大資料#Futures

AI / ML

• 我們將看到從內部遷移到雲，然後看到傳統的Hadoop轉向雲。 這將導致更高的AI / ML採用率。 

• 只需推動公司的數字化議程。 您有足夠的計算能力和資料 - 您可以做什麼？ 充分利用這一能力。 使用AI / ML過濾資料。 讓更多人參與進來。 

• 利用更多感測器進入世界，利用大資料和ML異常檢測。 攝像頭檢查安全頭盔，ML模型來自城市感測器預警指示器。 整個經濟成為資訊驅動。 瞭解可能發生異常的原因。 

• 1）AI / ML變得不那麼炒作，更多的是趨勢。 ML需要大資料才能工作。 任何ML都需要大資料。 大資料本身並沒有用。 能夠讓引擎自動檢視趨勢並提供有關檢視內容的建議是有價值的。 2）期待更多用於視覺化和報告大資料的工具。 Salesforce有愛因斯坦。 Tableau有一個工具。 我們還沒有看到更多的人。 AI / ML將變得更加普遍。 

• AI保護系統。 保持並保持資料更安全。 為人類創造道德和道德困境。 保護資料，因為在某些時候它會被轉交給可怕的機器，因為你不知道機器可以用它做什麼，你無法恢復。 

• 使用AI和ML技術，如TensorFlow，為大資料應用提供了最大可能的未來機會。 透過AI，計算機可以發現人類無法看到的模式。 

• 我們將在組織中遇到人才問題。 能夠使非資料科學家的人可以看到資料的價值是一個重要的因素。 AI / ML將專注於理解資料，為人們提供答案。 背景也很重要 - 我們如何創造背景並將其從人們的頭腦中解脫出來？

• 成熟過去的Hadoop資料湖世界。 Hadoop對於某些事情來說是一個很好的工作負載，並不適用於所有事情。 每個人都深呼吸。 Hadoop對這些東西很有用。 資料湖也是如此。 你必須經歷成長的痛苦才能弄明白。 隨著我們越來越多地進入人工智慧世界並且系統在未來發現事物，機會增加，這就是現實，我們將作為一個行業實現目標。 跨越資料和工作負載的巨大機會。 你必須考慮範圍。 一些用例和工作負載。

流

• 流式傳輸可實現更實時，更快速的攝取和分析。 仍處於資料動畫行動的早期階段。

• 如何連線實時資料以充分利用大資料。 連線資料和點以探索和預測關係。
  

工具

• 對各種資料的認識。 合理化所有不同型別的資料。 變數彙總 - 信用局，核心銀行系統，Hadoop資料。 您可以將大量工具放在資料分析師或業務使用者手中，而不是依靠資料治理或DBA。 讓人們可以訪問資料和操作工具。 

• 更具成熟度和更多具有解釋能力的工具。 1）更多資料，更多型別，更快地流式傳輸。 2）用於處理資料的分析方法。 3）洞察力的自動化。 

• 透過API使跨系統的共同點更加以SQL為中心的趨勢。 SQL是開發人員如何跨不同系統與資料互動。 作為視覺化步驟，轉向更開源和更低成本的工具。 Power BI和Tableau之間的差異正在縮小。 資料即服務使視覺化工具不那麼重要。 增加資料管理員在分析師和資料消費者之間的橋樑作用，使其更加自給自足。 

• 資料攝取標準化的持續動力，許多公司希望Kafka用於本地或私有云或Kinesis用於AWS雲。 然後，資料管理和分析工具成為這些資料移動框架的資料匯和源，為這些公司建立了一種資料公用網，有點像家中的電氣系統。 如果您需要電力，您只需要一個帶有標準插頭的裝置並插上電源。如果您需要使用資料或向其他人提供資料，那麼資料訪問也是如此 - 並且已經在某些公司使用過。 ，您只需使用標準的“外掛”（或介面）將應用程式插入資料網格。 這也將允許使用更多“最佳”元件， 就像最好的BI或分析工具或特定工作負載的最佳資料庫一樣，而不是必須在劣質的一體化產品上妥協，因為資料整合將比定製更加標準化。 資料的本地化也是一個很好的機會。 也就是說，讓資料位於需要它的世界中，而不是需要遍歷長網路以便檢索，處理，更改或分析它。 這意味著更多的主 - 主，主動 - 主動架構可以為任何企業建立應用程式挑戰，因此正確選擇元件將非常重要。 使資料位於需要它的世界中，而不是需要遍歷長網路以便檢索，處理，更改或分析它。 這意味著更多的主 - 主，主動 - 主動架構可以為任何企業建立應用程式挑戰，因此正確選擇元件將非常重要。 使資料位於需要它的世界中，而不是需要遍歷長網路以便檢索，處理，更改或分析它。 這意味著更多的主 - 主，主動 - 主動架構可以為任何企業建立應用程式挑戰，因此正確選擇元件將非常重要。  

• 領先的公司正在越來越多地使用Apache Kafka，Apache Ignite和Apache Spark等成熟的開源技術進行標準化，以便對其大資料進行攝取，管理和分析。 所有這些專案在過去幾年中都經歷了主要的採用增長，並且在可預見的未來似乎可能會持續增長。 隨著這些技術的成熟和安裝和使用越來越容易，它們將為那些知道如何在日益實時的世界中使用和實現分散式計算技術的人創造機會。

其他

• 檢視標記，獲取正確的後設資料模型，確保資訊的上下文。 標籤和後設資料繪製上下文。 確保包含適當的後設資料。 具有可靠性的可追溯性。

• 專注於流媒體永遠線上技術的推動所帶來的運營化。 完全瞭解正在發生的事情。 雲驅動這個家庭，基於雲的應用程式架構始終在不斷更新。 使用自動化的資料架構也需要這樣做。 客戶看到自己走下了資料運營的道路。

• 大資料的所有三個部分都可以在ROI和資料治理方面帶來相當成功的專案。 我會按層次排序。 首先，我們需要能夠從許多不同的來源收集大量資料。 一旦資料可用，正確的管理（如正確建立資訊性KPI）可能已經導致一些意外的發現。 最後，在資料轉變之後，他們的分析產生了對公司業務至關重要的進一步見解。 因此，如您所見，您已經從第1步獲得了資訊。但是您可以在未完成第1步的情況下獲得第2步。

• 這一切都會變得更容易。 今天具有挑戰性的事情將成為第二天性，並在未來實現自動化。 輕鬆訪問大資料就像我們在計算機上執行的任何操作一樣簡單。 搬運，移動，連線的摩擦力要小得多。 使用識別資料中的價值主張的大資料是每個企業中的機會所在。

• 增強分析將自然語言，資料和分析結合在一起，以推動答案。 我們如何根據識別您不知道要查詢的內容進行分析？

• 資料分析師和科學家並不關心資料的位置，他們只是想要分析資料所需的資料和工具。 目錄並知道資料的位置。 下一步只是想要我想要的資料。 構建虛擬目錄以訪問交付。 我們正在做的事情是合乎邏輯的進展。

• 無論是本地還是雲需要公司確保引擎繼續工作以便您獲得價值。 作為服務模型不會自動解決問題。 需要了解和管理效能問題。 提高績效透明度。 從端到端考慮安全性。

• 未來是大資料分析平臺，以速度和規模提供經過驗證的攝取，管理和分析功能，使企業能夠競爭並獲勝。 最大的機會是讓企業不再受到企業想象力的限制，以獲得準確的洞察力，以便他們能夠抓住所有機會 - 準確瞭解哪些客戶可能會流失並發展業務，建立全新的業務模式資料的創收能力（例如，以駕照付費保險為例）。 每個行業都可以根據資料的寶貴見解來區分自己。 對經過驗證的資料分析平臺進行投資，該平臺不會妥協，併為部署模型（雲，內部部署，未來）所做的任何事情做好準備

• 最大的機會在於提供真正的敏捷資料工程流程，使公司能夠快速建立資料流水線來回答新的業務問題，而無需業務人員依賴IT。 這需要以整合的方式實現端到端開發，操作和大資料環境持續治理的自動化。 成功的關鍵是自動化複雜性，以便組織可以使用具有基本SQL和資料管理技能的人員充分利用大資料以獲得競爭優勢。

• 所有這些都有一個非常光明的未來。 物聯網領域的一個巨大機會領域。 隨著裝置成本的降低和裝置的複雜性的增加，部署的裝置數量超過90億，部署速度也在加快。 該裝置資料需要非常高速的攝取和強大的管理。 它也適用於高階分析，例如用於異常值檢測的機器學習。

• 我們在未來的資料驅動營銷和銷售中看到了三個關鍵任務機會。 1）   線切割機 -   我們客戶的客戶比以往更具移動性和數字化。 傳統的資料元素和ID（如家庭電話，家庭住址，業務擴充套件等）必須輔以數字身份證，如手機號碼，GPS座標，cookie ID，裝置ID，MAID等.2）   預測世界  - 人工智慧貫穿於我們的日常生活和經歷中。 我們的手機會預測我們正在發簡訊的句子中的下幾個字。 我們的恆溫器可以預測哪種溫度最適合個人保暖和節省成本。 在事故發生之前，我們的汽車為我們剎車。 消費者現在預計營銷和銷售體驗也將是預測性的，使用資料和智慧實時改善他們的品牌體驗。 3）   B2B2C生活  - 我們的業務和消費者自我融為一體。 研究表明，在過去10年中，大約43％的消費者遠端工作，並且花費大約50％的時間在家工作的人數增長了115％。 因此，營銷人員必須能夠連線個人的資料ID，屬性和行為，而不是孤立的B2B或B2C定位。