Gartner近日公布了2023年十大数据和分析(D&A)趋势,可帮助企业领导者通过预测变化将不确定性转化为新的商机。
Gartner副总裁分析师Gareth Herschel表示:“大规模地为组织提供可证明价值的需求,正在推动着D&A的这些趋势。Gartner在Gartner数据与分析峰会上介绍了企业和IT领导者必须参与并纳入其数据和分析战略(见图1)的十大趋势。
图1:2023年十大数据和分析趋势
资料来源:Gartner(2023年5月)
趋势1:价值优化
大多数D&A领导者都难以用业务术语阐明他们为组织提供的价值。组织的数据、分析和人工智能(AI)组合的价值优化需要一套集成的价值管理能力,包括价值故事话术、价值流分析、投资排名和优先排序,以及衡量业务成果以确保实现预期价值。
“D&A领导者必须通过构建价值故事来优化价值,这些故事在D&A计划与组织的关键任务优先事项之间可以建立起明确的联系,”Herschel说。
趋势2:管理AI风险
AI的日益普及使公司面临新的风险,例如道德风险、训练数据中毒或者欺诈检测规避等,这些风险必须得到缓解。管理AI风险不仅仅是要遵守法规,有效的AI治理和负责任的AI实践对于在利益相关者之间建立信任和促进AI的采用和使用来说,也是至关重要的。
趋势3:可观察性
可观察性是一种特性,有助于了解D&A系统的行为,并允许回答有关其行为的问题。
Herschel说:“可观察性让组织能够缩短确定影响性能问题根本原因的时间,以及使用可靠且准确的数据做出及时且具有成本效益的业务决策所需的时间。D&A领导者需要评估数据可观察性工具,以了解主要用户的需求,并确定这些工具是如何融入整个企业生态系统的。”
趋势4:数据共享必不可少
数据共享包括了内部(部门之间或者部门之间或者子公司之间)和外部(组织所有权和控制范围之外的各方之间)共享数据。组织可以创建“数据即产品”,其中将D&A资产作为一种可交付的产品或者共享的产品。
Gartner高级总监、分析师Kevin Gabbard表示:“数据共享协作,包括组织外部的协作,增加了可重复使用的、先前创建的数据资产来提高数据共享的价值。采用数据结构设计,使单一架构能够跨异构内部和外部数据源共享数据。”
趋势5:D&A可持续性
D&A领导者仅仅为企业ESG(环境、社会和治理)项目提供分析和洞察是不够的。D&A领导者还必须尝试优化自己的流程以提高可持续性。潜在的好处是巨大的。D&A和AI从业者越来越意识到他们的能源足迹正在不断增长。因此,出现了各种实践,例如(云)数据中心使用可再生能源、使用更节能的硬件、以及使用小数据和其他机器学习技术。
趋势6:实用的数据结构
Data Fabric是一种数据管理设计模式,利用所有类型的元数据来观察、分析和推荐数据管理解决方案。Data Fabric通过组装和丰富底层数据的语义,对元数据应用持续分析,以生成警报和建议,让人类和系统可以用于采取行动。Data Fabric让业务用户能够自信地使用数据,并促进技能较低的全民开发人员在集成和建模过程中变得更加灵活。
趋势7:新兴的AI
ChatGPT和生成式AI是新兴AI趋势的先锋。新兴AI将改变大多数企业在可扩展性、多功能性和适应性方面的运作方式。下一波AI浪潮将使企业组织能够在目前不可行的情况下应用AI,从而使AI变得更为普遍和具有价值。
趋势8:融合的、可组合的生态系统
融合的D&A生态系统设计和部署D&A平台,通过无缝集成、治理和技术互操作性紧密地运行和运作。生态系统的可组合性是通过构建、组装和部署可配置的应用和服务来实现的。
有了适当的架构,D&A系统就可以更加模块化,适应性更强,更灵活,可动态扩展并更加精简,以满足不断增长和变化的业务需求,并随着业务和运营环境不可避免的变化而发展。
趋势9:消费者成为创造者
用户花在预定义仪表盘上的时间占比,将被满足特定内容消费者时间点需求的对话式、动态和嵌入式用户体验所取代。
企业组织可以通过为内容消费者提供易于使用的自动化和嵌入式洞察力,以及他们成为内容创建者所需的对话体验,来扩大分析的采用和影响。
趋势10:人类仍然是关键决策者
并非每个决策都可以或者应该被自动化。D&A部门将明确他们给决策的支持,以及人类在自动化和增强决策制定中发挥的作用。
Herschel说:“如不考虑人类在决策中发挥的作用,那么推动决策自动化的努力将导致数据驱动型组织缺乏良知或者是始终如一的目标。组织的数据素养计划需要强调,数据和分析是要与人类决策相结合的。”
好文章,需要你的鼓励
是德科技高级副总裁兼通信解决方案事业部总裁Kailash Narayanan现场指出,算力固然重要,但如果能耗过高,技术的实用性将大打折扣,因此,所有的高速、高性能计算,都必须在极低的功耗下实现,这是AI等技术能否大规模落地的核心前提。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
来自上海交通大学和浙江大学等机构的研究团队开发出首个AI"记忆操作系统"MemOS,解决了AI系统无法实现人类般持久记忆和学习的根本限制。该系统将记忆视为核心计算资源进行调度、共享和演化,在时间推理任务中相比OpenAI记忆系统性能提升159%。MemOS采用三层架构设计,通过标准化记忆单元实现跨平台记忆迁移,有望改变企业AI部署模式。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。