至顶网软件频道消息: IDC亚太区刚刚发布了首个MarketScape for Asia/Pacific Big Data and Analytics Platform 2017 Vendor Assessment厂商评估报告,其中Splunk和IBM被评为"领导者"。该报告评估了市场中11家涉足亚太区市场的全球顶级厂商所提供的大数据和分析(BDA)解决方案,并分析了他们的优势和挑战。IDC使用了一种综合框架来评估这些厂商大数据和分析解决方案的各种功能,包括大数据管理、集成平台、分析工具、认知/人工智能软件功能。
IDC亚太区大数据分析和认知/人工智能团队研究经理Kar Leong Tew表示:"大数据和分析是企业组织在数字化转型过程中最常见措施之一,这项研究结果证实了厂商在扩大他们解决方案在BDA项目生命周期内的覆盖范围,以及满足认知/人工智能解决方案需求的程度。那些既在该领域树立了品牌和声誉、又有效在市场中扩大了解决方案覆盖面的企业组织成为领导者。"
亚太区大数据分析解决方案的"领导者"们正在面临越来越多的"挑战者"。例如,领导者和主要厂商例如SAS、Oracle和Fusionex之间的差距很小,考虑到这个市场中BDA解决方案的快速升级,他们很容易被赶超。而且,随着市场逐渐成熟,意识到大数据的各种可能性,以及这些解决方案可以用于现实工作环境来改善业务流程,这个领域的机遇将快速增加。
该研究中涉及的厂商涵盖那些提供了跨生命周期(提取、转换和加载[ETL]、摄取、分析、预测和可视化)提供解决方案和产品的全球厂商,以及那些专注于亚太区的厂商,该地区总共11家厂商参与了这项研究,包括:
1. Splunk
2. IBM
3. Qlik
4. Oracle
5. SAS
6. Hortonworks
7. Cloudera
8. MapR
9. The Information Bus Company (TIBCO Software)
10. Fusionex
11. Pentaho (2017年9月品牌更名为Hitachi Vantara)
该研究还分析了每家厂商的解决方案利用率、解决方案的普及程度、解决方案的智能性、以及如何帮助企业组织专注于核心能力(包括性能、治理、可用性、本地化、定制以及准备好利用他们的数据来提高利用率、普及程度和智能性)。
Tew补充说:"分析解决方案通常被部署成了孤岛,也就是结果和数据在不同业务部门之间或者不同团队之间是无法共享的。很快,随着企业组织执行BDA解决方案的成熟,这种趋势将会发生改变,最终企业组织将采取一种更加协作的方式,实现由认知/人工智能模型驱动的解决方案。因此,对这些厂商的评估专注于他们对跨业务线部署分析解决方案的就绪程度、他们支持客户部署认知/人工智能能力的战略。'领导者'在这些方面表现出色,'主要厂商'则紧随其后。"
BDA市场在不断增长,尽管厂商在争夺市场主导和领先位置,但是这场竞争还远没有结束。推动这个市场增长的趋势包括:
• 对预测和规范性分析以提高流程自动化、提高生产力的需求日益增加
• 出现了带有内嵌决策架构、可以自动学习和决定如何响应的新智能系统
• 出现了越来越多数据即服务应用API,能够有效地连接那些此前还是孤岛的业务流程
目前,BDA解决方案的各种可能性还会增加,厂商正在涉足该市场的不同领域。反过来,这也意味着未来有巨大的潜力,IT和业务线决策者将会就他们的解决方案采用做出重大决策,还不仅仅是基于他们各自业务部门的单一用例。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。