重大变化。分析和商业智能(BI)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。”
到2022年，超过一半的重要新业务系统将采用持续型智能，使用实时场景数据来改善决策。
趋势4：可解释的人工智能
人工智能已经越来越多地用于数据管理，但人工智能解决方案如何解释为什么他们得出某些结论?这是可解释的人工智能的用武之地。
数据科学和机器学习平台中的可解释人工智能是关于在自然语言中准确性、属性、模型统计和特征方面生成数据模型的解释。
趋势5：图表
根据Gartner公司的调查，图形分析是一组分析技术，可帮助企业探索关注实体(如交易、流程和员工)之间的关系。
到2022年，图形处理和图形数据库管理系统的应用将以每年100%的速度增长。
趋势6：数据结构
数据结构都是关于单一且一致的数据管理框架。它着眼于在分布式数据环境中实现无冲突访问和数据共享，而不是孤立存储。
到2022年，定制的数据结构配置将主要用作静态基础设施，迫使组织投入新的成本流，以完全重新设计更动态的数据网格方法。
趋势7：自然语言处理(NLP)/会话分析
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，或者将自动生成。需要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，这将推动更广泛的采用，使分析工具与搜索界面或与虚拟助理对话一样简单。根据另一项研究，自然语言处理(NLP)的用例将非常庞大，预计到2020年其市场价值将达到134亿美元。
趋势8：人工智能和机器学习的商业化
Gartner公司表示，到2022年，75%利用人工智能和机器学习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。
商业供应商已经在开源生态系统中创建了连接器，它们为组织提供了扩展人工智能和机器学习所需的功能，例如项目和模型管理、透明度、重用、数据沿袭、平台内聚性和开源技术所缺乏的集成。
趋势9：区块链
区块链等分布式分类账技术在数据分析领域看起来很有前景，因为它们可能会在不受信任的参与者网络中提供分散的信任。其分析用例的影响很大，尤其是那些利用参与者关系和交互的用例。
但是，根据Gartner公司的调查，区块链要在这一领域全面发展还需要几年时间。同时，企业将部分地与区块链技术和标准相结合，这些技术和标准可能由其主要客户或网络决定。这包括与现有数据和分析基础设施的集成。
趋势#10：持久性内存服务器
持久存储器技术旨在降低采用内存计算(IMC)的架构的成本和复杂性。持久性内存将成为处于DRAM内存和NAND闪存之间的一个新内存层，可为高性能工作负载提供经济高效的大容量内存。
根据Gartner公司的调查，它具有升级应用程序性能、可用性、启动时间、集群方法和安全实践的潜力。它还将通过减少对重复数据的需求，帮助组织降低其应用程序和数据体系结构的复杂性。
Feinberg表示，“如今，数据量正在激增，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。”
