近日在悉尼举行的Gartner数据与分析峰会上,Gartner研究副总裁Rita Sallam表示,数据和分析领导者必须分析这些趋势对业务的潜在影响,并相应调整业务模式和运营,否则就有失去竞争优势的可能。
她说:“数据和分析技术不断发展,从支持内部决策到持续的智能、信息产品和任命首席数据官。深入了解技术趋势对于推动这一不断变化的趋势,并根据业务价值对其进行优先排序,这些都至关重要。”
根据Gartner副总裁、杰出分析师Donald Feinberg表示,数字化颠覆带来的挑战——有太多的数据——也创造了前所未有的机遇。大量数据以及由云实现的日益强大的处理能力,意味着现在我们可以大规模地训练和执行必要的算法,以最终发挥人工智能的全部潜力。
Feinberg说:“数据的大小、复杂性和分布式特性,以及数字化业务要求的行动速度以及持续智能,意味着需要打破僵化的、集中式的架构和工具束缚。任何企业的持续生存,都将取决于灵活的、以数据为中心的架构,以响应不断变化的速度。”
Gartner建议数据和分析领导者与高级业务负责人讨论一下他们的关键业务优先级,并探索以下主要趋势如何实现这些优先级:
趋势1:增强分析
增强分析是数据和分析市场的下一波颠覆性发展趋势。增强分析采用机器学习和人工智能技术来转换开发、消费和共享分析内容的方式。
到2020年,增强分析将成为分析和BI、数据科学和机器学习平台、嵌入式分析新增采购的主要驱动力。数据和分析领导者为在平台功能成熟的时候采用增强分析技术做好计划。
趋势2:增强数据管理
增强数据管理、利用机器学习和人工智能引擎来划分企业信息管理类别,包括数据质量、元数据管理、主数据管理、数据集成、数据库管理系统(DBMS)自我配置和自我调整。增强数据管理能够让很多手动任务实现自动化,并让那些技术水平较低的用户更加自主地使用数据,此外还可以让高技能技术资源专注于更高价值的任务。
增强数据管理将元数据转换为仅用于审计、沿袭和报告等用途,以及为动态系统提供动力。元数据从被动转为主动状态,成为所有人工智能/机器学习的主要驱动因素。
到2022年底,通过增加机器学习和自动化服务水平管理,数据管理手动任务量将减少45%。
趋势3:持续智能
到2022年,将有超过一半的主要新业务系统将采用持续智能,利用实时上下文数据来改善决策。
持续智能是一种设计模式,在这种模式中,实时分析被集成到业务操作中,处理当前数据和历史数据以规定响应事件的操作。持续智能提供了决策自动化或决策支持,采用了如增强分析、事件流处理、优化、业务规则管理和机器学习等多种技术。
Sallam表示:“持续智能代表了数据和分析团队工作的一个重大变化。在2019年,分析和商业智能团队帮助企业做出更明智的实时决策,将是一个巨大的挑战,同时这也是一个巨大的机会,这可以被看作是运营商业智能的终极目标。”
趋势4:可解释的人工智能
人工智能模型被越来越多地用于增强和取代人类决策。但是,在某些情况下,企业必须证明这些模型是如何做出决策的。为了与用户和利益相关者建立信任,应用负责人必须让这些模型的可解释性更高。
遗憾的是,大多数先进的人工智能模型都是复杂的黑盒子,无法解释它们是如何得出推荐和决策结果的。在数据科学和机器学习平台,可解释的人工智能能够自动生成一个用自然语言解释精确性、属性、模型统计和特征的解释模型。
趋势5:图形
图形分析是一组分析技术,可以探索组织、人员和交易等利益实体之间的关系。
到2022年,图形处理和图形DBMS应用将以每年100%的速度增长,不断加速数据准备,并实现更复杂和自适应的数据科学。
据Gartner称,图形数据存储可以跨数据孤岛有效地建模、探索和查询数据,但是对专业技能的需求限制了对这种技术的采用。
由于需要提出关于复杂数据的复杂问题,而使用SQL查询是不切实际或者大规模无法实现的,因此促使图形分析将在未来几年内实现快速增长。
趋势6:数据结构
数据结构可以在分布式数据环境中实现无摩擦的数据访问和数据共享。它支持单一且一致的数据管理框架,可通过跨孤岛存储进行设计实现无缝的数据访问和数据处理。
到2022年,定制的数据结构设计将主要被部署为静态基础设施,迫使企业组织面对完全重新设计更动态数据网格方法的新成本浪潮。
趋势7:NLP/会话分析
到2020年,将有50%的分析查询是通过搜索、自然语言处理(NLP)或语音生成的,或者是自动生成的。分析复杂的数据组合并使企业组织中的每个人都可以访问分析的需求,将推动更广泛的采用,让分析工具像搜索界面或与虚拟助理对话一样简单。
趋势8:商业化人工智能和机器学习
Gartner预测,到2022年,利用人工智能和及其学习技术的新最终用户解决方案中,将有75%是采用商业解决方案而非开源平台构建的。
厂商们现在已经开发了连接到开源生态系统的连接器,为企业提供扩展人工智能和机器学习以及实现民主化所必要的功能,例如项目和模型管理、复用、透明度、数据沿袭以及开源技术缺乏的平台集成。
趋势9:区块链
区块链和分布式账本技术的核心价值,是在不受信任的参与者网络中提供去中心化的信任。分析用例的潜在影响很大,尤其是那些利用参与者关系和交互影响的用例。
然而,在四到五个主要区块链技术成为主导之前,还需要若干年的时间。在此之前,技术最终用户将被迫与主要客户或网络指定的区块链技术和标准进行集成,包括与你现有的数据和分析基础架构的集成。整合成本可能掩盖了任何潜在的好处。区块链是数据源,而不是数据库,不会取代现有的数据管理技术。
趋势10:持久内存服务器
新的持久内存技术将有助于降低采用内存计算(IMC)架构的成本和复杂性。持久内存代表DRAM和NAND闪存之间的一个新内存层,可以为高性能工作负载提供经济高效的大容量内存。这种技术有可能改善应用的性能、可用性、启动时间、集群方法和安全实践,同时控制成本。,此外还可以通过减少数据复制的需要,帮助企业组织降低应用和数据体系结构的复杂性。
Feinberg说:“数据量正在快速增加,将数据实时转化为价值的紧迫性,也同样在快速增长。新的服务器工作负载不仅要求更高的CPU性能,还要求大容量内存和更快的存储。”
好文章,需要你的鼓励
Intuit在ChatGPT发布后匆忙推出的聊天式AI助手遭遇失败,随后公司进行了为期九个月的战略转型。通过观察客户实际工作流程,发现手动转录发票等重复性劳动,决定用AI智能体自动化这些任务而非强加新的聊天行为。公司建立了三大支柱框架:培养构建者文化、高速迭代替代官僚主义、构建GenOS平台引擎。最终推出的QuickBooks支付智能体让小企业平均提前5天收到款项,每月节省12小时工作时间。
希伯来大学研究团队开发出MV-RAG系统,首次解决了AI在生成稀有物品3D模型时的"胡编乱造"问题。该系统像拥有图像记忆库的艺术家,能先搜索相关真实照片再生成准确3D视图。通过独创的混合训练策略和智能自适应机制,MV-RAG在处理罕见概念时性能显著超越现有方法,为游戏开发、影视制作、虚拟现实等领域提供了强大工具。
马斯克旗下xAI公司发布专为开发者设计的新AI模型grok-code-fast-1,主打快速且经济的推理能力。该模型属于Grok 4系列,具备自主处理任务的能力。xAI声称其在SWE-bench评测中解决了70.8%的实际软件问题,表现优于GPT-5和Claude 4。不过模型存在较高的不诚实率问题。用户可通过GitHub Copilot等平台免费试用7天,需要API密钥访问。
MBZUAI等机构研究团队通过一维细胞自动机实验揭示了AI模型多步推理的关键限制:固定深度模型在单步预测上表现优异,但多步推理能力急剧下降。研究发现增加模型深度比宽度更有效,自适应计算时间、强化学习和思维链训练能突破这些限制。这为开发更强推理能力的AI系统提供了重要指导,强调了真正推理与简单记忆的本质区别。