By 다니엘 구티에레즈

2020 년은 많은 국내 및 글로벌 도전과 함께 오랜 세월의 해였습니다. 그러나 빅 데이터 산업은 2021 년으로 이동하는 상당한 관성을 가지고 있습니다. 소중한 독자들에게 내년으로 이어지는 중요한 새로운 트렌드에 대한 펄스를 제공하기 위해 우리는 여기 insideBIGDATA에서 벤더 생태계 전반의 모든 친구로부터 통찰력, 반성 및 무엇이 올지에 대한 예측. 우리는 이러한 흥미 진진한 관점을 듣고 매우 고무되었습니다. 실제로 절반 만 실현 되더라도 내년 빅 데이터는 상당히 흥미 진진한 주행이 될 것입니다. 즐겨!

다니엘 D. 구티에레스 – 편집장 겸 상주 데이터 과학자

통계 분석

“분석적 격차”는 더욱 악화 될 것입니다. 널리 알려진 "디지털 격차"와 마찬가지로 우리는 "분석적 격차"의 출현을 목격하고 있습니다. 많은 기업이 전염병으로 인해 분석에 투자하도록 촉구되었으며, 다른 기업은 불을 유지하기 위해 중요하지 않은 것은 무엇이든 잘라 내야했습니다. 분석에 대한 적절한 투자는 이러한 조직의 경우 분석이었습니다. 쵸핑 블록. 이는 분석적 격차가 2021 년에 더욱 확대 될 것이며 이러한 추세는 앞으로도 계속 될 것임을 의미합니다. 의심 할 여지없이 모든 산업에서 승자와 패자는 분석을 활용하는 기업과 그렇지 않은 기업에 의해 계속 정의 될 것입니다. – Alan Jacobson, 최고 데이터 및 분석 책임자, 알래스카

틈새 비즈니스 사용 사례를 충족시킬 수있는 단편적 분석 및보고 솔루션의 시대는 지나갔을 것입니다. 이것은 지속 불가능합니다. 기업은 현지화 된 문제 해결의 효과가있는 고도로 부서 화 된 분석 구현을 가질 수 없으며 대기업은 완전한 혜택을 보지 못합니다. 이 현재 상황은 회사가 액세스 할 수있는 모든 데이터에 대해 분석이 수행되고, 이러한 분석 기능은 다양한 기술 세트 (예 : 데이터 과학, 비즈니스 리더의 라인)과 거의 실시간으로 분석 통찰력을 운영하는 데 전념하고 있습니다. 즉, 더 이상 단편적이지 않고 과학 실험 만이 아닙니다. – Sri Raghavan, 데이터 과학 및 고급 분석 제품 마케팅 이사 테라 데이타

규범 적 분석은 디지털 혁신의 성공을위한 핵심 구성 요소가 될 것입니다. 고급 분석은 되고 기업이 점점 더 조직 전체에서 데이터를 수집하고 분석함에 따라 주류화되었습니다. 35% 지난 2021 년 동안 고급 분석을 배포 한 미국 제조업체의 비율. AI가 가치 사슬 전반에 걸쳐 중요한 영향을 미치기 위해서는 규범 적 분석이 성능을 최적화하는 촉매제가 될 것입니다. 규범 적 분석은 제품 및 고객 데이터를 활용하여 프로세스를 개선하고 생산을 조정하며 효율성을 높이는 방법에 대한 AI 모델을 조언함으로써 조직 내에서 AI를 확장하는 데 필수적인 요소가 될 것입니다. 처방 적 분석을 통해 진화하는 조건에 따라 지속적으로 모니터링하고 조정하여 AI 모델을 지속적으로 개선 할 수 있습니다. 그러면 처방 모델이 의사 결정 자동화를 가능하게하여 모델이 처방에 따라 최선의 조치를 취할 수 있습니다. 예측 분석을 넘어 규범 분석에 이르기까지 궁극적으로 XNUMX 년 제조업체의 디지털 전환 성공을 가능하게 할 것입니다. – George Young, 글로벌 전무 이사 칼립소

분산 된 인력과 정보에 대한 굶주림을 감안할 때 증강 분석 및 셀프 서비스의 수요가 더욱 넓어 질 것입니다. 이에 대응하여 기존 분석은 AI에 의해 점점 더 혼란을 겪게 될 것입니다. 분산 된 인력의 증가는 데이터 질문에 대한 즉각적인 답변을 얻기 위해 개별 사용자가 쿼리를 생성하는 과정을 안내하는 증강 분석에 대한 수요를 증가시킬 것입니다. 우리는 인프라 수준과 분석가 수준의 두 영역에서 분석과 AI의 융합을보고 있습니다.

사람들은 분석 엔진에 데이터를 제공하는 서로 다른 데이터 파이프 라인이 있고 ML을 위해 서로 다른 스택을 구축하고 있다는 사실을 깨닫기 시작했습니다. 완전히 분리 된 두 개의 스택 대신 두 엔진을 모두 공급하는 데 동일한 데이터가 사용되도록 보장하면서 유지 관리가 더 쉬운 인프라로 이러한 스택이 수렴되는 것을 볼 수 있습니다. 정보에 대한 '굶주림'과 데이터를 사용하여 질문에 답하기위한 격차를 해소하는 것과 관련하여 두 번째 수렴이 발생합니다. 전통적인 분석은 AI에 의해 더욱 혼란스러워 질 것입니다. 플랫폼 (예 : Tableau, Power BI 등)은 본질적으로 대화 할 수있는 봇과 가상 도우미로 대체되기 시작합니다. 우리는 이것을 셀프 서비스를 위해 속도를 높이기위한 추진이라고 생각합니다. 또한 NLP가 2021 년에 더 널리 사용될 것으로 예상합니다. – Scott Schlesinger, 글로벌 데이터, 분석 및 AI 실무 책임자 네스 호

특히 데이터 및 분석과 관련하여 IT 부서와 다른 부서 간의 경계는 계속 모호해질 것입니다. 데이터와 분석은 매우 긍정적이고 의미있는 비즈니스 결과를 이끌어 낼 수있는 잠재력을 가지고 있으며, 이러한 일이 발생하면 분석 접근 방식의 성공에 대한 책임 수준이 있기 때문에 서로 다른 기능 영역에서 강력한 협업이 이루어지는 경우가 많습니다. 데이터 거버넌스, 데이터 리터러시, 개방형 데이터 플랫폼, 기업의 여러 부분에서 데이터의 통합 및 활용과 같은 영역을 통해 비즈니스 사용자는 전통적으로 IT 팀을 위해 예약 된 작업을 수행 할 수 있으며 비즈니스 단위가 생성하는 데이터는 IT가 관리하는 플랫폼에 공급됩니다. 이는 데이터 과학자 및 분석 전문가의 부족과 함께 데이터 플랫폼이 더욱 원활하고 배포가 쉬워 져 조직의 모든 부분이이를 활용할 수 있음을 의미합니다. – Frances Zelazny, CMO 신호 분석

2000 년대에 Microsoft Office를 이력서에 넣으면 일자리를 얻을 수있는 좋은 후보가 될 수 있었지만 XNUMX 년 후에는 당연한 기술이었습니다. 요즘에는 SQL 능숙도가 눈에 띄게 만들 수 있지만 앞으로 몇 년 동안 어떤 일이 일어날까요?

데이터 리터러시가 증가함에 따라 분석 기술은 모든 비즈니스 전문가의 표준이되고 후보자의 이력서에서 사라지기 시작합니다. 오늘날 '오피스 능숙도'를 볼 가능성이 거의없는 것처럼, 2021 년이 지나도 '데이터 능숙도'를 볼 가능성은 거의 없습니다. 우리는 분석의 세 번째 물결에 접어 들었고, 비즈니스 사용자가 전문가의 도움 없이도 데이터와 상호 작용할 수 있다는 기대를 가지고 있습니다. 조만간 하드 데이터를 비즈니스 컨텍스트와 결합하여 전략을 정의하고 실행할 수 없다면 직장에서 어려움을 겪게 될 것입니다. XNUMX 년 이후의 비즈니스에 이상적인 후보자는 데이터를 이해하고 말할 수있는 사람이 될 것입니다. 몇 년 안에 데이터 활용 능력이 고용주가 요구하고 기대하는 것이 될 것이기 때문입니다. 앞서 나가고 자하는 사람들은 지금 이러한 재능을 습득하고 있습니다. – ThoughtSpot CEO Sudheesh Nair

기업이 데이터 인프라를 페더레이션 (하나의 엔진이 서로 다른 소스를 쿼리), 분리 (스토리지와 별도의 컴퓨팅이 데이터 레이크와 분리됨) 스택으로 전환함에 따라 기존 데이터웨어 하우징 및 긴밀하게 결합 된 데이터베이스 아키텍처가 레거시 워크로드로 강등되는 것을 보게 될 것입니다. 그러나 이러한 변화와 관련하여 한 가지는 동일하게 유지 될 것입니다. SQL은 분석을위한 언어가 될 것입니다. 데이터 분석가, 데이터 엔지니어, 데이터 과학자 및 제품 관리자는 데이터베이스 관리자와 함께 분석에 SQL을 사용합니다. – Dave Simmen, 공동 창립자 겸 최고 기술 책임자 (CTO), 아 하나

모든 조직은 분석 시스템 사용을 확대하고 있지만 실시간 데이터 랭 글링을 수행 할 수있는 이벤트 데이터 플랫폼에 대한 필요성에 직면 해 있습니다. 2021 년에 조직은 모든 ​​형식, 크기 또는 속도로 다양한 소스의 정적 및 스트리밍 데이터를 사용할 수있는 지능형 데이터 플랫폼을 요구할 것입니다. 즉석에서 데이터를 랭 글링 (강화 및 매핑)합니다. 시스템, 장치 및 애플리케이션에 데이터를 안전하고 실시간으로 제공합니다. – Sean Bowen, CEO 푸시 기술

모든 데이터 워크로드에 대한 단일 SQL 쿼리. 앞으로 나아가는 방법은 자동화뿐만 아니라 얼마나 빠르고 광범위하게 분석을 액세스하고 공유 할 수 있는지에 따라 달라집니다. 분석은 고객과 직원을 행복하게 유지하고 생명을 구하기 위해 다음 단계가 무엇인지에 대한 명확한 방향을 제공합니다. 데이터 관리는 더 이상 사치가 아니라 필수이며 귀하 또는 귀하의 회사가 얼마나 성공할 것인지를 결정합니다. 데이터 관리의 복잡성이나 비용을 제거 할 수 있다면 매우 효과적 일 것입니다. 궁극적으로 공간의 승자는 데이터 관리의 복잡성과 비용을 없애고 워크로드가 통합되므로 단일 SQL 쿼리를 작성하여 여러 데이터 상주에서 모든 워크로드를 관리하고 액세스 할 수 있습니다. – Raj Verma, CEO 싱글 스토어

과거에는 다양한 플랫폼 / 팀에서 AI 및 분석 기능을 제공했습니다. 수년에 걸쳐 우리는 플랫폼이 수렴되고 AI 팀이 알고리즘 측면에 더 집중하는 동안 AI 및 분석 플랫폼 팀이 합병되어 분석 및 AI 사용 사례 모두를위한 소프트웨어 인프라를 제공하고 있습니다. – Haoyuan Li, 설립자 겸 CEO, 알룩시오

데이터 전문가로서 우리는 더 많은 대중에 대한 책임이 있습니다. 내년에는 잠재적 인 남용의 심각성을 인식하는 의식있는 기업이 이끄는 데이터 분석 공간 내에서 윤리 강령으로의 진전을 볼 수있을 것이라고 생각합니다. 아마도 미국 정부가 개입하여 자체 GDPR의 일부 버전을 통과시킬 것이지만 저는 기술 회사가이 책임을 맡을 것이라고 믿습니다. Facebook이 참여 데이터로 한 일은 불법이 아니지만 아동 발달과 개인 습관에 해로운 영향을 미칠 수 있음을 확인했습니다. 앞으로 몇 년 동안 우리는 기업들이 2010 년대에 개인 데이터를 사용한 방식을 되돌아보고 1960 년대 영화에서 사람들이 비행기에서 담배를 피우는 것을 볼 때 우리가하는 방식에 움츠러들 것입니다. – Jeremy Levy, CEO 지시하는

감정은 고객 행동에 영향을 미치는 핵심 요소이며 브랜드 충성도에 큰 영향을 미칩니다. 따라서 기업이 의사 결정 과정에서 고객의 감정을 측정하는 방법을 찾는 것이 점점 더 유용 해지고 있습니다. 감정 분석은 기분, 태도 및 성격을 포함하는 인간 감정의 전체 영역을 연구하고 인식하는 데 중점을 둡니다. 예측 모델과 AI / ML을 사용하여 인간의 움직임, 단어 선택, 음성 톤 및 표정을 분석합니다. 감정 분석은 기업이보다 전체적인 고객 프로필을 구축하고 감정에 영향을 미치는 방법을 이해하며 개인에 맞는 맞춤형 제품 및 서비스를 개발하는 데 도움이 될 수 있습니다. 지역, 소셜 네트워크 및 리뷰 웹 사이트 전반에 걸친 제품 및 서비스에 대한 감정 분석을 통해 기업은 고객 만족 수준을 더 잘 이해하고 개선 할 수 있습니다. 감성 분석을 사용하여 기업은 마케팅과 서비스가 감성에 어떻게 영향을 미치는지 더 잘 이해하여보다 긍정적으로 매력적인 고객 경험을 제공 할 수 있습니다. – Paul Moxon, SVP, 데이터 아키텍처 데 노도

제품 분석을 제대로하는 것은 어렵습니다. 모든 상호 작용은 엄청난 양의 데이터를 생성하며 '건초 더미의 바늘'통찰력을 찾으려면 많은 노력, 규율 및 시간이 필요합니다. 이러한 진입 장벽은 데이터 분석이 올바른 작업을 수행 할 수있는 리소스, 대역폭 및 지식을 보유한 회사로 제한되는 경우가 많습니다. 그러나 그것은 또한 중요성이 커지고있는 분야이기도합니다. 대유행 이전에도 브랜드와의 소비자 상호 작용은 일반적으로 디지털 플랫폼에서 일어나고 있으며 이제는 거의 독점적으로 존재합니다. 각 상호 작용의 ROI를 설명 할 수있는 수많은 정보가 있으며 의심 할 여지없이 그 중 일부는 잠재적으로 게임을 바꾸고 있습니다. 하지만 솔직히 우리는 인간이고 무언가에서 가치를 얻기 위해 열심히 노력해야한다면 일관되게 할 가능성이 줄어들 것입니다. 이것이 바로 2021 년에 분석이 반응 형 게임 (분석가가 통찰력을 찾기 위해 조사해야하는 데이터 수집)에서 팀을 "a-ha!"에 직접 연결하는 사전 예방 적 게임으로 전환되는 이유입니다. 즉각적이고 정보에 입각 한 행동을 유도하는 순간. – Matin Movassate, Heap의 CEO 겸 설립자

인공 지능

기업이 충분한 수익원을 재개하고 회수하려는 목표를 모색함에 따라 스마트 기술을 활용하여 실시간으로 핵심 인사이트를 수집해야합니다. 인공 지능 (AI) 기술을 채택하면 기업이 고객과 직원의 안전을 유지하는 전략이 제대로 작동하는지 이해하는 동시에 성장을 지속적으로 촉진 할 수 있습니다. 기업이 기업 정책 관리 및 규정 준수를 용이하게하고 안전을 보장하며 고객 경험을 발전시키는 데 도움이되는 AI의 고유 한 능력을 기업이 인식함에 따라 산업 전반에 걸쳐 AI 채택률이 높아질 것입니다. – Hillary Ashton, EVP 겸 최고 제품 책임자 테라 데이타

2021 년에는 AI, 머신 러닝 및 IoT가 우리의 삶과 행동을 정의하고 형성하는 것을 볼 수 있습니다.이 현상은 앞으로도 계속 될 것입니다. 이러한 발전은 우리가 일하는 방식, 구매 방식, 지출 방식, 삶의 모든 사소한 일을하는 방식에 영향을 미칩니다. 하지만 기업이 주목할 진정한 스타는 클라우드 및 엣지 컴퓨팅과 같은 구현 기술이 될 것이며 AI, ML 및 IoT에 필요한 모든 데이터를 처리하고 관리 할 수있는 능력으로 인해 계속 지배 할 것입니다. iPaaS, APIM 및 RPA와 같은 기술을 지원합니다. 이러한 기술은 수동 또는 종이 기반 비즈니스에서 마침내 AI 및 IoT의 힘을 활용할 수있는 디지털 비즈니스로 이동함에 따라 비즈니스에 대한 디지털 전환 비용을 계속 이끌 것입니다. – Manoj Choudhary, CTO 지터 비트

2021 년 인공 지능이 덜 인공적으로 변함 : COVID-19 백신이 다가 오더라도 사람들이 일하고 상호 작용하는 방식이 근본적으로 바뀌 었습니다. 새해에도 원격 근무는 계속 될 것이며 사회적 거리두기 요건은 그대로 유지 될 것이며 공급망은 계속해서 혼란에 직면 할 것입니다. 이러한 새로운 삶의 방식은 기업이 제품에서 공장, 최종 사용자에 이르기까지 가치 사슬 전반에 걸쳐 효과적으로 운영을 지속 할 수있는 새로운 방식을 요구합니다. 인공 지능 (AI)의 사용은 이러한 문제를 해결하기위한 표준이 될 것입니다. 그러나 인간이 이러한 새로운 자율 시스템과 상호 작용하고이를 활용하는 방법을 고려하지 않으면 AI는 실패 할 것입니다.

2021 년에 기업은 AI 이니셔티브에 인간 중심의 접근 방식을 취하고 사용자의 요구와 가치를 이해 한 다음 그에 따라 AI 설계와 모델을 적용하여 채택을 개선 할 것입니다. AI가 성공하려면 기업은 기술 자체와 마찬가지로 사람과 문화에 초점을 맞춰야합니다. 조직 변경 관리 (OCM) 팀은 사람들을 변화 여정에 참여시키고 측정 가능한 결과를 위해 조직을 설정하여 디지털 혁신과 AI를 발전시키는 데 중요합니다. 적절한 변경 관리는 디지털 전환 이니셔티브에서 가장 중요하지만 간과되는 측면입니다. – George Young, 글로벌 전무 이사 칼립소

2021 년 기업은 AI 시스템에 의존하여 빠른 성공에서 벗어나 지속적이고 의미있는 비즈니스 가치에 집중할 것입니다. 이러한 변화는 조직 전반에 걸쳐 더 심층적 인 데이터 리터러시 이니셔티브를 추진할 것입니다. 사람들은 새로운 기술을 배우고 새로운 방식으로 행동해야합니다. – Sundeep Reddy Mallu, 분석 책임자 문법 

대부분의 소비자는 계속해서 AI에 회의적입니다. 의문의 여지가있는 AI 윤리를 둘러싼 여러 대형 소비자 브랜드가있는 가운데 대부분의 사람들은 여전히 ​​AI를 신뢰하지 않습니다. 많은 사람들에게 그것은 그들이 그것을 이해하지 못하거나 심지어 매일 그것을 사용하고 있다는 것을 깨닫기 때문입니다. 소비자는 Facebook, Google, TikTok 등과 같은 수많은 AI 기반 서비스를 무료로 받고 있기 때문에 개인적으로 포기하는 것이 무엇인지, 즉 개인 데이터를 이해하지 못합니다. 일반 대중이 계속 순진한 한 시장이 고객을 더 잘 교육하거나 고객을 보호하기위한 규정을 구현하지 않는 한 AI가 도입 할 수있는 위험이나 자신을 보호하는 방법을 예측할 수 없습니다. 그럼에도 불구하고 우리가 AI의 신뢰도를 높이고 있다는 몇 가지 증거가 있습니다. Pega의 다가오는 설문 조사에 대한 비즈니스 리더 응답자의 XNUMX %는 AI 편견이 XNUMX 년 내에 충분히 완화 될 것이라고 낙관한다고 말했습니다. 기업들은 이것이 사실이 되었으면하는 바램이 더 많았습니다. 대중이 AI가 자신의 삶에 미치는 영향에 대해 깨어나고 어떤 경우에는 좋아하는 게임을 할 때마다 AI에 대한 신뢰를 더욱 떨어 뜨리는 더 어려운 질문을 계속해서 물어볼 것이기 때문입니다. 그들에게 대답해야합니다. – Vince Jeffs, 수석 이사 – 제품 전략, 마케팅 AI 및 의사 결정, Pega

AI 기반 디지털 작업자는 기업이 장기적으로 전략을 유지하는 데 도움이됩니다. AI와 자동화가 향후 기업의 생존에 필수적이라는 개념에 동의하는 사람은 거의 없습니다. 그러나 연구에 따르면 대부분의 기업은 AI 및 자동화 투자의 이점을 완전히 실현하지 못했습니다. 디지털 인력을 통해 강력한 AI 기능을 비즈니스 프로세스에 연결함으로써 조직이 AI 기반 자동화를 대규모로 구현하는 것을 점점 더 많이 보게 될 것입니다. AI 주입 자동화는 향상된 고객 집중, 수익 증가, 자본 할당, 공급망 관리, 위험 관리, 비용 및 운영 효율성 등과 같은 핵심 전략 이니셔티브에 점점 더 연결될 것입니다. AI 기반 디지털 작업자는 기업 전략을 실행하고 엔터프라이즈 규모의 위험을 관리하기위한 기본 도구로 활용됩니다. 자동화의 빠르고 효과적인 채택은 시장에서 경쟁력을 유지하기위한 필수 구성 요소로 점점 더 많이 인식 될 것입니다. – Eric Tyree, Blue Prism의 AI 및 연구 책임자

AI 실험은 더 전략적으로 될 것입니다. 실험은 전체 모델 개발 프로세스에 걸쳐 이루어집니다. 일반적으로 모든 중요한 결정이나 가정에는 이러한 결정을 정당화하기 위해 최소한 일부 실험이나 이전 연구가 함께 제공됩니다. 실험은 완전한 예측 ML 모델 구축부터 통계 테스트 또는 데이터 차트 작성에 이르기까지 다양한 형태를 취할 수 있습니다. 가능한 모든 하이퍼 파라미터, 기능 처리 등의 모든 조합을 시도하면 빠르게 추적 할 수 없게됩니다. 따라서 조직이 실험을위한 시간 및 / 또는 계산 예산과 모델의 유용성에 대한 허용 임계 값을 정의하는 것을보기 시작할 것입니다. – Florian Douetteau, CEO 겸 공동 설립자 다테 쿠

2021 년에는 마침내 AI가 주류가 될 것입니다. COVID-19의 결과로 기업은 새로운 정상에서 살아 남기 위해 디지털 방식으로 전환해야했습니다. 우리의 연구에 따르면 디지털 가속은 새해에 멈출 기미가 보이지 않으며 현재 86 %의 기업이 AI를 통해 더 나은 고객 경험의 혜택을 누리고 있으며 계속 될 것으로 보입니다. 전염병은 또한 AI 투자에 대한 비즈니스 우선 순위를 변경했습니다. 예를 들어, 우리는 기업이 자동화와 같은 단순한 작업에서 인력 계획 및 시뮬레이션 모델링에 중점을 두는 것을 보았습니다. 조직이 복잡한 프로세스에 대한 디지털 투자의 이점을 계속 확인함에 따라 AI는 내년 동안 더욱 널리 보급되고 널리 사용될 것입니다. – Anand Rao, PwC의 글로벌 인공 지능 책임자

AI와 BI의 융합은 데이터 통찰력을 높일 것입니다. AI는 지난 5 년 동안 모든 기업 토론의 일부였습니다. 그럼에도 불구하고 직원의 많은 부분에서 고급 AI 통찰력을 민주화하는 데 어려움이 계속됩니다. 새로운 AI 기반 BI 제품이 등장하면 사일로가 무너지고 모든 사용자가 데이터 분석을 활용하고 통찰력을 쉽게 찾을 수 있습니다. 간단한 인터페이스, 개인화 된 통찰력, 매력적인 데이터 경험은 2021 년 이후에 데이터 분석의 특징이 될 것입니다. – Dhiren Patel, MachEye의 최고 제품 책임자 겸 고객 성공 책임자

많은 AI 기반 안면 인식 알고리즘의 인종 편견은 지난 2020 년 동안 큰 화제가되었고 XNUMX 년의 사회적 불안으로 인해 머리가되었습니다. 광범위한 증거 인종적 소수자는 백인보다 오인 될 가능성이 훨씬 더 큽니다. 2021 년에는 AI 편향 수정이 AI 또는 얼굴 인식 기술을 활용하는 모든 회사의 주요 주제가 될 것입니다. 정부 발행 문서를 사용하면 문서의 얼굴을 분석하고 시스템에 액세스하려는 얼굴과 비교하여 빠르고 쉽게 ID 소유권을 증명할 수 있습니다. 2021 년은 AI 편견이 밝혀지고 기업은 소프트웨어에서 인종 편견을 제거하기 위해 급진적 인 변화를 구현하기 시작할 것입니다.이 중 일부는 공정성에 집중하고 인종 얼굴을 줄이기위한 회사의 ML 시스템 교육을 통해 수행 할 수 있습니다. 인식 오류. – Mohan Mahadevan, Onfido 연구 부사장

2021 년은 팀이 자연스럽게 AI와 데이트를하고 헌신적 인 관계를 맺는 해가 될 것입니다. AI는 더 이상 R & D 프로젝트만을위한 것이 아닙니다. 이러한 솔루션을 단순히 유혹하는 대신 적용 할 때입니다. 지금 자동화해야합니다. – David Karandish, 설립자 겸 CEO 생산 능력 

계산 능력, 인터넷 규모 데이터 및 최신 기계 학습 알고리즘의 결합으로 지난 몇 년 동안 AI로 놀라운 새로운 지평을 열었습니다. 앞으로 몇 년 동안 우리는 확장 시대에 접어 들게 될 것입니다.이 시대에는 기존 제품과 서비스를 향상 시키거나 완전히 새로운 것을 만들기 위해 상업적 사용 사례의 긴 꼬리를 프로토 타입, 패키지화 및 생산할 것입니다. – Dave Costenaro, 최고 데이터 책임자 생산 능력 

AI 성공은 범용에서 틈새 중심으로 이동합니다. AI 투자가 기업에서 계속 증가하는 동안 기업은 모든 것을 수행한다고 주장하는 "일반적인 목적"블랙 박스가 아닌 틈새 AI를 수용하기 위해 기술 스택을 재평가하고 있습니다. 특정 문제를 해결하는 틈새, 완벽한 사용 사례는 모든 작업을 수행 할 것을 약속하는 자동화보다는 예산 우선 순위가 될 것입니다. – Viral Bajaria, CTO 6 센스

인공 지능의 부상 : 얼마 전까지 만해도 AI는 자율 주행 차나 이미지 인식과 같은 인공 지능으로 알려진 것이 었습니다. 그러나 오늘날에는 인간의 의사 결정 과정을 복제하려는 새로운 범주의 인공 지능이 있습니다. 공급망 관점에서이 새로운 AI는 "트럭을 어떻게 채우나요?"에서 공급망의 모든 측면에 대한 더 나은 의사 결정을 내리는 데 도움이 될 수 있습니다. 또는“제 시간에 제품을 받으려면 어떻게해야합니까?” 2021 년에는 폭이 좁은 전술적 및 소규모 결정을 대체하는 솔루션. – Andy Fox, LLamasoft 글로벌 임팩트 디렉터

변두리에서 우리는“Counter-AI”가 구체화되기 시작할 것입니다. 정부가 사람과 기업을 추적하려고 시도하고 기업이이를 조작하거나 행동에 대한 깊은 통찰력을 얻으려고 할 때 추적 및 고객 360을 저지하는 방법의 반발이 예상됩니다. 안면 인식 도구에 대해 여러 그룹이 수행 한 작업과 달리, 우리는 우리를 모니터링하고 이해하는 데 사용되는 AI를 수렁에 빠뜨리는 하이테크 방법과 낮은 기술을 보게 될 것입니다. – 아키텍처 책임자 Atos 북미Google Cloud, Jonas Bull과 제휴 한의 AI Lab

더 많은 기관이 이러한 AI 및 ML 기반 솔루션을 채택하기 시작함에 따라 윤리 정책을 준수하고 그러한 도구의 편견을 제거해야하는 법 집행의 부담이 있습니다. 따라서 부서는 관련 팀 및 비즈니스 기능에 대한 적절한 교육을 포함하여 책임 있고 윤리적 인 AI 사용에 대한 자체 정책을 수립하고 관리 기관과 협력 할뿐만 아니라 데이터 기반의 책임있는 결정 정신을 가진 환경을 조성하기 시작합니다. -만들기. 한 단계 더 나아가, 법 집행 기관은 AI 시스템이 편견이 없는지 확인하고 필요에 따라 수정되도록 계속 보장 할 것입니다. 그리고 그들은 이러한 도구의 사용에 대한 투명성을 증진하기 위해 대중과의 커뮤니케이션 라인을 열 것입니다. – Heather Mahalik, Cellebrite 디지털 인텔리전스 수석 이사

2021 년에는 더 많은 데이터 기반 기업이 분석 및 AI를 위해 오픈 소스를 활용할 것입니다. Presto 및 Apache Spark와 같은 오픈 소스 분석 기술은 AI 플랫폼을 강화하며 통합에 의존하는 기존 엔터프라이즈 데이터웨어 하우스보다 훨씬 더 유연하고 비용 효율적입니다. 한 곳에서 데이터를 수집합니다. 일반적으로 공급 업체 종속이 필요한 시간과 비용이 많이 드는 작업입니다. 내년에는 오픈 소스 라이선스, 오픈 형식, 오픈 인터페이스 및 오픈 클라우드와 같은 개방형 특성으로 인해 AI 애플리케이션 용 Presto와 같은 분석 엔진의 사용이 증가 할 것입니다. – Dipti Borkar, 공동 창립자 겸 최고 제품 책임자 (CPO), 아 하나

업계는 IBM Watson 및 Amazon Lex와 같은 일반적인 수평 적 AI 플랫폼에서 도메인 별 AI 기반 제품 및 관리 형 서비스 모델로 전환 할 것입니다. 일반 플랫폼은 솔루션이 아닙니다. 교육 데이터 나 데이터 모델 구조없이 차갑게 시작합니다.이를 구축 한 다음 프로덕션에서 최적화하는 것은 대부분의 회사 능력을 뛰어 넘는 전문가 및 리소스 집약적 인 작업입니다. 초기 혁신가 시장에서 대중 시장 채택으로의 이동은 특정 산업에 대해 사전 교육되고 작동이 입증 된 도메인 별 AI 기반 제품을 채택함으로써 2021 년에 추진 될 것입니다. – Jake Tyler, 공동 창립자 겸 CEO, 핀 AI

2021 년에는 AI가 인간의 역량 스펙트럼에 매핑되지 않을 것입니다. 우리는 체스에서 인간을 무너 뜨리는 알고리즘을 가질 수 있지만 인간보다 수백만 배 더 빠르게 수학을 수행 할 수있는 차와 컴퓨터 프로그램을 만들 수는 없지만 다음 월드컵에서 누가 우승할지 묻는다면 이해조차 할 수 없을 것입니다. 질문. 그들의 능력은 보편적이지 않습니다. 우리는 AI를 통해 알고리즘의 힘을 과대 평가하고 과소 평가하는 지점에 도달했습니다. 우리가 그것들을 과대 평가할 때, 우리는 인간의 판단이 위험한 장소 인 사후로 넘어가는 것을 보게됩니다. A 수준의 결과를 평가할 때 "돌연변이 알고리즘"을 사용하는 것은 영국의 스캔들입니다. 알고리즘이 단순히 상식을 위반하는 많은 결과를 생성 했음에도 불구하고. 우리가 알고리즘을 과소 평가할 때, 우리는 지평선에 변화를 보지 않았기 때문에 전체 산업이 무너지는 것을 보게됩니다. Uber의 알고리즘이 3 분도 안되는 시간에 탑승 할 수 있는데 기존 택시 사업은 어떻게 경쟁 할 수 있습니까? 2021 년에는 엔지니어가 인간의 역량 스펙트럼에 알고리즘을 매핑하지 않음으로써 AI 및 알고리즘 실수를 피할 수있을 것으로 예상됩니다. 모든 컨텍스트 음성 인식과 같은 AI 기술을 사용하여 인간이 할 수있는 일을 향상시키고 고객 경험 및 웹 회의와 같은 실제 사용 사례에 대한 AI 자동화와 인간 지식 간의 적절한 균형을 찾는 것은 효과적인 사용을 형성하기 시작할 것입니다. 미래를위한 AI의. – Ian Firth, VP 언어 구사

책임감있는 AI / ML은 클라우드 ML 업계에서 가장 뜨거운 화제가 될 것입니다. 불공정성과 편견을 퇴치하는 데 대한 사회의 강조가 증가하고 기계 학습 모델의 더 나은 해석 성과 설명 가능성에 대한 전반적인 관심을 감안할 때 클라우드 제공 업체는 ML 제품을 투자하고 개선하여 만족과 안심을 목표로하는 책임있는 ML / AI 기능의 전체 제품군을 제공 할 것입니다. ML의 공정한 사용에 관한 규제 기관, 모델러, 경영진 및 시장. 한편, AI / ML은이 부문의 다음 성장을 주도하기 위해 책임있는 AI / ML 프레임 워크 내에서 결합 된 사용 편의성과 UX가 크게 향상되면서 전체 산업에서 폭발적인 성장과 사용을 계속 볼 것입니다. – Yiannis Antoniou, 분석가, Gigaom

네트워킹을위한 AIOps가 주류가 될 것입니다. 내년에 AIOps는 많은 조직에서 이론에서 실제로 이동할 것입니다. 원격 작업자가 증가하고 홈이 새로운 마이크로 브랜치가됨에 따라 AI는 원격 직원에 대한 IT 지원 비용을 제어하는 ​​동시에 클라우드 사용자 경험에 훌륭한 클라이언트를 제공하는 테이블 스테이크가 될 것입니다. IT 팀은 운영을 확장하고 자동화하기 위해 AIOps를 수용해야합니다. AIOps 클라우드 SaaS는 고객 지원 패러다임을 뒤집어 놓을 것입니다. 사용자가 IT에 티켓을 제출하는 대신 AI는 연결성이있는 사용자를 사전에 식별하거나 문제를 경험하고 해결하거나 (자율 주행 네트워크) IT에 제안 된 수정 조치가 포함 된 티켓을 엽니 다. – 주니퍼 네트웍스 회사 인 Mist Systems의 CTO, Bob Friday

인공 지능과 기계 학습은 이전보다 공급망 전략에서 훨씬 더 중요한 역할을 할 것입니다. 특히 COVID-2021 대유행 기간 동안 구매 행동의 갑작스런 변화의 결과로 공급망 조직이 운영을 재평가함에 따라 공급망 전체에서 더 많은 실시간 통찰력에 대한 필요성이 계속해서 증가 할 것입니다.

이러한 요구를 해결하기 위해 공급망 조직은 인공 지능 (AI) 및 기계 학습 (ML) 지원 기술을 고려하여 현재의 설명 및 규범 분석에서 업그레이드하고 권장 조치를 제공하는 예측 분석을 활용해야합니다. 전에 이전 작업을 기반으로 사건이 발생합니다. 종종 회사는 시스템이 다른 대기업에 인수되어 복잡한 사일로와 단편화를 경험합니다. 2021 년에 공급망 이해 관계자는 가시성의 추가 계층으로 모든 모듈에 디지털 트윈을 배포하고 점점 더 많은 양으로 시장에 출시되는 센서 및 나노 센서와 같은 회사의 기존 시스템과 신기술 간의 동기화를 보장 할 것입니다. . – Cloudleaf의 CEO, Mahesh Veerina

AI의 편견은 성 고정 관념을 강화하여 채용 프로세스에 영향을 미치는 것에서부터 신용 평가 및 대출에있어서 인종 차별에 이르기까지 대규모로 해를 끼칩니다. 조직은 다양한 인력을 고용하면 AI 모델에 대한 수준의 진실이 제공 될 수 있다는 것을 알고 있으며, 훈련 데이터가 알고리즘의 품질과 정확성에 영향을 미치기 때문에 편견에 대해 지속적으로 모니터링해야한다는 것을 알고 있습니다. 그들은 또한 AI의 편견을 진정으로 완화하기위한 윤리 기반 측정에 대한 현재 벤치 마크가 없으며 그럴 필요가 있음을 알고 있습니다. 2021 년에는 조직이 AI의 편견을 인정하고 "걱정"하는 것만으로 지나가고이를 해결하기 위해 더 중요한 조치를 취하기 시작할 것입니다. 데이터에 내재 된 편견에서 데이터 트레이너를 공정하게 대우하는 것까지 모든 것을 포함하여 책임있는 AI의 우산에 속하는 모든 문제를 해결하기 위해 특정 팀 및 / 또는 이니셔티브가 구성됩니다. 책임있는 AI 이니셔티브를 수립하는 것은 일부 사람들에게 이사회 차원의 의무가 될뿐만 아니라 AI 노력을 주도하는 기업의 파트너와 고객이이를 요구할 것입니다. – 애펜 CTO 윌슨 팡

AIOps는 고객 경험을 향상시키고 애플리케이션 보증 및 최적화를 제공하기 위해 가열됩니다. XNUMX 년 동안 예측할 수없는 상황에서 기업은 기술 스택을 오류없이 사전 예방 적으로 만들 때 예상치 못한 상황을 예상해야합니다. AI, ML 및 예측 분석을 사용하여 이러한 예상치 못한 시나리오를 처리하고 예측할 수 있으므로 AIOps에 대한 수요가 계속 증가 할 것입니다. 컨테이너화와 같은 최신 애플리케이션 아키텍처의 채택과 결합 된 하이브리드 온 프레미스 및 클라우드 인프라에 걸친 디지털 엔터프라이즈 애플리케이션의 복잡성이 증가함에 따라 데이터의 양과 복잡성이 전례없이 증가 할 것입니다. 현대 디지털 환경의 데이터 과부하는 수리를 지연시키고 IT 운영 팀을 압도 할 수 있지만, 더 스마트 한 전략과 중앙 집중식 AIOps 시스템은 조직이 고객 경험을 개선하고 최신 애플리케이션 보증 및 최적화를 제공하고이를 연결하는 데 도움이되므로 시끄러운 데이터 세트는 과거의 장벽이 될 것입니다. 지능형 자동화, 그리고 자율적 인 디지털 기업으로 번창합니다. 실제로 기존의 IT 운영 접근 방식은 더 이상 실행 가능하지 않을 수 있습니다. 따라서 리소스를 확장하고 최신 환경을 효과적으로 관리하려면 AIOps를 채택하는 것이 불가피합니다. – Ali Siddiqui, 최고 제품 책임자, BMC 소프트웨어

현실은 2021 년이 실제로 AI를 수행하는 사람들이 대규모의 가치를 달성하기 시작하는 해가 될 것이며, 취약한 모델을 훈련하고 따라 잡지 못하는 사람들은 점점 증가하고 기하 급수적으로 불리하게 될 것입니다. 라스트 마일 도전은 더 이상 쉬워지지 않을 것입니다. 그러나 복잡한 장애물을 극복하기 위해서는 사고와 접근 방식의 근본적인 변화가 중요합니다. – Dr. Josh Sullivan, 책임자 모지

우아한 위험 평가 : AIOps 공간이 계속 성숙 해짐에 따라 공급 업체가 위험 평가 기능을 개선하여 고객이 시스템의 다른 어떤 것도 중단하지 않고 거의 확실하게 문제를 해결할 수 있도록 할 수있는 기회를 봅니다. 2021 년에는 두 공급 업체의 관심이 증가하고 사용자가 더 많이 채택 할 수있는 영역 중 하나는 엔지니어가 소프트웨어 변경에 대한 수정 프로세스 또는 빌드-배포주기의 일부로 위험을 정확하게 평가할 수 있도록보다 우아한 종속성 매핑을 가능하게하는 것입니다. 환경의 한 부분이 변경 되어도 다른 곳에서 시스템이 손상되지 않도록합니다. – Michael Olson, New Relic 제품 마케팅 이사

2021 년에 AI는 인간의 역량 스펙트럼에 매핑되지 않을 것입니다. 우리는 체스에서 인간을 무너 뜨리는 알고리즘을 가질 수 있지만 인간보다 수백만 배 빠르게 수학을 수행 할 수있는 차와 컴퓨터 프로그램을 만들 수는 없지만 다음 월드컵에서 누가 이길 수 있는지 물으면 그들은 그 질문을 이해하지 못할 것입니다. 그들의 능력은 보편적이지 않습니다. 우리는 AI를 통해 알고리즘의 힘을 과대 평가하고 과소 평가하는 지점에 도달했습니다.

우리가 그것들을 과대 평가할 때, 우리는 인간의 판단이 위험한 장소 인 사후로 넘어가는 것을 보게됩니다. A 수준의 결과를 평가할 때 "돌연변이 알고리즘"을 사용하는 것은 영국의 스캔들입니다. 알고리즘이 단순히 상식을 위반하는 많은 결과를 생성 했음에도 불구하고. 우리가 알고리즘을 과소 평가할 때, 우리는 지평선에 변화를 보지 않았기 때문에 전체 산업이 무너지는 것을 보게됩니다. Uber의 알고리즘이 3 분도 안되는 시간에 탑승 할 수 있는데 기존 택시 사업은 어떻게 경쟁 할 수 있습니까? 2021 년에는 엔지니어가 인간의 역량 스펙트럼에 알고리즘을 매핑하지 않음으로써 AI 및 알고리즘 실수를 피할 수있을 것으로 예상됩니다. 모든 컨텍스트 음성 인식과 같은 AI 기술을 사용하여 인간이 할 수있는 일을 향상시키고 고객 경험 및 웹 회의와 같은 실제 사용 사례에 대한 AI 자동화와 인간 지식 간의 적절한 균형을 찾는 것은 효과적인 사용을 형성하기 시작할 것입니다. 미래를위한 AI의. – Ian Firth, VP 언어 구사

Edge on the Edge는 2021 년 AI / ML 산업의 주요 초점 중 하나가 될 것입니다. 지능형 에지 애플리케이션에 대한 수요는 자동차, 스마트 팩토리 및 스마트 홈 산업에서 빠르게 증가하고 있습니다. 널리 사용 가능한 효율적인 에지 ML 개발 도구와 ML 기능이있는 새로운 MCU를 출시하는 반도체 회사를 통해 에지 ML 애플리케이션의 채택이 주요 트렌드가 될 것입니다. – 이상원 대표 이사 키엑소

임상 공동체는 그들의 사용을 증가시킬 것입니다 연합 학습 접근 방식 다양한 기관, 지역, 환자 인구 통계 및 의료 스캐너에 걸쳐 강력한 AI 모델을 구축합니다. 이러한 모델의 민감도와 선택성은 교육 할 방대한 데이터가있는 경우에도 단일 기관에서 구축 한 AI 모델을 능가합니다. 추가 보너스로 연구자들은 기밀 환자 정보를 공유하지 않고도 AI 모델 생성에 대해 협업 할 수 있습니다. 연합 학습은 소아과 및 희귀 질환과 같이 데이터가 부족한 영역에 대한 AI 모델 구축에도 유용합니다. – Kimberly Powell, NVIDIA Healthcare 부사장 겸 총괄 관리자

AI Center of Excellence : 기업은 지난 10 년 동안 고액의 데이터 과학자를 확보하기 위해 노력했지만 지원 인프라가 부족하여 생산성이 예상보다 낮았습니다. 더 많은 조직이 슈퍼 컴퓨팅 규모의 중앙 집중식 공유 인프라를 구축하여 AI에 대한 투자 수익을 가속화 할 것입니다. 이를 통해 데이터 과학 인재의 정리 및 확장, 모범 사례 공유 및 복잡한 AI 문제 해결을 가속화 할 수 있습니다. – Charlie Boyle, NVIDIA DGX Systems 부사장 겸 총괄 관리자

AI 표현은 원활한 사용자 경험으로 좁힐 것입니다 : AI의 역사를 살펴보면 알고리즘이 왕이었고 사용자 경험이 두 번째였습니다. 하지만 2021 년으로 접어 들면서 AI 지원 애플리케이션은 점점 더 유용성에 우선 순위를 두게 될 것입니다. AI의 최고의 표현은 사용자에게 매끄럽고 백그라운드에서 눈에 띄지 않게 작동합니다. AI / ML이 지원하는 플랫폼은 사용자를 더 나은 결론과 솔루션으로 이끄는 새로운 방법을 찾을 것입니다.

이는 방대한 양의 데이터를 조사하고 이상, 통찰력 및 추세를 찾은 다음 적절한 비즈니스 컨텍스트에서 결과를 제시함으로써 발생합니다. 마찰이없는 AI / ML은 모든 비즈니스 플랫폼의 최종 목표가되어야합니다. 각 사용자가 수행하려는 작업을 식별하고 빠른 조치에 활용할 수있는 통찰력을 자동으로 표시하는보다 정교한 AI 응용 프로그램을보고 싶습니다. 이러한 사용 편의성은 기술 및 비 기술적 사용자 모두에게 매우 가치가 있습니다. – Sanjay Vyas, CTO 계획적인

윤리적 AI는 2021 년 제품 개발에서 핵심적인 역할을 할 것이지만 해결하기 어려운 문제입니다. 윤리적 AI가 중요한 문제가되고 있지만 해결하기 어려운 딜레마입니다. 기업은 솔루션을 만들기 위해 데이터와 AI를 사용하고 있지만 차별, 감시, 투명성, 개인 정보 보호, 보안, 표현의 자유, 일할 권리, 공공 서비스에 대한 접근 측면에서 인권을 우회 할 수 있습니다. 

평판, 규제 및 법적 위험 증가를 방지하기 위해 윤리적 AI는 필수적이며 결국 AI 정책에 영향을 미칠 것입니다. AI 정책은 사람들을위한 높은 수준의 투명성과 보호 조치를 보장합니다. 데이터 영역에서 CEO와 CTO는 신중한 분석, 검토 및 프로그래밍을 통해 알고리즘의 편향을 제거하는 방법을 찾아야합니다. – Krishna Tammana, Talend의 CTO

내년에 우리는 기업들이 기술을위한 기술이나 기술을 구축하는 것과는 달리 실제로 ROI를 제공하는 AI 솔루션에 집중하고 채택하고 개발하는 것을 보게 될 것입니다. 조직은 입증 가능한 진행 상황과 측정 가능한 결과에 초점을 맞추고 특정 문제를 해결하는 솔루션에 투자 할 것입니다. 고객이 해결하고자하는 복잡성과 과제를 깊이 이해하고 솔루션에 R & D 비용을 기꺼이 투자하려는 기업은 성공할 것입니다. – Joe Petro, CTO 뉘앙스 커뮤니케이션즈.

AI 기술 격차는 지속될 것이며 조직은 새로운 적응 방법을 생각할 것입니다. 조직이 AI를 배포하고 모든 혜택을 거두는 데 필요한 인재를 고용하기가 어려웠으며 업계 내부자의 절반이이 문제를보고했습니다. 뿐만 아니라 많은 조직이 디지털 혁신 이니셔티브를 몇 개월 또는 몇 년 만에 가속화했지만 이러한 이니셔티브를 지원할 수있는 인재와 교육 기회에 차이가 있습니다. 수요 증가로 인해 회사는 직원들이 새로운 기술을 배우고 조직의 모든 수준에서 데이터 및 AI 리터러시를 구축하기 위해 노력할 수 있도록 더 많은 숙련도 이니셔티브와 인센티브를 제공 할 것으로 예상합니다.

전염병은 조직이 이러한 조치의 우선 순위를 정하고 직원이 원격 근무로 빠르게 전환 할 때 새로운 기술을 개발하도록 도울 수있는 기회를 제공했습니다. 미래를 내다 보면 2021 년은 교육에 관한 것입니다. 둘 다 새로운 정상으로 운영되고 신속한 디지털 이니셔티브를 따라 잡을 수 있습니다. – Traci Gusher, KPMG 데이터 및 분석 책임자

AI 알고리즘의 편향을 해결하는 것이 최우선 순위가되어 얼굴 인식을위한 민족성 기계 학습 지원을위한 지침이 배포 될 것입니다. 기업은 AI 알고리즘 (인종, 연령, 성별)의 인구 통계 학적 편견과 브랜드에 미치는 영향 및 법적 문제를 제기 할 가능성에 대해 점점 더 우려하고 있습니다. 2021 년 신원 증명 솔루션을 선택할 때 공급 업체가 인구 통계 학적 편견을 해결하는 방법을 평가하는 것이 최우선 순위가 될 것입니다. Gartner에 따르면 문서 중심 신원 증명을위한 RFP의 95 % 이상 (정부 발급 신분증과 셀카 비교)에 명확한 요구 사항이 포함될 것입니다. 2022 년까지 인구 학적 편향을 최소화하는 것과 관련하여 현재 15 % 미만에서 증가했습니다. 기업은 공급 업체의 AI "블랙 박스"가 어떻게 구축되었는지, 데이터의 출처가 어디인지, 교육 데이터가 제공되는 더 많은 사람들에게 어떻게 대표되는지를 알고 자하는 조직에 대한 명확한 답변을 점점 더 확보해야 할 것입니다.

조직이 신원 확인을 위해 생체 인식 기반 안면 인식 기술을 계속 채택함에 따라 업계는 시스템에 내재 된 편견을 해결해야합니다. AI, 데이터 및 민족성에 대한 주제는 새로운 것이 아니지만 2021 년에 등장해야합니다. 연구원 안면 인식 기술을 개발하는 데 사용 된 이미지 데이터 세트를 분석 한 MIT에서 이미지의 77 %가 남성이고 83 %가 백인이었으며, 이는 안면 인식 기술에 체계적인 편견이 존재하는 주된 이유 중 하나를 나타냅니다. 2021 년에는 이러한 체계적인 편견을 상쇄하기위한 지침이 도입 될 것입니다. 그 때까지 안면 인식 기술을 사용하는 조직은 기술 공급자에게 알고리즘 교육 방법을 문의하고 공급 업체가 구매 한 데이터 세트에 대해 알고리즘을 교육하지 않도록해야합니다. – Robert Prigge, Jumio CEO

빅 데이터

2021 년에는 개방적이고 자유로운 데이터 수집이 미래의 혁신을 촉진 할 것입니다. Frost & Sullivan의 최근 조사에 따르면 54 %의 IT 의사 결정권자 비즈니스 성장과 온라인 경쟁에 보조를 맞추기 위해 대규모 데이터 수집이 필요하다고 말했습니다. 그러나 기업이 온라인 데이터를 효과적으로 활용하려면 먼저 차단되지 않고 액세스 할 수 있어야합니다. 오늘날 기업은 공공 데이터 수집 시도를 자체적으로 수집 함에도 불구하고 종종 금지합니다. 이러한 상황은 보안 예방 조치의 일환으로 악의적이거나 사기성 온라인 활동을 지속적으로 차단해야하는 두 가지 주요 요인과이 공개 데이터가 회사의 경쟁 우위에 기여한다는 개념입니다.

저는 2021 년 이후에 기업들이 공개 데이터 수집이 일반적이고 필요한 지속적인 비즈니스 행위의 일부임을 깨닫게 될 것이라고 믿습니다. 그들은 또한 비즈니스의 경쟁 우위에있어서 데이터가 전부가 아니라는 것을 깨닫게 될 것입니다. 재고, 가격, 제품 품질, 서비스 품질 등과 같은 영역도 큰 역할을합니다. 이러한 인식이 정착되면 데이터 차단은 악의적 인 온라인 활동으로부터 보호하기 위해서만 사용됩니다. 윤리적 인 데이터 수집을 보호하기 위해 우리 모두가 중앙 데이터 허브에서 정보를 공개적으로 교환 할 수 있기를 바랍니다. 사이트는 계속해서 학대자를 차단할 것입니다. 이것은 변하지 않을 것입니다. 그러나 그들은 윤리적 데이터 수집가를 허용 할 수 있습니다. 궁극적으로 온라인 데이터 수집의 미래는이를 제어하는 ​​사람들에게 달려 있습니다. 데이터가 생성되는 빠른 속도로 미래의 데이터 수집 노력은 진화하고 성장해야합니다. 기업은 경쟁 업체를 따라 잡고 더 빠른 속도로 데이터를 수집 할 수 있도록 자동화 된 데이터 수집이 필요합니다. 결국 기업이 새로운 데이터를 수집 할 수있는 속도에 따라 관련성과 성공 여부가 결정됩니다. – Ron Kol, CTO Luminati 네트워크

데이터는 엔터프라이즈 규모에서 진정으로 운영 될 것입니다. 기업이 보유한 데이터의 양은 기하 급수적으로 증가하고 있습니다. 그 어느 때보 다 더 많은 소스, 유형 및 양이 있으며 점점 더 많은 양의 데이터가 거의 실시간으로 제공되고 있습니다. 그러나 데이터를 진정으로 이해하고 액세스하고 조치를 취하려면 기업은 중개자를 제거하는 것부터 시작하여 데이터 소비 방식을 변경해야합니다. 데이터 카탈로그 작성 및 프로파일 링 프로세스를 자동화하는 방법을 찾으면fa 기술적 배경 – 효과적인 비즈니스 결정을 내리는 데 필요한 데이터를 얻을 수 있습니다. – Eric Raab, SVP, 엔지니어링 및 제품, 정보 빌더

"대체"데이터를 수집하고 합성하는 것이 필수적입니다. COVID-19를 얼마나 일찍 발견 할 수 있었습니까? "대체"데이터 (이 경우 우한의 병원 외부 트래픽 데이터 및 해당 지역의 인터넷 사용자에 의한 키워드 검색)에 대한 연구에 따르면 바이러스가 2019 년 말에 유포되었을 수 있습니다. 투자 커뮤니티는 대체 데이터를 사용하는 선구자였습니다. , 여기에는 오디오, 항공 사진, 수질 및 정서가 포함됩니다 .10 이것은 데이터 중심 혁신의 최전선이며 여기에서 우위를 점하면 엄청난 이익을 얻을 수 있습니다. 그러나 2020 년이되면 대체 데이터가 주류가 될 것이며 훨씬 더 일찍 이상을 발견 할 수있을 것입니다.

그로부터 우리는 기록 시스템의 데이터와의 조합, 연관 및 합성에서 파생 된 파생 데이터를 얻을 수 있습니다. IDC는 다음과 같이 말합니다.“더 많은 데이터가 캡처되고 외부 소스에서 사용 가능 해짐에 따라 더 많은 데이터를 사용할 수있는 능력이 차별화 요소가됩니다. 여기에는 다른 산업에서 교훈을받는 것도 포함됩니다. " 11 Gartner가 "X 분석"이라고 부르는 것과 유사한 이러한 추세는 새로운 것은 아니지만 지식 그래프, 데이터 패브릭, 자연을 포함한보다 저렴한 처리 및보다 성숙한 AI 기술 덕분에 마침내 최신 데이터 및 분석의 중요한 기반이되고 있습니다. 언어 처리 (NLP), 설명 가능한 AI 및 모든 유형의 콘텐츠에 대한 분석. 인간의 눈으로 모든 것을 파악할 수 없기 때문에 이러한 추세는 ML과 AI에 전적으로 의존합니다. – Dan Sommer, 전무 이사, 글로벌 시장 정보 책임자 큐릭

업계에서 우리는 종종 데이터 사일로를 해체하는 것에 대해 이야기하지만, 일부 사일로는 항상 존재한다는 사실을 인정해야합니다. 대규모 조직에서는 항상 자체 도구 또는 데이터베이스가있는 지역 부서 또는 지역이 있으며 이는 계속 될 것입니다. 데이터 주권이있는 경우 조직의 해당 지역 사무실에는 사일로가 있습니다. 그렇기 때문에 가장 좋은 접근 방식은 보유한 데이터를 더 잘 이해할 수있는 방법을 찾는 것입니다. 데이터 인텔리전스 플랫폼은 데이터 자산에 대한 360도보기를 제공하여 보유한 사일로와 이들이 연결되는 방식을 보여주는 인덱스 및 맵 역할을 할 수 있습니다. – Stijn "Stan"Christiaens, 공동 창립자 겸 CTO Collibra

OpenTelemetry는 데이터 과부하를 생성합니다. 2021 년에는 OpenTelemetry의 사용이 새로운 산업 표준이 될 것입니다. 예, 소스 전반에 걸쳐 일관성을 만들어 데이터 수집을 더 쉽게 할 수 있지만 기업을위한 데이터 소방관을 생성하여 실행 가능한 통찰력이 포함 된 데이터의 작은 부분을 찾기가 더욱 어려워집니다. 진정으로 실행 가능한 5 %를 신속하게 찾을 수있는 시스템이 없다면 지속적인 데이터 흐름은 기업을 압도 할 것입니다. 따라서 IT 팀은 데이터 수집에서 데이터에서 조치를 취할 수있는 프레임 워크 구축으로 초점을 전환 할 것입니다. 팀이 그렇게함에 따라 카푸치노를 만드는 데 걸리는 시간 내에 실행 가능한 데이터를 즉시 표시 할 수있는 도구를 구현해야합니다. – Phil Tee, CEO 무그 소프트

디지털 트윈은 프로세스, 제품 또는 서비스의 가상화 된 모델입니다. 가상 세계와 물리적 세계의 결합을 통해 데이터 분석 및 시스템 모니터링을 통해 문제가 발생하기 전에 식별 할 수 있습니다. 이렇게하면 시뮬레이션을 사용하여 다운 타임을 방지하고 새로운 기회를 개발하며 미래에 대한 계획을 세울 수도 있습니다. 이 세대의 디지털 트윈을 통해 기업은 비즈니스 자산을 모델링하고 시각화 할 수있을뿐만 아니라 예측을하고 실시간으로 조치를 취하고 AI 및 ML과 같은 최신 기술을 사용하여 데이터를 영리하게 확장하고 조치를 취할 수 있습니다. – Anil Kaul, CEO 앱솔루트데이터

디지털 변혁은 마침내 변혁을 시작할 것입니다. 이 시점에서 "디지털 전환"은 모든 기업이 인식하는 법을 배운 유행어가되었지만 이러한 노력의 대부분 (IDC에 따르면 80 %)은 여전히 ​​본질적으로 너무 전술적입니다. 예를 들어 로봇 프로세스 자동화 (RPA)는 혁신 도구로 간주 될 수 있지만 그 자체로는 그렇지 않습니다. 조직이 2021 년의 진정한 변화를보기 위해서는 텍스트 분석, 문서 이해 및 프로세스 마이닝과 같은 핵심 자동화 및 AI 기능을 결합한 고급 플랫폼을 활용해야합니다. 또한 이러한 플랫폼에는 시민 개발자가 조직에 가치를 다시 부여하는 엔터프라이즈 급 자동화를 구축하고 배포 할 수있는 로우 코드 기능이 포함되어 있어야합니다. 그렇지 않으면 기업이 가장 복잡한 프로세스에도 자동화를 쉽게 배포 할 수있는 능력에 힘 입어 전사적 디지털 혁신을 제공하는 것은 계속해서 어려울 것입니다. – Guy Kirkwood, 수석 에반젤리스트 UiPath

비즈니스 인텔리전스

로우 코드 / 노 코드 ML의 확산. 기업이 AI에보다 쉽게 ​​접근 할 수 있도록 설계된 로우 코드 및 무 코드 ML 시스템의 증가는 AI 채택을 개선하는 데 도움이 될 것입니다. 그러나 궁극적으로 기업은 한도에 도달하여 모든 것에 적용되는 접근 방식을 능가하여 더 깊은 전문 지식이 필요한 AI에 대한 고급 사용 사례를 모색 할 것입니다. 궁극적으로 사용자 정의의 필요성은 로우 코드 시스템을 대체하는 대신 자격을 갖춘 데이터 과학자에 대한 필요성을 증가시킬 것입니다. 우리는 조만간 데이터 과학자의 필요성을 자동화하지 않을 것입니다. — Kevin Goldsmith, CTO, 아나콘다

비즈니스 인텔리전스는 Natural Language, Natural Search, AI / ML, Augmented Analytics, Automated Data Preparation 및 Automated Data Catalogs의 통합을 통해 고급 데이터 분석의 새로운 패러다임으로 전환하고 있습니다. 이는 고품질의 실시간 통찰력으로 비즈니스 의사 결정 프로세스를 변화시킬 것입니다. – BI 기업 MachEye의 CEO Ramesh Panuganty

BI와 AI는 서로의 관계를 심화 할 것입니다. ML 모델에 대한 BI 데이터 세트의 점수를 매기고 예측을 시각화하든, 시각화, 통찰력 및 요약을 생성하기 위해 자연어 처리를 활용하든 AI와 BI는 시너지 효과를 높일 것입니다. 기존 BI 기능이 계속 상용화됨에 따라 벤더는 혁신 전쟁의 새로운 전선으로 BI + AI를 필요로 할 것입니다. – Andrew Brust, 분석가, Gigaom

봇봇

직원 대 기업 – 대화 형 AI 채택은 자연스럽고 종종 첫 번째 접촉입니다. 대화 형 AI는 정규화되었으며 여기에 머물러 있습니다. 온라인 시장을 통해 소비자를 안내하는 인터페이스, 교육 과정을 통해 직원을, 검색 엔진과 웹 사이트를 통해 사용자를 안내하는 인터페이스는 고급 대화 형 AI 기술을 갖추고있을 때 큰 투자 수익을 보였습니다. – Shiva Ramani, CEO 아이오펙스

AI는 조만간 인간을 대체하지 않을 것입니다. 오늘날 소비자 대면 작업에서 AI 사용을 살펴보면 주로 AI 지원 챗봇 및 고객 개인화 기능에 사용됩니다. 소비자가 대유행 기간 동안 AI 지원 기능을 어떻게 활용했는지 살펴보면 실제로이를 사용하여 인간 에이전트를 통해 문제를 더 빨리 해결하고 있음을 알 수 있습니다. 소비자를 대상으로하는 AI 기반 챗봇 Erica를 보유한 Bank of America와 같은 회사는 소비자가 Erica를 사용하여 고객 지원 팀을 참여시키는 최상의 과정을 찾는 것을 보았습니다. 고객은 문제를 직접 해결하기 위해 Erica에게 질문을하는 대신, 적절한 상담원과 신속하게 문제를 해결하기 위해 고객 서비스 팀에 연락하는 방법을 Erica에게 간단히 물었습니다. – James Isaacs, 사장 겸 CEO 시아라

오늘날 우리는 고객 서비스 챗봇이든 Siri 및 Alexa와 같은 장치의 AI이든 그 어느 때보 다 봇과 상호 작용합니다. 이러한 봇은 이전에 인간이 수행 한 프로세스를 자동화하기위한 실시간 의사 결정에 사용됩니다. 예를 들어 봇은 Amazon과 같은 회사의 소매 반품 프로세스를 자동화했습니다. 그러나 기업이 자동화 된 봇의 ID를 관리하는 것은 특히 기계 속도로 다른 봇과 상호 작용할 때 더욱 복잡해집니다. 봇의 ID는 데이터가 손상되지 않도록 직원 및 고객 ID와 유사하게 기업에서 관리하고 보호해야합니다. 자동화 목적으로 봇을 사용하면 해당 봇의 API가 해킹되면 새로운 공격 벡터가 열리기 때문에 CIO와 보안 리더가 염두에 두어야 할 중요한 사항입니다. – Jasen Meece, CEO 클라우드 엔터티

NLP (자연어 처리)는 데이터 분석에 대한 대화를 바꿉니다. 우리가 일상 생활에서 Google Home과 Alexa를 사용하는 것처럼 NLP를 통한 대화 분석은 기업이 비즈니스 운영에서 귀중한 빅 데이터 통찰력을 추출하는 데있어 황금빛 티켓이 될 것입니다. 여기에는 눈에 띄지 않았을 수있는 추세를 파악하고 기업 내 전문가가 의미있는 방식으로 데이터에 참여할 수 있도록하는 것이 포함됩니다. – Sam Mahalingam, CTO, Altair

대화 형 AI는 무엇보다도 대화 할 유비쿼터스 메시징 채널이 필요합니다. Whatsapp, GIP 및 기타와 같은 IP 기반 채널에서 비즈니스 메시징이 증가하면서 대화 형 AI 사용이 부활하고 있습니다. 은행, 전자 상거래, 소매, 여행 등과 같은 산업 전반에 걸친 기업은 이제 마케팅, 영업 및 지원을 포함한 거의 모든 고객 접점에 대해 대화 형 AI를 지원하고 있습니다. 최근 자연어 처리 (NLP)의 발전에 힘 입어 대화 형 AI는 소비자가 비즈니스와 상호 작용하는 방식을 변화시킬 준비가되어 있습니다. – Beerud Sheth, CEO 굽 ​​쉬업

클라우드

특히 하이브리드 클라우드의 경우 다중 및 하이브리드 클라우드 채택에 대해보다 사려 깊고 균형 잡힌 접근 방식을 보게 될 것입니다. 우리는 퍼블릭 클라우드와 프라이빗 클라우드 간의 대화를 넘어 가고 있으며 기업은 클라우드가 "둘 중 하나 또는"결정이 아니라는 현실을 받아들이고 있습니다. 역사적으로 "퍼블릭 클라우드"는 최첨단 혁신과 연관되고 "프라이빗 클라우드"는 변화에 저항하는 느리고 레거시 비즈니스와 연관되어 있습니다. 기업이 특정 비용, 성능, 보안, 규정 준수 및 거버넌스 요구 사항의 균형을 가장 잘 맞추는 민첩한 최신 애플리케이션을 플랫폼에 배포 할 수 있도록하는 하이브리드 클라우드 아키텍처에서 얻을 수있는 가치를 더 잘 이해하기 시작하면서 이러한 정서는 변화하고 있습니다.

이에 따라 컨테이너 및 하이브리드 통합 플랫폼과 같은 하이브리드 지원 기술이 증가합니다. 또 다른 고려 사항은 자체 데이터 센터에서 실행되는 하이퍼 스케일 클라우드 공급자 솔루션 인 테 더링 된 컴퓨팅입니다. 예는 AWS Outposts, Google Anthos 및 Microsoft Azure Stack입니다. 지금까지 채택하기에는 너무 느 렸지만 고객이 프라이빗 / 퍼블릭 클라우드의 가치와 하이퍼 스케일 클라우드 서비스 소비의 일관성을 확인함에 따라 여기에서 성장의 시작을 볼 수 있습니다. – Kim King, 제품 마케팅 이사 – Snow Software의 클라우드 관리

COVID-19, 클라우드 지출 가속화 : COVID-19 전염병으로 인해 원격 근무가 증가함에 따라 기업은 클라우드 기반 기술에 IT 예산의 더 많은 부분을 투자하고 있습니다., 종이 기반 프로세스에서 멀어집니다. 기업의 평균 클라우드 지출은 59 년에서 2018 년에 73.8 만 달러로 2020 % 증가했습니다. 기업이 원격으로 작업하는 전략을 채택하고 직원 전환을 시작할 때에도 이러한 운영 모드를 유지하는 이점을 인식해야하기 때문에 이러한 추세는 2021 년까지 계속 될 것입니다. 물리적 위치로 돌아갑니다. 대표적인 예는 COVID가 계약 요청, 승인, 실행 및 시상 후 관리 시스템의 디지털 전환을 주도하고 계약 수명주기 관리에서 훨씬 더 발전 할 수있는 기반을 마련한 계약입니다. – Harshad Oak, General Manager, Customer Adoption & Value, at 이카티스

한때 클라우드로가는 길에 "레이 오버"로 간주되었던 하이브리드가 이제 목적지가되었습니다. 하이브리드 클라우드 접근 방식은 클라우드 우선 구현의 디딤돌로 간주 되곤했습니다. 이제 고객은 하이브리드 접근 방식이 비즈니스 요구 사항과 경제적 측면 모두에서 가장 합리적이라는 것을 알고 있습니다. IDC에 따르면 고객 앱과 데이터의 70 %는 공용 클라우드 외부에 남아 있습니다. 이를 염두에두고 2021 년에는 더 많은 고객이 하이브리드 접근 방식을 채택 할 것입니다. 데이터 대기 시간, 애플리케이션 얽힘, 보안 및 규정 준수 이유로 인해 데이터를 온 프레미스로 유지하려는 업계의 조직이 점점 더 많아지고 있습니다. 동시에 유행성 경제, 데이터 송신 비용 및 퍼블릭 클라우드 제공 업체와의 공급 업체 종속으로 인해 부분적으로는 현실적으로 CIO와 IT 조직은 목적을위한 수단이 아니라 결과물로 하이브리드를 수용하고 있습니다. – Keith White, GreenLake 클라우드 서비스 총괄 관리자

클라우드 민첩성은 환상적이지만 폭주 비용으로 쉽게 이어질 수 있습니다. 마찬가지로, 공유 된 온 프레미스 빅 데이터 클러스터는 종종 리소스를 낭비합니다. 이 두 가지 모두 SLA가 누락되었습니다. 만성적 인 과다 지출을 없애고 싶다면 기업은 클라우드 지출을 모니터링하고 관리하는 방법을 마련해야합니다. 이를 수행하는 가장 효과적인 방법은 관찰 가능성과 자동 조정을 사용하는 것입니다. – Ash Munshi, CEO, 페퍼데이터

데이터베이스 / 데이터웨어 하우스 / 데이터 레이크

기업이 데이터를 저장하는 데 사용하는 솔루션은 내년에도 계속해서 빠르게 발전하고 있습니다. 오픈 소스 관계형 데이터베이스 솔루션, 비 관계형 데이터베이스 솔루션, PaaS 기반 데이터베이스 솔루션 및 이들의 조합으로의 마이그레이션이 증가하고 있습니다. 이러한 이니셔티브의 주요 초점은 운영 비용 절감이라는 제목으로 그룹화 할 수 있습니다 (오픈 소스 및 비 관계형 데이터베이스 마이그레이션이 모두이 범주에 속함). 인력 비용을 줄이거 나 (PaaS 서비스로의 마이그레이션이이 범주에 속함)보다 목적에 맞게 구축 된 데이터베이스 솔루션으로 마이그레이션하여 성능 효율성을 확보하십시오.

데이터 마이그레이션이 현재 대규모로 진행되고 있으므로 이러한 새로운 데이터베이스 솔루션으로 전환 할 때 현재 상태에 대한 미래 상태 솔루션의 기능, 라이선스 및 지원 계약에 미치는 영향을 포함하여 많은 고려 사항이 있습니다. , 올바른 솔루션이 배치되었는지 확인하는 방법. PaaS 솔루션은 몇 가지 큰 이점을 제공하지만 DBA는 여전히 이러한 시스템을 모니터링 및 관리하고 성능, 가용성 및 보안의 효율성을 높이기 위해 애플리케이션 팀과 협력해야합니다. – Marc Caruso, 수석 아키텍트, 통사론

360. 이것이 바로 야생의 데이터베이스 시스템 수입니다. 선택이 좋고 작업에 적합한 도구를 찾는 것이 현명한 반면, 이는 매우 복잡합니다. 기업이 클라우드 현대화로 이동함에 따라 단순화를 추구 할 것이며, 이는 데이터베이스 시장에서 대규모 통합으로 이어질 것입니다. 다목적 기능을 제공하는 데이터베이스 공급 업체는 서로 연결되어야하고 다양한 데이터 액세스 방법을 필요로하는 여러 틈새 데이터베이스보다는 승리 할 것입니다. – Franz Aman, 관계형 데이터베이스 회사 MariaDB의 CMO

기업이 데이터를 저장하는 데 사용하는 솔루션은 내년에도 계속해서 빠르게 발전하고 있습니다. 오픈 소스 관계형 데이터베이스 솔루션, 비 관계형 데이터베이스 솔루션, PaaS 기반 데이터베이스 솔루션 및 이들의 조합으로의 마이그레이션이 증가하고 있습니다. 이러한 이니셔티브의 주요 초점은 운영 비용 절감이라는 제목으로 그룹화 할 수 있습니다 (오픈 소스 및 비 관계형 데이터베이스 마이그레이션이 모두이 범주에 속함). 인력 비용을 줄이거 나 (PaaS 서비스로의 마이그레이션이이 범주에 속함)보다 목적에 맞게 구축 된 데이터베이스 솔루션으로 마이그레이션하여 성능 효율성을 확보하십시오.

데이터 마이그레이션이 현재 대규모로 진행되고 있으므로 이러한 새로운 데이터베이스 솔루션으로 전환 할 때 현재 상태에 대한 미래 상태 솔루션의 기능, 라이선스 및 지원 계약에 미치는 영향을 포함하여 많은 고려 사항이 있습니다. , 올바른 솔루션이 배치되었는지 확인하는 방법. PaaS 솔루션은 몇 가지 큰 이점을 제공하지만 DBA는 여전히 이러한 시스템을 모니터링 및 관리하고 성능, 가용성 및 보안의 효율성을 높이기 위해 애플리케이션 팀과 협력해야합니다. – Marc Caruso, 수석 아키텍트, 통사론

데이터베이스 시장은 1 년까지 2025 조 달러로 성장할 것입니다. 지난 35 년 동안 데이터베이스 시장은 IBM, Oracle 및 SAP HANA가 주도권을 차지했습니다. 이제 우리는 고객이 비즈니스에 가장 적합한 것을 결정할 수있는 옵션을 제공하는 경비원의 변화를보고 있습니다. Forrester는 심지어 퍼블릭 클라우드 인프라 시장이 120 년에 2021 억 년 동안 1 % 성장할 것이라고 지적합니다. 저는 데이터베이스 시가 총액이 2025 년까지 10 조 달러로 성장할 것이며 XNUMX ~ XNUMX 개 이상의 매우 강력한 데이터베이스 회사가 향후 XNUMX 년 동안 크게 성장할 것으로 예상합니다. . – Raj Verma, CEO 싱글 스토어

데이터 레이크는 데이터웨어 하우스가하는 일과 그 이상을 할 수 있습니다 : 컴퓨팅과 데이터의 분리는 데이터웨어 하우스에 비해 데이터 레이크에 이점을 제공하지만, 데이터웨어 하우스는 역사적으로 데이터 레이크에 비해 다른 이점이있었습니다. 그러나 현재 데이터 계층의 최신 오픈 소스 혁신으로 변화하고 있습니다. 예를 들면 아파치 빙산 트랜잭션 일관성, 롤백 및 시간 이동과 같은 데이터 레이크의 주요 데이터웨어 하우스 기능을 제공하는 새로운 테이블 형식이며 여러 애플리케이션이 동일한 데이터에 대해 트랜잭션 일관성있는 방식으로 함께 작동 할 수 있도록하는 새로운 기능을 도입합니다. 또 다른 새로운 오픈 소스 프로젝트, 프로젝트 네시는 데이터 레이크에 대해 Git과 유사한 의미 체계를 제공하여 Iceberg와 Delta Lake의 기능을 기반으로합니다. Nessie는 또한 느슨하게 결합 된 트랜잭션을 현실로 만들어 Spark, Dremio, Kafka 및 Hive를 포함한 여러 사용자 및 엔진의 작업에 걸친 단일 트랜잭션을 가능하게합니다. – Tomer Shiran, 공동 설립자 드레 미오

2021 년에는 메타 데이터 계층의 복귀, 임베디드 AI 및 자동화 된 분석, 비즈니스 사용자를 위해 특별히 설계된 새로운 단순화 된 쿼리 인터페이스의 세 가지 주요 트렌드가 나타날 것입니다. 데이터 자산의 향상된 거버넌스 및 확장 성을 지원하려면 분석 솔루션의 주요 기본 구성 요소 인 메타 데이터 계층의 반환이 필요합니다. 스마트 메타 데이터 레이어를 통해 새로운 단순화 된 사용자 인터페이스가 등장하여 비즈니스 사용자는보다 안내 된 접근 방식으로 데이터와 상호 작용할 수 있으므로 최소한의 분석 기술로 통찰력을 얻는 데 걸리는 시간을 줄일 수 있습니다. AI 및 자동화 된 분석은 엔터프라이즈 도메인에서 이러한 기능을 내장하고 고객 기반을 통해 대량 채택을 가능하게하는 소프트웨어 공급 업체로 전환 될 것입니다. – Glen Rabie, CEO 황 다랑어

데이터 공학

기업은 데이터 엔지니어와 데이터 파이프 라인에 재투자 할 것입니다. 2020 년의 영향 중 하나는 많은 기업이 생존 우선 접근 방식으로 전환하여 데이터 통합에 대한 "그랩 앤 고 (grab-and-go)"사고 방식을 가져 왔다는 것입니다. 기업의 수익이 안정화되고 거시 경제 수준에서 더 많은 예측 가능성을 보게되면서 2021 년은 데이터 엔지니어의 해이며 기업은 데이터에 대해 "내구성 된"접근 방식으로 되돌아 갈 것입니다. 파이프 라인. 집에있는 파이프의 물을 위해 "지속되도록 설계"는 물이 항상 켜져 있고 깨끗하며 적절한 온도에 있음을 의미합니다. 데이터를 위해 "지속적으로 구축"한다는 것은 데이터 분석의 적시성과 신뢰성을 보장하기 위해 스마트 데이터 파이프 라인을 구축한다는 의미입니다. – StreamSet CEO 기리쉬 판차

기업들은 DevOps에 더 많은 노력을 기울여야 할 필요성을 깨닫게 될 것입니다.“제공 프로세스의 보안 및 테스트를 포함하여 DevOps 파이프 라인으로 수행해야 할 작업이 여전히 많습니다. 소프트웨어 개발자 커뮤니티는 어디로 가야하는지 알고 있지만, 그 과정에서 작업과 장애물은 항상 예상보다 큽니다. ㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ 이 때문에 툴링이나 CI / CD 패턴 측면에서 2021 년에 큰 변화를 보게 될 것이라는 데 회의적입니다. 오히려 더 많은 사람들이 DevOps 파이프 라인, 프로세스 및 검증에 더 많은 노력을 기울여야한다는 사실을 깨닫게 될 것입니다. CI / CD 자동화를 가속화하고 개선하기 위해 두 배로 축소됩니다. 이러한 프로세스가 성숙 된 경우에만 조직이 제공 관행 및 도구에 대한 확신을 가질 수 있습니다. – Fred Simon, 공동 창립자 겸 최고 데이터 과학자, JFrog

데이터 거버넌스

IT는 2021 년에 인력 사이버 보안을 보호하기 위해 액세스 거버넌스에 인텔리전스를 주입 할 것입니다. 엔터프라이즈 기술, 사이버 위협 및 사용자 환경의 변화가 가속화되면서 기존의 ID 거버넌스 및 관리 (IGA) 솔루션과 보안 및 규정 준수 팀에 대한 압력이 증가하고 있습니다. 증가하는 규정 준수 위험 외에도 기업 IT 환경은 매년 더욱 복잡해지고 기업이 사용자 액세스를 제공하는 애플리케이션과 시스템의 수가 증가하고 있습니다. 이러한 과제로 인해 조직은 액세스 요청, 액세스 승인, 인증 및 역할 모델링 프로세스를 단순화하고 자동화하는 AI 기반 솔루션을 찾게되었습니다. 2021 년에는 자율적 신원 접근 방식을 가능하게하기 위해 AI가 점점 더 많이 채택 될 것입니다.

AI 기반 인증 및 권한 부여 솔루션은 기존 IGA 솔루션 위에 계층화되거나 기존 IGA 솔루션과 통합되어 모든 ID 데이터를 수집 및 분석하고 규모에 따라 다양한 위험 수준의 사용자 액세스에 대한 통찰력을 제공함으로써 상황에 맞는 전사적 가시성을 제공합니다. AI를 사용하면 시스템이 고위험 액세스 또는 정책 위반에 대해 보안 및 규정 준수 팀을 식별하고 경고 할 수 있습니다. 시간이 지남에 따라 이러한 AI 시스템이 설명 가능한 결과를 생성하는 동시에 기업 내에서 가장 어려운 사이버 보안 과제의 자동화를 증가시킬 것입니다. – Eve Maler, CTO 포지 락

AI 거버넌스 프레임 워크의 글로벌 구현이 2020 년에 시작되어 기업이 AI 애플리케이션의 결과에 대한 세부 정보를 요청하는 것을 보았습니다. AI 애플리케이션에 대한 적절한 수준의 설명 가능성을 보장하는 것은 물론 양질의 데이터를 사용하고, 감사 가능성을 보장하고, 윤리적이며, 공정하고, 투명하며, 데이터 보호 요구 사항을 준수하고, 효과적인 사이버 보안 조치를 구현하는 것이 중요합니다. AI 거버넌스 프레임 워크의 구현은 현재 금융 및 은행에서 더 많이 볼 수 있지만 2021 년에는 이것이 더 널리 퍼질 것입니다.

의료, 전자 상거래 및 모빌리티 서비스와 같은 다른 업종에서는이를 경쟁 차별화 요소로 사용하기 시작할 것입니다. 예를 들어, 의료 서비스 제공 업체는 데이터가 사용되는 방식과 해당 데이터를 보호하는 데있어 윤리적이고 공정한 방식에 대해 더 투명 해지기 시작했습니다. 기업이 앞서 나가고 싶다면,이 글로벌 운동의 리더로 자리 매김하기 위해 지금 윤리적 인 AI 프레임 워크 개발을 시작해야합니다. – Mohan Mahadevan, Onfido 연구 부사장

AI는 클라우드 보안 및 거버넌스에서 추진력을 얻을 것입니다. 2021 년에는 AI가 단순히 이상 징후를 감지하는 것 이상으로 보안 팀에 잠재적 인 위협을 표시 할 것입니다. 클라우드 거버넌스는 점점 더 복잡 해지는 작업이며 사람이 혼자서 관리 할 수없는 시점에 빠르게 도달하고 있습니다. AI는 내년에 워크 플로를 간소화하고 변경 사항을 관리하며 보관함으로써 클라우드 위생을 유지하기 위해 점점 더 많이 의존하게 될 것입니다. AI를 통해 적절한 클라우드 위생이 확립되고 유지되면 전략적 예측 지식 도구로도 사용될 것입니다. 위협과 취약성을 예측하고 해결함으로써 AI는 기업이 클라우드 환경에서 가능한 최상의 결과를 창출하도록 지원합니다. AI를 전략적 자산으로 활용하면 CIO가 비용 및 규정 준수 위험 평가와 같은 클라우드 환경에 대한 정보에 입각 한 결정을 내릴 수 있습니다. – Keith Neilson, 기술 전도사 클라우드스피어

2021 년을 살펴보면 윤리적 AI와 데이터 거버넌스에 대한 대화가 연락처 추적 (COVID-19 퇴치), 커넥 티드 차량 및 스마트 기기 (데이터를 소유 한 사람), 개인과 같은 다양한 영역에 적용되는 것을 볼 수 있습니다. 사이버 프로필 (개인 정보 문제로 이어지는 사이버 발자국 증가). – Cindy Maike, Cloudera 산업 솔루션 부사장

다중 환경 현실을위한 데이터 거버넌스. 조직이 온 프레미스 또는 하나의 클라우드 제공 업체 내에서만 모든 데이터를 보관했던 시대는 오래 전입니다. 이제 조직은 온 프레미스 데이터를 보유하고 특정 요구 사항에 따라 여러 클라우드 제공 업체와 파트너 관계를 맺고 있습니다. 이러한 현실은 데이터 거버넌스에 접근해야하는 방식에 대한 "재 생각"을 만들어 냈습니다. 조직은 현재 데이터 거버넌스가 어떻게 영향을 받을지, 무엇을 조정해야하는지, 클라우드에서 데이터 품질을 모니터링하는 방법, 클라우드 안팎으로 데이터 이동을 관리하는 방법 (및 그에 따른 막대한 비용)을 결정해야합니다. – Todd Wright, SAS의 데이터 관리 및 데이터 개인 정보 보호 솔루션 책임자

AI는 클라우드 보안 및 거버넌스에서 추진력을 얻을 것입니다. 2021 년에는 AI가 단순히 이상 징후를 감지하는 것 이상으로 보안 팀에 잠재적 인 위협을 표시 할 것입니다. 클라우드 거버넌스는 점점 더 복잡 해지는 작업이며 사람이 혼자서 관리 할 수없는 시점에 빠르게 도달하고 있습니다. AI는 내년에 워크 플로를 간소화하고 변경 사항을 관리하며 보관함으로써 클라우드 위생을 유지하기 위해 점점 더 많이 의존하게 될 것입니다. AI를 통해 적절한 클라우드 위생이 확립되고 유지되면 전략적 예측 지식 도구로도 사용될 것입니다. 위협과 취약성을 예측하고 해결함으로써 AI는 기업이 클라우드 환경에서 가능한 최상의 결과를 창출하도록 지원합니다. AI를 전략적 자산으로 활용하면 CIO가 비용 및 규정 준수 위험 평가와 같은 클라우드 환경에 대한 정보에 입각 한 결정을 내릴 수 있습니다. – Keith Neilson, 기술 전도사 클라우드스피어

데이터 과학

2020 년은 일부 기업에게는 잔인했고, 다른 기업에게는 보람 있고, 모든 기업에게는 도전이었습니다. 2021 년에 접어 들면서 후발 기업은 자신을 디지털 방식으로 재창조해야하는 실존 적 의무가 있으며, 선도 기업은 수요에 보조를 맞추기 위해 고군분투하고 있습니다. 이러한 모든 기업은 예측 가능한 비용, 안정적인 성능 및 실시간 가시성과 함께 100 % 데이터 통합을 활용해야합니다. – Bonnie Holub, 데이터 과학 실무 책임자, 미주 지역 테라 데이타

데이터 민주화는 새로운 표준이 될 것입니다. 전체 비즈니스에 걸친 성장 확장을 보장하는 것이 CDO의 임무입니다. 이것은 사람들이 실제로 사용할 수있는 구조화 된 데이터를 제공함으로써 달성 할 수 있습니다. 성공적인 CDO는 사람들이 액세스하고 이해할 수 있도록 데이터를 대중화해야합니다. 좋은 CTO는 필요한 데이터를 찾는 데 필요한 도구를 만들어 CDO를 보완합니다. 이는 사용자가 데이터를 파악하여 인사이트를 실행할 수있는 시각화 도구 및보고 도구 세트를 제공함을 의미합니다. 2021 년으로 넘어 가면서 우리는 필요에 따라이 두 역할 간의 더 긴밀하고 긴밀한 협력을 계속 볼 것입니다. 잘못된 데이터가 포함 된 도구가 있으면 데이터 문제가 더욱 악화됩니다. 제한된 도구가있는 경우 작은 하위 집합 만 데이터로 모든 작업을 수행 할 수 있습니다. – Derek Knudsen, 최고 기술 책임자 알래스카

시민 분석가는 데이터 과학자가되기 위해 점점 더 숙련 될 것입니다. 대부분의 산업과 기업의 복잡성이 증가함에 따라 IT 프로세스를 개발하거나 분석을 사용하는 측면에서 자립을 본다면 해당 기술을 더욱 확장하려는 엄청난 추진력이 빠르게 나타날 것입니다. 시장이 매월 비정상적으로 변화함에 따라 그 어느 때보 다 데이터 과학에 훨씬 더 중점을 둘 것입니다. 결과적으로 더 많은 시민 분석가가 데이터 과학자가되기위한 기술을 향상시킬 것입니다. – Sharmila Mulligan, 최고 전략 및 마케팅 책임자 알래스카

Python 데이터 시각화 라이브러리가 동기화됩니다. 마침내 Python 데이터 시각화 라이브러리가 함께 작동하는 것을보기 시작했습니다.이 작업은 2021 년에도 계속 될 것입니다. Python은 수년 동안 정말 훌륭한 시각화 라이브러리를 가지고 있었지만 사용자가 어렵게 만드는 많은 다양성과 혼란이있었습니다. 적절한 도구를 선택하십시오. 여러 조직의 개발자는 Datashader의 서버 측 빅 데이터 렌더링 및 HoloViews의 연결된 브러싱과 같은 Anaconda가 개발 한 기능을 다양한 플로팅 라이브러리에 통합하여 더 많은 사용자 기반이 더 많은 전력을 사용할 수 있도록하고 노력의 중복을 줄이기 위해 노력해 왔습니다. 진행중인 작업은 2021 년 이후에 이러한 동기화를 더욱 지원할 것입니다. ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ — James A. Bednar, 기술 컨설팅 선임 관리자, 아나콘다

비즈니스 기술은 데이터 과학자에게 그 어느 때보 다 중요해질 것입니다. 데이터 과학자는 데이터 통찰력과 예측 모델링을 비즈니스 영향에 대한 실행 가능한 통찰력으로 변환하기 위해 비즈니스 언어를 말해야합니다. 또한 기술 소유자는 기술에 대한 액세스를 단순화하여 기술 및 비즈니스 소유자가 함께 작업 할 수 있어야합니다. 데이터 과학자는 사물을 얼마나 빨리 구축 할 수 있는지뿐만 아니라 나머지 비즈니스와 얼마나 잘 협력 할 수 있는지에 중점을 둘 것입니다. – Florian Douetteau, CEO 겸 공동 설립자 다테 쿠

셀프 서비스는 자급 자족으로 발전했습니다. 가상 세계에서 셀프 서비스는 발전해야합니다. 사용 설명서가없고 사용자의 손을 잡을 사람이없는 경우 빠르고 직관적 인 램프 업은 채택을위한 위생 요소가되며 매력적인 사용자 인터페이스는 더 이상 가지고 있지 않을 것입니다. 그러나 우리는 사용자가 종종 셀프 서비스를 원하지 않는 것을 보았습니다. 그들은 점점 더 많은 통찰력을 기대합니다. 결과적으로 우리는 증강 된 소비자를위한 더 많은 미시적 인사이트와 이야기를 보게 될 것입니다. 또한 데이터가 너무 자주 간과됩니다. 사용자가 데이터, 인사이트 및 비즈니스 로직에 더 빠르고 직관적으로 액세스 할 수 있도록하면 시각화 셀프 서비스에서 데이터 자급으로 이동할 수 있습니다. AI는 여기에서 중요한 역할을 수행하여 마이크로 통찰력을 제공하고 스크립트 및 사람 중심 프로세스에서 더 자동화되고 코드가 적으며 코드가없는 데이터 준비 및 분석으로 이동할 수 있도록 도와줍니다. 더 많은 사람들이 가치 사슬 초기에 데이터로 자급 자족 할 수 있다면 이상 징후를 더 일찍 발견하고 문제를 더 빨리 해결할 수 있습니다. – Dan Sommer, 전무 이사, 글로벌 시장 정보 책임자 큐릭

역사적으로 기업은 "데이터 과학자"인 사람들에게 많은 가치를 부여했습니다. 앞으로는 전문가를 고용 할 필요가있을 것입니다. 데이터 수집. AI 모델이 작동하려면 방대한 양의 데이터가 필요하며, 중요한 데이터는 여전히 많은 조직에서 사일로에 상주합니다. 따라서 데이터 수집에 능숙한 개인은 수요가 높을 것입니다. – Clara Angotti, 사장 다음 경로

데이터 과학자들은 COVID-19 백신 개발에 중요한 역할을 할 것입니다. 백신 개발에서 시험 및 배포 분석에 이르기까지 데이터는 예방 솔루션을 찾았는지 확인하는 열쇠가 될 것입니다. 데이터 과학자는 최초의 실행 가능한 백신을 생산하는 데있어 전통적으로 훈련 된 과학자만큼 중요합니다. 백신 개발을 가속화하려면 사람들이 해당 데이터를 관리하고 결정을 내리고 신뢰할 수 있어야합니다. 속도가 중요하다는 것을 알고 데이터 민첩성이 필요하며 새로운 자동화 시스템은 새로운 혁신을 가능하게하여 궁극적으로 백신으로 이어질 것입니다. 백신 전달을 가속화하려면 데이터 관리에있어 상당한 민첩성과 자동화가 필요합니다. – Infoworks CEO Buno Pati.

데이터가 계속해서 세계를 지배하고 있지만 조직은 여전히 ​​진정한 경쟁 우위를 위해 해당 데이터를 활용하기 위해 고군분투하고 있습니다. Citizen Data Science Movement는 데이터를 조작하고 해석하는 능력을 널리 홍보하기 위해 등장했습니다. 그러나 더 나은 방법이 있습니까? 시스템 어딘가에있는 해석되지 않은 원시 데이터가 그다지 도움이되지 않는다는 점을 감안할 때 사람들을 수정하는 것보다 단순히 비즈니스 의미를 데이터에 가져오고 데이터를 복구하는 것이 더 현명하고 (쉽고) 수월하지 않을까요? – Kendall Clark, Enterprise Knowledge Graph Platform 개발자의 설립자 겸 CEO, 스타 독

데이터 과학을위한 아키텍처의 상승세를 보게 될 것입니다. 많은 IT 그룹이 비즈니스 인텔리전스와 민첩성을 향상시키기 위해 데이터 관리를 마스터하는 것이 가장 중요합니다. 이러한 이유로 데이터 과학 (인공 지능, 머신 러닝, 자동화, 데이터 레이크 등이 번성하는 우산)은 2021 년에 엄청난 성장을 보일 것입니다. 데이터 기반 행동 분석에서 식료품 쇼핑 전환, 클라우드에서 강력한 컴퓨팅 활용, 미디어 제작 모델을 개선하면 데이터 과학이 많은 사람들이 경쟁력을 유지하는 데 앞장설 것입니다. 자체 프로비저닝 비용이 너무 많이 들기 때문에 이러한 기업 중 상당수는 구독 모델을 사용하여 데이터 과학 프로젝트를 제 XNUMX 자에게 아웃소싱합니다. — Dustin Milberg, 클라우드 서비스 현장 CTO 인터비전

파이프 라인을 자동화하여 데이터 과학자의 잠재력을 최대한 발휘하십시오 : 데이터 과학자는 데이터 준비, 기능 엔지니어링 및 모델링과 같은 작업으로 너무 바쁘다. 이러한 작업이 이러한 단계를 자동화하는 데 도움이되는 도구로 보강됨에 따라 데이터 과학자가 일상적인 작업을 귀중한 리소스로 만드는 더 심도 있고 전략적인 접근 방식에 소요되는 시간으로 교환하는 것을 보게 될 것입니다. 임시 분석을보다 효율적으로 반복 할 수 있도록 비즈니스 AI 솔루션을보다 체계적으로 구현할 것으로 기대합니다. – Justin Silver, Ph.D. AI 전략가 전문가

깊은 학습

신생 기업 및 기업에서 딥 러닝 기반 엔터프라이즈 솔루션의 채택은 점진적으로 증가 할 것입니다. 주요 장애는 계속해서 GPU 인스턴스 조달 비용과 고비용 인적 자원입니다. – Sundeep Reddy Mallu, 분석 책임자 문법

우리 모두가 최근 몇 년 동안 목격했듯이 자연어 처리의 연구 개발은 BERT, GPT-3 등과 같은 Transformer 언어 모델의 획기적인 발전으로 빠르게 진행되었습니다. 최첨단 성능을 달성하는 동안에는 대규모 데이터 세트가 필요합니다. 그리고 상당한 탄소 발자국을 가진 교육 및 추론을위한 많은 양의 계산 리소스. 우리는 새로운 모델 아키텍처와 훈련 기술로 더 많은 노력과 연구가 나오는 것을 보게 될 것입니다. 이러한 혁신을보다 쉽게 ​​접근 할 수 있도록 공간과 계산 효과적인 모델을 통해 탄소 배출 문제, 매우 긴 훈련 시간에 대한 문제를 해결합니다. Fast Attention을 가진 Performers와 같은 최신 모델은 이러한 방향으로 나아가는 촉매제가 될 것입니다. – Kavan Shukla, 데이터 과학자, 핀 AI

하드웨어

하드웨어와 소프트웨어는 AI 관련 하드웨어의 부상과 함께 수렴합니다. Apple의 M1 칩 발표에서 알 수 있듯이 특수 제작 된 하드웨어가 주류가되고 있습니다. 이는 사람들이 데이터 과학자를 포함하여 이전보다 작업중인 실제 하드웨어에 대해 더 많이 생각하기 시작할 것임을 의미합니다. ML 관련 하드웨어의 증가는 성능 향상으로 이어질 수 있지만 모델 배포에 또 다른 변수를 제공합니다. 특히 클라우드 및 모바일 환경에서 영향을 미칠 것입니다. 이를 통해 전통적으로 하드웨어와 소프트웨어 사이에 존재했던 장벽을 허물고 AI 사용 사례를 주도 할 것입니다. — Kevin Goldsmith, CTO, 아나콘다

2012 년 이후 AI 컴퓨팅 파워는 무어의 법칙의 5 배 속도로 약 3.5 개월마다 두 배로 증가했습니다. 우리의 일상 생활에 영향을 미치는 AI 엔진 위에 구축 된 애플리케이션의 수가 증가함에 따라 (예 : 기후 변화 모델링 및 해결) 인류 전체에 중요한 일부는 이러한 성능 확장 불일치에 대한 해결책을 찾는 것이 모든 심각한 팹리스 및 칩 제조 회사의 우선 순위 목록. 무어의 법칙이 인식되는 방식의 변화에 ​​대한 필요성은 2021 년에 더욱 분명해질 것입니다. 최근 추세는 매년 성능 향상을 위해 더 효율적인 소프트웨어를 작성하는 것에 대해 이야기하는 것이 었습니다. 근본적으로 새로운 알고리즘의 개발이 일정에 따라 이루어질 수 없으므로 기존의 반도체 틱톡 (tick-tock) 발전 일정과 호환되지 않기 때문에 이것은 위험한 내기입니다. 기본 컴퓨팅 기술도 개선되어야합니다. 우리는 내년에도 변화와 개선을 계속 볼 것입니다. – Nick Harris, CEO 겸 공동 설립자 가벼운 문제

인 메모리 컴퓨팅

COVID-2021 및 더 엄격한 규정에 의해 가속화 된 19 년 기업은 급성장하는 온라인-디지털 경제에서 번창하기 위해 데이터 변환 이니셔티브를 계속 추진할 것입니다. 기업은 데이터 기반 운영을 최적화하고 새로운 서비스와 애플리케이션을 신속하게 도입하기 위해 초고속, 클라우드 민첩성 및 운영 분석을 채택 할 것입니다.

디지털 통합 허브라고도하는 클라우드 네이티브 데이터 패브릭을 기반으로하는 기술 솔루션을 사용하면 조직이 레거시 기록 시스템 및 데이터베이스에서 오프로드 및 분리하여 디지털 및 분석 요구 사항을 충족하고 클라우드로 마이그레이션 할 수 있습니다. 기존의 미션 크리티컬 시스템에서 완전히 분리해야합니다. 분석 및 BI를위한 인 메모리 속도 및 규모의 도입은 새로운 데이터의 실시간보고 및 시각화를 촉진하고 ML 모델이 대출 승인, 사기 분석 및 고객과 같은 온라인 서비스에 대해보다 정확한 실시간 데이터를 활용할 수 있도록합니다. 360 기능. AIOps는 또한 복잡한 데이터 및 분석 작업을 자동화 및 간소화하고, 시장 출시 시간을 단축하고, 인적 오류를 최소화하는 동시에 비용을 낮추기 위해 집중적으로 배치 될 것입니다. – Adi Paz – CEO – 기가 스페이스 

2020 년 COVID-19 대유행으로 인해 많은 비즈니스, 특히 음식 배달, 전자 상거래, 물류, 원격 액세스 및 협업 서비스 분야의 비즈니스가 웹 사이트 방문자의 급증에 직면하여 높은 애플리케이션 성능을 유지하기 위해 인프라를 대폭 확장하고 업그레이드했습니다. 배송 요청, 판매 거래, 비디오 스트리밍 등. 이러한 비즈니스 중 상당수는 성능을 유지하거나 개선하는 동시에 애플리케이션 처리량을 증가시키는 가장 빠른 접근 방식이 Apache Ignite와 같은 인 메모리 컴퓨팅 플랫폼을 사용하여 구축 된 분산 형 인 메모리 데이터 그리드 (IMDG)를 배포하는 것임을 발견했습니다. 큰 수정없이 기존 응용 프로그램과 디스크 기반 데이터베이스 사이에서. IMDG는 RAM에 애플리케이션 데이터를 캐싱하고 분산 된 서버 노드 클러스터에 MPP (대규모 병렬 처리)를 적용하여 성능을 향상시킵니다. 또한 분산 아키텍처가 새 노드를 추가하는 것만으로 클러스터의 컴퓨팅 성능과 RAM을 늘릴 수 있기 때문에 용량을 확장 할 수있는 간단한 경로를 제공합니다.

 2021 년에는 IMC 플랫폼을 사용하기가 더 쉬워지고 지식이 풍부한 IMC 실무자 수가 계속해서 빠르게 증가 할 것입니다. 이를 통해 IMC 채택은 더 많은 산업과 더 넓은 회사 풀로 확산 될 수 있습니다. 결과적으로, 더 많은 기업이 COVID의 요구에 대한 대응뿐만 아니라 전염병 위협이 완화됨에 따라 새로운 전략 및 경쟁 요구를 충족하기 위해 신속한 애플리케이션 가속화를 위해 IMC를 활용할 수있는 더 나은 위치에있을 것입니다. – Nikita Ivanov, CTO 겸 GridGain 설립자 시스템은

만약 IoT

기업의 IoT 채택은 그 어느 때보 다 뜨거워 질 것입니다. 대유행이 비즈니스에 미치는 영향에 비추어 기업은 2021 년에 의사 결정 속도를 높일 수있는 새롭거나 추가적인 방법을 모색 할 것입니다. IoT가 여기에서 역할을 할 수 있습니다. BI 관점에서 볼 때 과제는 IoT에 시간 경과에 따른 성능과 같이 수용해야하는 다양한 데이터 모델이 있음을 인식하는 것입니다. 데이터 생산과 운영 사이의 지연 시간을 줄이는 것이 중요합니다. 가장 현명한 조직은 단순히 여기에 돈을 쓸 수는 없지만 사려 깊은 통찰력을 공유하는 새로운 데이터 모델을 생성하기 위해 전략적이어야한다는 사실을 깨닫게 될 것입니다. – Eric Raab, SVP, 엔지니어링 및 제품, 정보 빌더

전염병은 기업이 운영에서 더 많은 유연성, 가시성 및 효율성을 가질 수있는 솔루션으로 인더스트리 4.0 혁신을 완료해야하는 필요성을 크게 가속화했습니다. 머신 러닝, 머신 비전 및 고급 분석을 포함한 AI에서 이러한 요구 사항을 해결하는 데 도움이되는 솔루션 채택이 가속화 될 것입니다. 경제가 회복됨에 따라 광범위한 플레이어 에코 시스템이 이러한 솔루션을 배포 할 수 있도록 더 많은 IT 기능을 갖춘 기본 OT 인프라에 대한 투자를 계속 볼 것이며 4.0 년에 인더스트리 2021 채택이 크게 증가 할 것입니다. – Christine Boles, VP , IoT Group 및 GM, Industrial Solutions Division, 인텔

엣지 컴퓨팅의 폭발 : 소비자와 기업의 컴퓨팅 증가와 속도 요구로 인해 데이터 센터 산업 전반에 걸쳐 엣지 컴퓨팅이 계속해서 증가 할 것입니다. 지연 시간이 짧은 네트워크는 컴퓨팅 처리량을 최대화하고 서버 유휴 시간을 줄이는 환경에서 매우 중요합니다. – Timothy Vang, Ph.D., 마케팅 및 애플리케이션 담당 부사장 셈 테크 신호 무결성 제품 그룹

Edge는 새로운 클라우드 : 2021 년에 스마트 팩토리 이니셔티브를 확장하는 기업의 경우 비즈니스 성과를 보장하기 위해 미션 크리티컬 워크로드의 실시간 가용성이 필요합니다. 에지 컴퓨팅은 작업이 이루어지는 곳 (예 : 모터, 펌프, 발전기 또는 기타 센서)에서 실시간 데이터 처리를 가능하게하여 기존 클라우드 인프라를 보완합니다. 에지에서 클라우드까지 통합 분석을 구현하면 이러한 기업이 디지털 시스템에 대한 투자 가치를 극대화하는 데 도움이됩니다.

업계는 더욱 분산 된 컴퓨팅 환경으로 계속 이동하고 에지는 디지털 혁신 이니셔티브에 상당한 가치를 추가 할 것입니다. 에지 기능을 기존 클라우드 인프라와 통합함으로써 조직은 물류 IT 고려 사항에 대해 걱정하지 않고 대신 스마트 머신에서 가능한 것을 재고하는 데 초점을 맞출 것입니다. 어떤 질문에 더 빨리 대답 할 수 있습니까? 어떤 새로운 문제를 해결할 수 있습니까? 어떻게 운영을 더 잘 보호 할 수 있습니까? 분석가들은 2022 년까지 99% 이러한 이유로 산업 기업의 엣지 컴퓨팅을 활용할 것입니다. – 로크웰 오토메이션의 디지털 혁신 부사장 Keith Higgins

크리에이티브 마인드가 IoT를 추진합니다 : IoT 및 스마트 제품 개발은 마이크로 프로세서의 기술적 개선이 느리기 때문에 칩 제조업체가 물리적으로 가능한 한계에 맞서기 때문에 이러한 장치가 얼마나 얇을 수 있는지에 대한 이론적 한계에 가까워 지므로 창의적인 디자인과 사려 깊은 솔루션에 달려 있습니다. 있다. Post-Moore 's Law 제품 개발은 단순히 차세대 강력한 칩셋에 의존하는 대신 엔지니어와 디자이너의 독창성에 의존하여 비즈니스 및 사회 문제를 해결하고 일상적인 소비자 프로세스를 개선하는 상상력이 풍부한 솔루션을 만들 것입니다. – Sam Mahalingam, CTO, Altair

기계 학습

IT 운영에 대한 투자 비용은 기본 워크 플로 자동화에서 디지털 운영이되기위한 기본 AI / ML 솔루션으로 전환 될 것입니다. 워크 플로우 운영과 각각의 자동화는 기술이 더욱 강력 해짐에 따라 AI / ML 솔루션을 포함하도록 자연스럽게 진화 할 것입니다. AI와 ML은 기업이 더 많은 데이터를 수집하고 조직 및 관리 작업을 이동함에 따라 워크 플로 자동화를 발전시키고 개선하고 있습니다. – Shiva Ramani, CEO 아이오펙스

기업은 수동 프로세스를 자동화하고 모니터링 기능을 향상시키는 기계 학습 기술을위한 새로운 애플리케이션을 찾을 수 있습니다. 기업은 IT 지출 전반에 걸쳐 더 심층적 인 모니터링, 더 많은 자동화 및 부가가치 정보를 제공하는 제품을 찾을 것입니다. 예를 들어, 애플리케이션 인식 모니터링과 구성 및 관리 작업의 자동화를 제공하는 가용성 솔루션은 기존의 장애 조치 솔루션보다 우선 순위가 높습니다. HA의 새로운 혁신은 IoT 장치와 그 종속성으로 인해 발생하는 장애 및 재해의 증가하는 복잡성을 처리하기 위해 나타날 것입니다. – Cassius Rhue, VP, 고객 경험, SIOS 기술

역사적으로 알고리즘은 기계 학습과 신경망에 관한 것이 었습니다. 우리는 이제 인간 두뇌의 잠재 의식 부분과 놀랍도록 유사한 방식으로 스스로를 가르치고 훈련 할 수있는 자 급식 기계를 점점 더 많이보고 있습니다. 즉, 뇌의 분석적 부분을 모방하는 데 사용되는 알고리즘입니다. 이제 그들은 우리가 상식, 직감, 직관이라고 부르는 인간 두뇌의 가장 크고, 가장 강력하고, 가장 흥미로운 부분을 모방하고 있습니다. 오늘날의 비지도 기계 알고리즘은 인간을 교육하고 가르치는 데 의존하는 대신 막대한 양의 데이터를 수집하고, 세계의 사진을 만들고, 인간이 만든 것과 매우 유사한 추론을 할 수 있습니다. 우리는 컴퓨터가 스스로 훈련 할 수있는 세상에오고 있습니다. – Mark Gazit, ThetaRay CEO

편향 감소 : 올해 AI 알고리즘의 편향 및 완화와 알고리즘 기반 개인화의 사회적 영향을 해결하는 방법에 대해 필요한 많은 대화가있었습니다. 그러나 우리는 ML 시스템의 결과에 대한 통찰력을 제공하고 편향을 드러내며 시간이 지남에 따라 배포 된 모델의 드리프트를 확인하는 도구를 계속 개발해야합니다. 이는 우리가 유해한 편견의 원인을 영속화하거나 생성하지 않도록하기 위해 더 많은 시스템이 생산에 투입됨에 따라 더욱 중요해졌습니다. — Kevin Goldsmith, CTO, 아나콘다

기업은 수동 프로세스를 자동화하고 모니터링 기능을 향상시키는 기계 학습 기술을위한 새로운 애플리케이션을 찾을 수 있습니다. 기업은 IT 지출 전반에 걸쳐 더 심층적 인 모니터링, 더 많은 자동화 및 부가가치 정보를 제공하는 제품을 찾을 것입니다. 예를 들어, 애플리케이션 인식 모니터링과 구성 및 관리 작업의 자동화를 제공하는 가용성 솔루션은 기존의 장애 조치 솔루션보다 우선 순위가 높습니다. HA의 새로운 혁신은 IoT 장치와 그 종속성으로 인해 발생하는 장애 및 재해의 증가하는 복잡성을 처리하기 위해 나타날 것입니다. – Cassius Rhue, VP, 고객 경험, SIOS 기술

기계 학습의 초기 성공으로 인해 프로그램 확장에 박차를 가한 조직은 빠르게 움직이는 고품질 데이터 세트의 생산 라인이 이러한 확장의 원동력임을 발견하고 있습니다. 이는 데이터 엔지니어링 팀의 최우선 순위로 데이터를 서비스로 끌어 올릴 것입니다. – Luke Han, 공동 창립자 겸 CEO, 카일리전스

ML을 신뢰하고 운영하는 능력은 2021 년 생존을위한 리트머스 테스트가 될 것입니다. 대유행과 경기 침체에 더해, 우리는 기하 급수적으로 증가하는 데이터 양과 끊임없이 증가하는 신기술의 복잡성과 씨름하고 있습니다. 기업이 대규모 데이터 합계와 기술적 복잡성을 이해하는 데 성공하려면 설명 가능하고 이해하기 쉬운 방식으로 기계 학습 모델을 활용하고 운영해야합니다. 더 이상 모델을 프로덕션으로 가져 오는 데 집중하는 것만으로는 충분하지 않습니다. 이제 비즈니스 사용자와 의사 결정권자에게 모델을 제공하는 데 중점을 두어야합니다. 그러나 운영을 위해서는 비즈니스 잠재력에 의미있는 영향을 미치는 모델의 능력을 신뢰하고 이해를 도출하고 커뮤니케이션 할 수 있어야합니다. 2021 년에는 AI 기반 통찰력에서 행동을 이끌어 낼 수있는 정도까지 모델을 신뢰하는 기업의 능력이 생존 능력을 결정하게 될 것입니다. – Cloudera 기계 학습의 선임 제품 마케팅 관리자, Santiago Giraldo

모든 규모와 모든 단계의 기업은 기계 학습 작업을 운영하기 위해 공격적으로 움직이고 있습니다. 게임을 주도하는 Tensorflow 및 PyTorch를 포함하여 모델 학습을위한 몇 가지 인기있는 프레임 워크가 있습니다. Apache Spark가 데이터 변환 작업의 리더로 간주되고 Presto가 대화 형 쿼리를위한 선도 기술로 부상하는 것처럼, 2021 년은 선두 주자가 pyTorch 또는 Tensorflow를 선도적 인 경쟁자로 삼아 더 넓은 모델 교육 공간을 지배하는 해가 될 것입니다. – Haoyuan Li, 설립자 겸 CEO, 알룩시오

ML / AI의 누락 된 부분 인 SaaS 변경 데이터 : 인공 지능 및 머신 러닝에 중점을 둔 조직은 시간이 지남에 따라 인과 관계 변화 패턴을 파악하기 위해 ML 알고리즘에 입력 할 수있는 의미있는 교육 데이터 세트에 계속 갈망 할 것입니다. 이를 위해 타사 클라우드 / SaaS 애플리케이션의 끊임없이 변화하는 데이터 세트를 이러한 알고리즘에 대한 입력으로 사용합니다. 이로 인해 시간이 지남에 따라 해당 데이터의 모든 변경 사항을 DataOps 에코 시스템으로 캡처하고 수집해야하는 압력이 발생합니다. – Joe Gaska, CEO 그락스

AI와 ML이 수행하는 역할은 ID 인텔리전스가 최전방에 등장함에 따라 확장됩니다. 인증의 미래의 전환점에 도달함에 따라 사용자는 온라인에서 디지털 신원을 보호 할 때 보안에 대해 점점 더 인식하고 있습니다. 신원 확인은 점점 더 상황에 맞게 될 것이며 AI는 규칙 기반 시스템이 단순히 제공 할 수없는 접근의 동적 위험을 결정하는 역할을 확대 할 것입니다. 감독 및 비지도 딥 러닝, 강화 학습 및 유전 알고리즘은 사전 정의 된 추론 모델을 적용 할뿐만 아니라 보안 솔루션이 변화하는 기업 행동에 적응하고 위협을 접하고 완화 할 때 다른 회사로부터 학습 할 수 있도록합니다. 내장 알고리즘으로 딥 페이크를 방지하고, 빅 데이터에서 가치를 도출하고, 강력한 분석을 통해 의사 결정을 유도하는 것은 ID 인텔리전스에서 핵심적인 역할을 할 것입니다. – Rajesh Ganesan, 부사장, ManageEngine의 (Zoho Corp.의 사업부)

로보틱스

새해를 맞이하여 사람들을 가까운 곳에 두지 않을 필요가 있으므로 자연스럽게 자동화에 대한 상당한 투자를 보게 될 것입니다. 그러나 아마도 처음으로 로봇 공학은 더 어렵고 전략적인 것이 아니라 평범하고 단순한 인간 작업을 수행 할 것입니다. 우리는 로봇이 가장 정밀한 미세 수술을 수행하도록 훈련 된 로봇과 같은 많은 복잡한 응용 분야에서 인간을 돕는 것을 보았습니다. 이제 로봇은 이전에 직접 만나야했던 필수 작업자가 원격으로 작업 할 수있는 작업을 수행하기 시작할 것입니다. 예를 들어 증강 현실과 가상 현실에 더 많은 투자를하면 사무실과 공장을 돌아 다니는 원격 작업자가 제어하는 ​​로봇 경비원을 보게 될 것입니다. 원격 작업자는 드론을 원격으로 제어하여 창고에서 상자를 집고 포장 할 수 있습니다. 2021 년 혁명은 로봇 화 될 것입니다. – Ahson Ahmad, 최고 제품 및 고객 책임자, 립 코드

보안

Deepfakes는 비즈니스 무결성에 중대한 위협이 될 것입니다. COVID-19는 대면 커뮤니케이션을 가상으로 만들었습니다. 즉, 기업은 그 어느 때보 다 회의를 수행하기 위해 화상 회의에 의존하고 있습니다. 딥 페이크의 개념은 새로운 것이 아닐 수 있지만 점점 정교 해지고 생성하기가 훨씬 쉬워지고 있습니다. 예를 들어 ThisPersonDoesNotExist.com은 AI를 활용하여 실생활에 존재하지 않는 사람의 완전히 믿을 수있는 이미지를 생성합니다. 이 프로세스를 비교적 적은 정보로 수행 할 수 있다면 해커는 직원의 이름과 사진이 자동으로 연결된 화상 회의 기술에 사용되는 작업 프로필을 활용하여 설득력있는 가짜를 만들 수 있습니다. – James Carder, 최고 보안 책임자 로그 리듬

예측 : 사기 탐지가 더 어려워 짐에 따라 ML 사기 모델은 강화되지만 더 많은 최신 데이터 세트 사용 : 사기 위험을 결정하기 위해 회사는 일반적으로 머신 러닝 (ML)을 훈련하기 위해 미래를 대표 할 것으로 생각되는 과거 거래 데이터 세트를 사용합니다. 모델. 그러나 COVID-19가 소비자 데이터 및 행동에 미치는 막대한 영향은 과거 데이터가 더 이상 미래를 대표하지 않기 때문에 단절을 초래했습니다. 이로 인해 많은 조직이 실적이 좋지만 새로운 사기 패턴을 포착하지 못하는 부족한 모델을 사용하거나 수동 검토 대기열이 넘치거나 더 많은 지불 거절 및 사기와 같은 많은 놀라움을 유발하는 과적 합 모델을 사용하게되었습니다. 또한 많은 기업들이 ML 사용에서 인간의 직관에 더 의존하는 규칙 기반 모델 및 수동 검토로 전환했습니다. 2021 년에 기업은 이러한 새로운 행동 패턴에 대한 이해를 활용하여 더 강력한 ML 모델을 다시 구축 할 수 있습니다. 그러나 성공하려면 최신 데이터를 사용하고 모델을 구축 할 때 발생하는 것을 취하고 진행 상황을 평가해야합니다. – Arjun Kakkar, 전략 및 운영 담당 부사장 에 카타

인공 지능은 새로운 보안 위협을 생성했으며, 그중 가장 큰 것은 딥 페이크 일 수 있습니다. 딥 페이크는 인공 지능 기술을 사용하여 현실을 모방하는 가짜 오디오, 비디오 또는 이미지입니다. 딥 페이크는 딥 페이크 사기와 같은 잘못된 손에 심각한 결과를 초래할 수 있습니다. 아직 이러한 공격을 많이 보지 못했지만 2019, 사기꾼은 딥 페이크 오디오를 사용하여 영국에 본사를 둔 에너지 회사에서 200,000 만 달러 이상을 훔쳤습니다. 그리고 원격 작업 환경에서 사기꾼에게 공격을 수행하기 위해 더 많은 탄약을 제공하는 2021 년은 기술이 실시간 오디오 녹음을 공개하고 기업은 사기를 당하지 않도록 경계해야하는 해가 될 것입니다. 기업은 의심스러운 전화 통화를 경계해야하며 발신자가 자신이 주장하는 사람임을 확인하지 않고 돈을 보내거나 민감한 정보를 공유해서는 안됩니다.

또한 기본 사이버 보안 도구 및 프로토콜을 설정하면 사기꾼이 처음에 딥 페이크 이미지와 오디오를 생성하는 데 필요한 민감한 정보에 액세스하는 것을 방지 할 수 있습니다. 사이버 보안 연구자들은 딥 페이크 콘텐츠를 탐지하는 도구를 연구하고 있지만 그때까지는 기업이 속지 않도록 직관과 기존 사이버 보안 도구에 의존해야합니다. – Terry Nelms, PhD, 연구 담당 선임 이사, 핀 드롭

데이터 침해의 유입과 Big Tech의 개인 데이터 악용으로 인해 소비자 데이터 프라이버시는 2021 년 이후에도 계속해서 큰 초점이 될 것이며, 소비자 권리를 보호하고 기업에 대한 벌금을 부과하는 더 많은 법률이 도입 될 것으로 예상 할 수 있습니다. 무책임한 데이터 사용. 점점 더 경쟁이 치열 해지는 비즈니스 환경에서 신뢰를 쌓고 고객 경험을 개선하기 위해 더 많은 조직이 앞으로 소비자에게 개인 데이터에 대한 소유권과 제어 권한을 부여 할 것입니다. 윤리적이고 규정을 준수하며 개인 정보를 보호하는 원칙을 미래에 맞춰 확장 할 수 있도록 구축 된 기술 인프라와 결합함으로써 사회는 데이터의 가치가 개인과 기업 모두에게 혜택을주는 시스템으로 이동할 것입니다. – James Kingston, Dataswift의 연구 및 혁신 파트너십 부사장, AI 연구원 및 HAT-LAB 이사.

데이터 보안 거버넌스는 위협 완화를위한 필수 구성 요소입니다. 최근까지 대부분의 데이터 거버넌스 프로그램은 보안에 대해 많이 고려하지 않고 데이터 흐름과 분석에 중점을 두었습니다. 새로운 데이터 개인 정보 보호법 및 규정으로 인해 CDO, CFO, CISO 및 DPO와 같은 데이터 이해 관계자가 데이터 보안을 데이터 거버넌스 노력의 필수 구성 요소 중 하나로 만들도록 강요했습니다. 그러나 단일 벤더 제품이 필요한 모든 데이터 보안 거버넌스 제어를 구현할 수 없기 때문에 데이터 보안 거버넌스는 복잡합니다. 2021 년에는 기업이 점점 더 많은 데이터를 수집하고 처리함에 따라 정보를 신속하게 통합하는 방법을 찾아야합니다. 따라서 전체 조직은 동일하고 신뢰할 수 있고 안전한 정보를 확보하고 있습니다. 다음으로, 기업은 필요한 개인 정보 보호 제어가있는 데이터 보호 시스템을 통해 데이터 소스를 구현하고 관리해야하므로 데이터 위협이 완화됩니다. 이러한 단계를 통해 미래의 비즈니스 및 재정적 위험을 최소화 할 수 있습니다. – Anne Hardy, Talend의 CISO

AI는 외딴 세상에서 보안을 강화하는 데 핵심이 될 것입니다. ㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ ㅇㅇㅇ 보안은 디지털 전환 여정에 착수 한 모든 조직의 최고 경영진에게 가장 중요하지만 그 중요성은 전염병에 의해 가속화되었습니다. 직원들이 원하는 곳에서 원격으로 작업 할 수있는 유연성을 갖기 때문에 전 세계에 흩어져있는 수많은 엔드 포인트로 인해 취약성이 증가합니다. 2021 년 이후에 보게 될 주요 트렌드는 AI를 보안 조치에 적용하는 것입니다. 인간만으로는 각 엔드 포인트를 모니터링, 제어 및 확인하여 현대 기업을 적절하거나 효율적으로 보호 할 수 없기 때문입니다. 보안 리더 (특히 Fortune 500 대 기업)가 지금 AI로 보안을 강화하기 위해 시간과 재정적 투자를하지 않는다면, 그들은 미래에 해커의 표적이되어 데이터를 보호하기 위해 출격 할 것으로 예상 할 수 있습니다. -Scott Boettcher, VP, 엔터프라이즈 정보 관리, NTT 데이터 서비스

스토리지

레거시 NAS는 AI를 위해 죽었습니다. PCIe Gen4의 도입으로 I / O 속도는 이제 CPU 코어 진화에서 완전히 분리되었습니다. 레거시 NFS 공급자는 응용 프로그램 서버의 단일 CPU 코어 기능에 의해 속도가 제한되는 단일 스트림 TCP를 사용합니다. PCIe Gen4는 2021 년 애플리케이션의 최대 I / O 성능을 두 배로 늘리는 반면 CPU 코어는 더 이상 단일 코어 I / O 성능을 똑같이 두 배로 늘릴 수 없습니다. 머신 러닝 및 딥 러닝과 같은 애플리케이션의 경우 AI 시장보다 단일 호스트 IO가 더 많이 집중되어 있지 않습니다. 이를 해결하기 위해 고객은 NVIDIA의 GPUDirect 스토리지와 마찬가지로 멀티 스레딩, RDMA 및 CPU 우회 기능을 모두 지원하는 솔루션을 찾을 것입니다. GPU 및 AI 프로세서를 지속적으로 공급하고 효율적으로 유지해야한다는 요구는 기존 TCP 기반 NAS의 I / O 기능을 크게 능가 할 것이며, 고객은 2021 년에 기존 NAS에서 완전히 벗어나게 될 것입니다. – Renen Hallak, VAST Data의 설립자 겸 CEO

오브젝트 스토리지는 아카이브에만 사용된다는 신화를 깨뜨립니다. 오브젝트 스토리지는 백업 및 아카이브 스토리지 솔루션으로 가장 잘 알려져 있지만 2021 년에는 세 가지 추세가 이러한 인식을 확대 할 것입니다. 첫째, 플래시 기반 오브젝트 스토리지는 용량 요구 사항이 높은 데이터 분석 워크로드에서 선호 될 것입니다. 둘째, S3 호환 스토리지는 Kubernetes 배포를 단순화하여 최신 애플리케이션을위한 논리적 선택입니다. 셋째, 클라우드 네이티브 애플리케이션이 점점 더 온 프레미스에 배포되어 애플리케이션 이식성을 향상시키기위한 온 프레미스 S3 호환 스토리지의 필요성이 증가 할 것입니다. 결과적으로 더 많은 조직이 객체 스토리지를 사용하여 AI, ML 및 데이터 분석과 같은 컴퓨팅 집약적 인 사용 사례를 지원하여 "저렴하고 깊은"신화를 단번에 깨뜨릴 것입니다. – Jon Toor, CMO 구름

조직은 이제 방대한 양의 기계 학습 및 IoT 데이터를 수집하고 있습니다. 회사가 운영 및 성공을 위해 데이터 수집 및 분석에 의존하는 경우 해당 데이터가 완전히 백업되지 않고 쉽게 복구 할 수없는 경우 어떻게됩니까? 대부분의 회사는 주로 데이터 분석에 대해 생각하고 데이터 백업 또는 보안에 대해서는 훨씬 덜 생각합니다. 그러나 데이터가 분석에서 프로덕션 환경으로 점차 이동함에 따라 보호가 중요해집니다. 최첨단 스토리지 도구는 데이터 백업 프로세스를 자동화하기 위해 점점 더 AI와 머신 러닝에 의존하고 있습니다. 급증하는 엔터프라이즈 데이터의 크기를 감안할 때 이러한 지능형 도구는 변화하는 요구 사항에 빠르고 쉽게 대응할 수있는 효율적인 백업 프로세스를 유지하면서 수동 백업 시간을 엄청나게 절약하는 데 필수적이 될 것입니다. – Shridar Subramanian, CMO 스토리지크래프트

업종

공급망 프로세스를 개선 할 수있는 AI의 잠재력은 최소 5 년 동안 기업의 초점 영역 이었지만 COVID-19로 인한 중단 이후 많은 공급망 분석가와 기업은 가능한 솔루션으로 AI에 관심을 돌 렸습니다. 그들의 비애. 67% 의 기업이 전염병을 극복하는 데 도움이되는 일부 기술 솔루션에 투자했습니다. 60% 의 산업 기업은 특히 AI를 찾고 있습니다. 그러나 AI 모델은 데이터를 기반으로합니다. AI 모델의 정확성, 범위 및 기능은 전적으로 그 뒤에있는 훈련 데이터에 따라 다릅니다. 그러나 AI 프로그램이 데이터를 소화하려면 먼저 해당 데이터를 기계가 읽을 수있는 형식으로 구성하고 레이블을 지정해야합니다. AI를 도입하기 전에 기업은 최신 통합 기술을 활용하여 공급 업체, 파트너, 거래자 및 고객의 에코 시스템과의 상호 작용에서 AI 모델을 지원하는 형식으로 데이터를 자동으로 컴파일해야합니다.

PrimeXBT 결제
AC Milan의 공식 CFD 파트너와 거래
암호 화폐를 거래하는 가장 쉬운 방법.
출처 : https://www.fintechnews.org/big-data-industry-predictions-for-2021/