ZD至顶网软件频道消息:Wikibon最近完成了2017年大数据全球预测,该报告的作者是Wikibon分析师George Gilbert,以及Wikibon的Ralph Finos和Peter Burris,涉及到大数据的市场规模、增长和趋势等。
今年,我们把重点放在构建实现大数据成果所必需的战略业务能力来说最重要的大数据软件技术上。下面是该报告主要的一些研究发现:
- 2016年,全球大数据硬件、软件和服务整体市场增长22%达到281亿美元,让大数据成为技术领域更具吸引力的领域之一。
- 我们的模型显示,到2027年期间,在大数据硬件、软件和服务上的整体开支的复合年增长率为12%,将达到大约970亿美元,而这主要是受到了大数据软件的推动。
- 不过,即使大数据仍然是企业关注热点,但是严重的问题也使得大数据市场出现了一些黯淡之处。特别是,大数据项目的故障率很高,甚至是信息技术标准。
- 大数据市场正在快速变革,以应对项目故障率较高的问题。正如我们所预测的,对基础设施的关注正在转移到对使用实例、应用、利用大数据能力创建可持续业务价值上来。
- 为了避免出现基础设施问题,企业对于把云用于大数据应用特别感兴趣。
大数据软件细分市场快速增长
与很多技术领域一样,大数据领域的很多项目首先是把焦点集中在了硬件和基础设施软件上。在大数据领域,获取、保存和处理大量大数据有很多需要的技术。因此,用户提到了大规模处理较高数据到达率而构建“数据湖”能力。这种能力仍然很重要,但是构建集群、数据库和数据迁移工具是不够的。如今,企业领导者重新将注意力集中在了构建大数据软件和系统的工具和业务能力上。下面就让我们来快速浏览一下每个大数据软件细分的趋势:
- 应用数据库增加了分析数据库的功能。越来越多的数据分析会实时地给人类和机器发送通知信息。2016年这个细分领域的总规模为26亿美元,到2020年增幅放缓到30%达到77亿美元。
- 分析数据库不止是数据湖。作为数据湖的主干,MPP SQL数据库将继续变革,最终成为大规模、高级、离线分析的平台。2016年这个细分领域的总体规模为25亿美元,增幅要慢于总体水平,到2020年达到38亿美元。
- 在线选择的增长是以大笔基础设施开支为代价的。这个部分包括像Spark、Splunk和AWS EMR这样的产品,2016年的总体规模为17亿美元。到2020年期间增幅抢眼,到2020年规模将达到61亿美元。
- 物联网应用将提升持续处理基础设施。这个细分领域将是新兴的、基于微服务的大数据应用的基础,包括大多数智能交互系统,在2016年的总体规模为2亿美元,但是到2020年将增长到18亿美元。
- 数据科学工具链正在演变为带有API的模型。今天,数据科学工具链要求有专门的专家来架构、管理和操作。但是,复杂的数据科学工具链——包括针对机器学习的——都将转变为实时的、预培训的模型,可通过开发者应用编程接口进行访问。这个细分领域的总体规模是2亿美元,到2020将达到18亿美元。
- 机器学习应用现在大多都是定制的。除了出现很多新的专业公司之外,这些应用还将在现有的企业应用中更为普及。2016年这个市场总体规模为9亿美元,到2020年它将赶超其他所有大数据细分市场,规模达到63亿美元。
行动项目:企业正在迅速积累大数据经验,但是还不够快,无法满足商业领袖的想象力和需求。2017年及之后,CIO们需要专注于战略业务能力,以更快速地创建、具有成本效益地管理、成功地集成高级分析系统。
好文章,需要你的鼓励
Uber年度失物报告首次纳入无人驾驶出租车数据。过去一年,乘客在Uber平台的机器人出租车中遗留了数千件物品,包括手机、钥匙、钱包等常见物品,以及假牙、15磅溜溜球等奇特物件。乘客可通过App联系客服找回失物,支付15美元即可享受同城配送,或前往车辆停放站自取。Uber表示,将依托现有运营体系为自动驾驶业务提供全面支持,计划2025年底前在全球15座城市开通无人驾驶打车服务。
TREK方法通过引入外部验证解法对AI进行短期校准,解决了GRPO训练在困难题目上因无法探索正确解法区域而陷入瓶颈的问题,在数学推理和智能体任务上均取得明显提升。
Uber周三发布了一款基于现代Ioniq 5改装的数据采集原型车,搭载14个摄像头、8个固态激光雷达和9个雷达,通过英伟达双驱Thor计算机处理数据。Uber计划今年在全球部署500辆此类车辆,每月可采集200万英里高保真驾驶数据,供Avride、Waymo、WeRide等30余家自动驾驶合作伙伴使用。这是Uber自2020年出售自动驾驶部门以来首次自主组装车辆,也是其AV Labs部门的重要进展。
SkillOpt-Lite通过将智能体技能优化形式化为零阶优化问题,提出极简流水线:把执行轨迹存为文本文件,让AI直接用文件系统工具翻日志、找规律、改技能,配合独立验证门控,比复杂的多智能体优化框架跑得更快效果更好,并自然延伸至执行框架自动优化(HarnessOpt),使轻量模型能够超越大模型。