Prognozy branży Big Data na rok 2021 – Plato Data Intelligence

By Daniel Gutierrez

Rok 2020 był rokiem od wieków, obfitującym w wiele wyzwań krajowych i globalnych. Ale branża big data ma znaczną inercję w 2021 roku. Aby dać naszym cenionym czytelnikom puls na temat ważnych nowych trendów prowadzących do przyszłego roku, w insideBIGDATA usłyszeliśmy od wszystkich naszych przyjaciół z ekosystemu dostawców, aby uzyskać ich spostrzeżenia, refleksje i przewidywania tego, co może nadejść. Byliśmy bardzo zachęceni, aby usłyszeć tak ekscytujące perspektywy. Nawet jeśli tylko połowa się spełni, Big Data w przyszłym roku ma być całkiem ekscytującą jazdą. Cieszyć się!

Daniel D. Gutierrez - Redaktor naczelny i rezydent Data Scientist

Analityka

„Podział analityczny” będzie się pogłębiał. Podobnie jak szeroko nagłaśniana „przepaść cyfrowa”, widzimy również pojawienie się „podziału analitycznego”. Wiele firm zostało zmuszonych do zainwestowania w analitykę z powodu pandemii, podczas gdy inne zostały zmuszone do odcięcia wszystkiego, czego nie uważały za krytyczne, aby utrzymać światło - a odpowiednia inwestycja w analitykę była dla tych organizacji, blok do rąbania. Oznacza to, że w 2021 r. Podział analityczny będzie się dalej pogłębiał i trend ten będzie się utrzymywał przez wiele lat. Bez wątpienia zwycięzcy i przegrani w każdej branży będą nadal definiowani przez te, które wykorzystują narzędzia analityczne, i przez te, które tego nie robią. - Alan Jacobson, dyrektor ds. Danych i analiz, at Alteryx

Prawdopodobnie minęły czasy fragmentarycznych rozwiązań analitycznych i raportowych, które prawdopodobnie spełniają niszowe przypadki użycia biznesowego. To jest nie do utrzymania. Firmy nie mogą mieć wdrożeń analitycznych o wysokim stopniu wydziałów, które skutkują lokalnym rozwiązywaniem problemów, a większa firma nie widzi pełnych korzyści. Obecna sytuacja zmieni się w taką, w której analizy będą przeprowadzane na wszystkich danych, do których firma ma dostęp, a możliwości tych analiz będą wdrażane we współpracy przez różne grupy interesu o różnych zestawach umiejętności (np. Nauka o danych, linii liderów biznesu) i z pełnym naciskiem na operacjonalizację spostrzeżeń analitycznych w czasie zbliżonym do rzeczywistego. Innymi słowy, koniec z fragmentarycznymi i po prostu eksperymentami naukowymi. - Sri Raghavan, dyrektor, Data Science i Advanced Analytics Product Marketing at Teradane

Analizy preskryptywne będą kluczowym elementem sukcesu transformacji cyfrowej: zaawansowane analizy są staje do głównego nurtu, ponieważ firmy coraz częściej gromadzą i analizują dane w swoich organizacjach za pomocą 35% amerykańskich producentów wdrażających zaawansowane narzędzia analityczne w ciągu ostatnich trzech lat. Aby sztuczna inteligencja miała znaczący wpływ na cały łańcuch wartości, katalizatorem optymalizacji wydajności będą analizy preskryptywne. Analizy preskryptywne staną się niezbędnym elementem skalowania sztucznej inteligencji w organizacjach, wykorzystując dane dotyczące produktów i klientów, aby doradzać modelom sztucznej inteligencji, jak usprawnić procesy, dostosować produkcję i zwiększyć wydajność. Analizy preskryptywne umożliwiają ciągłe doskonalenie za pomocą modelu sztucznej inteligencji poprzez ciągłe monitorowanie i dostosowywanie w oparciu o zmieniające się warunki. Modele preskryptywne mogą następnie umożliwiać automatyzację decyzji, w której modele mogą obrać najlepszy sposób działania w oparciu o zalecenia. Wyjście poza analitykę predykcyjną na rzecz analiz preskryptywnych ostatecznie umożliwi producentom sukces w transformacji cyfrowej w 2021 r. - George Young, globalny dyrektor zarządzający Kalypso

Rozszerzona analityka i samoobsługa staną się bardziej pożądane, biorąc pod uwagę rozproszoną siłę roboczą i głód informacji. W odpowiedzi tradycyjna analityka będzie coraz bardziej zakłócana przez sztuczną inteligencję. Wzrost rozproszonej siły roboczej spowoduje większe zapotrzebowanie na rozszerzoną analitykę, w której indywidualny użytkownik jest prowadzony przez proces tworzenia zapytań w celu uzyskania natychmiastowych odpowiedzi na pytania dotyczące danych. Obserwujemy zbieżność analityki i sztucznej inteligencji w dwóch obszarach - na poziomie infrastruktury i na poziomie analityków.

Ludzie zaczynają zdawać sobie sprawę, że mają różne potoki danych, które dostarczają dane do silnika analitycznego, i budują inny stos dla ML. Zamiast dwóch całkowicie oddzielnych stosów, widzimy ich zbieżność w infrastrukturę, która jest łatwiejsza w utrzymaniu, przy jednoczesnym zapewnieniu, że te same dane są używane do zasilania obu silników. Nastąpi druga konwergencja dotycząca „głodu” informacji i wypełnienia luki w udzielaniu odpowiedzi na pytania przy użyciu danych. Tradycyjna analityka zacznie być bardziej zakłócana przez sztuczną inteligencję. Platformy (takie jak Tableau, Power BI itp.) Zaczną być wypierane przez boty i wirtualnych asystentów, które będą miały charakter konwersacyjny. Postrzegamy to jako impuls do przyspieszenia dążenia do samoobsługi. Przewidujemy również, że NLP stanie się bardziej powszechne w 2021 r. - Scott Schlesinger, Global Data, Analytics & AI Practice Leader at ness

Granice między IT a innymi działami, w szczególności w zakresie danych i analiz, będą się zacierać. Dane i analityka mają potencjał, aby generować niezwykle pozytywne i znaczące wyniki biznesowe, a kiedy tak się dzieje, często istnieje również silna współpraca w różnych obszarach funkcjonalnych, ponieważ każdy z nich ma pewien poziom odpowiedzialności za sukces podejścia analitycznego. Obszary takie jak zarządzanie danymi, umiejętność posługiwania się danymi, platformy otwartych danych, integracja i wykorzystanie danych w różnych częściach przedsiębiorstwa umożliwią użytkownikom biznesowym wykonywanie zadań tradycyjnie zarezerwowanych dla zespołów IT, a dane generowane przez jednostki biznesowe będą wprowadzane do platform zarządzanych przez dział IT. To - w połączeniu z niedoborem analityków danych i specjalistów od analityki - oznacza również, że platformy danych staną się bardziej płynne i łatwiejsze do wdrożenia, tak aby wszystkie części organizacji mogły z nich korzystać. - Frances Zelazny, dyrektor ds. Marketingu Analiza sygnałów

W pierwszej dekadzie XXI wieku umieszczenie pakietu Microsoft Office w CV mogło uczynić z Ciebie dobrego kandydata do pracy, ale dekadę później uznano tę umiejętność za oczywistą. W dzisiejszych czasach biegłość w SQL może sprawić, że będziesz się wyróżniać, ale co stanie się w nadchodzących latach?

Wraz ze wzrostem umiejętności korzystania z danych umiejętności analityczne staną się normą dla wszystkich profesjonalistów biznesowych i zaczną znikać z życiorysów kandydatów. Tak jak jest mało prawdopodobne, aby dziś zobaczyć „biegłość w pracy w biurze”, tak samo jest mało prawdopodobne, aby zobaczyć „biegłość w zakresie danych” do końca dekady. Weszliśmy w trzecią falę analiz, a wraz z nią oczekiwanie, że użytkownicy biznesowi będą mogli wchodzić w interakcje z danymi bez pomocy eksperta. Już wkrótce, jeśli nie będziesz w stanie połączyć twardych danych z kontekstem biznesowym, aby zdefiniować i zrealizować strategię, będziesz miał problemy w miejscu pracy. Idealnym kandydatem dla firm w 2021 roku i później będzie osoba, która potrafi zarówno rozumieć, jak i mówić o danych - ponieważ za kilka krótkich lat pracodawcy będą wymagać i oczekiwać umiejętności korzystania z danych. Ci, którzy chcą iść do przodu, teraz zdobywają te talenty. - Dyrektor generalny ThoughtSpot Sudheesh Nair

Gdy firmy przenoszą swoją infrastrukturę danych do stosu sfederowanego (jeden silnik wysyła zapytania do różnych źródeł), zdezagregowanego (obliczenia są oddzielone od pamięci masowej jest oddzielone od jeziora danych), zobaczymy tradycyjne hurtownie danych i ściśle powiązane architektury baz danych przeniesione do starszych obciążeń. Ale jedno pozostanie niezmienione, jeśli chodzi o tę zmianę - SQL pozostanie lingua franca dla analityki. Analitycy danych, inżynierowie danych, analitycy danych i menedżerowie produktów wraz z administratorami baz danych będą używać języka SQL do analiz. - Dave Simmen, współzałożyciel i dyrektor ds. Technologii (CTO), Ahana

Organizacje na całym świecie eskalują wykorzystanie systemów analitycznych, ale stoją przed wyzwaniem związanym z koniecznością stworzenia platform danych o zdarzeniach, które mogą przeprowadzać przepychanki w czasie rzeczywistym. W 2021 roku organizacje będą wymagać inteligentnych platform danych, które mogą wykorzystywać dane statyczne i strumieniowe z różnych źródeł w dowolnym formacie, rozmiarze i szybkości; Zarządzaj danymi (wzbogacaj i mapuj) w locie; i dostarczaj dane do systemów, urządzeń i aplikacji bezpiecznie iw czasie rzeczywistym. - Sean Bowen, dyrektor generalny Technologia push

Jedno zapytanie SQL dla wszystkich obciążeń danych. Przyszłość opiera się nie tylko na automatyzacji, ale także na tym, jak szybko i szeroko możesz udostępnić swoje analizy i udostępniać je. Analityka jasno wskazuje, jakie powinny być Twoje kolejne kroki, aby zadowolić klientów i pracowników, a nawet ratować życie. Zarządzanie danymi nie jest już luksusem, ale koniecznością - i określa, jaki sukces odniesiesz Ty lub Twoja firma. Jeśli możesz usunąć złożoność lub koszty zarządzania danymi, będziesz bardzo skuteczny. Ostatecznie zwycięzca przestrzeni usunie złożoność i koszty zarządzania danymi, a obciążenia zostaną ujednolicone, dzięki czemu można napisać jedno zapytanie SQL, aby zarządzać i uzyskiwać dostęp do wszystkich obciążeń w wielu miejscach przechowywania danych. - Raj Verma, dyrektor generalny Pojedynczy sklep

W przeszłości możliwości AI i Analytics były dostarczane przez różne platformy / zespoły. Z biegiem lat obserwujemy konwergencję platformy, a zespół AI jest bardziej skoncentrowany na stronie algorytmicznej, podczas gdy zespoły AI i platformy analitycznej połączyły się, aby zapewnić infrastrukturę oprogramowania zarówno dla analiz, jak i przypadków użycia AI. - Haoyuan Li, założyciel i dyrektor generalny, Alluxio

Jako specjaliści ds. Danych mamy obowiązek wobec szerszej publiczności. Myślę, że w ciągu najbliższego roku zobaczymy postęp w kierunku kodeksu etycznego w przestrzeni analityki danych, prowadzonego przez świadome firmy, które dostrzegają powagę potencjalnych nadużyć. Być może rząd USA zainterweniuje i przyjmie jakąś wersję własnego RODO, ale wierzę, że to firmy technologiczne będą kierować tym zarzutem. To, co Facebook zrobił z danymi o zaangażowaniu, nie jest nielegalne, ale widzieliśmy, że może to mieć szkodliwy wpływ na rozwój dziecka i nasze osobiste przyzwyczajenia. W nadchodzących latach spojrzymy wstecz na sposób, w jaki firmy wykorzystywały dane osobowe w 2010 roku, i kulimy się tak, jak robimy to, gdy widzimy ludzi palących w samolocie na filmach z lat 1960. - Jeremy Levy, dyrektor generalny orientacyjny

Emocje są kluczowym czynnikiem wpływającym na zachowania klientów i mają silny wpływ na lojalność wobec marki. Dlatego coraz bardziej przydatne jest dla firm znalezienie sposobu na zmierzenie emocji klientów podczas ich procesów decyzyjnych. Analiza emocji koncentruje się na badaniu i rozpoznawaniu pełnej gamy ludzkich emocji, w tym nastroju, postawy i osobowości. Wykorzystuje modele predykcyjne i sztuczną inteligencję do analizy ruchów ludzi, wyborów słów, tonów głosu i mimiki. Analiza emocji może pomóc firmom w budowaniu bardziej holistycznego profilu klienta, zrozumieniu, jak wpływać na emocje i opracowywaniu spersonalizowanych produktów i usług dostosowanych do indywidualnych potrzeb. Analiza nastrojów na temat produktów i usług w różnych lokalizacjach geograficznych, sieciach społecznościowych i witrynach z recenzjami umożliwia firmom lepsze zrozumienie i poprawę poziomu satysfakcji klientów. Korzystając z analizy emocji, firmy mogą lepiej zrozumieć, w jaki sposób ich marketing i usługi wpływają na emocje, aby zapewnić bardziej pozytywnie angażujące doświadczenia klientów. - Paul Moxon, starszy wiceprezes ds. Architektury danych w denodować

Uzyskanie prawidłowej analizy produktu jest trudne. Każda interakcja skutkuje mnóstwem danych, a przekopywanie się, aby znaleźć wgląd w „igłę w stogu siana”, wymaga wiele wysiłku, dyscypliny i czasu, aby to zadziałało. Te bariery wejścia oznaczają, że analiza danych jest często ograniczona do firm, które mają zasoby, przepustowość i wiedzę, aby zrobić to dobrze. Ale jest to również dyscyplina, która zyskuje na znaczeniu - jeszcze przed pandemią interakcje konsumentów z markami miały miejsce na platformach cyfrowych, a teraz są tam prawie wyłącznie. Istnieje niezliczona ilość informacji, które mogą wyjaśnić zwrot z inwestycji w każdą interakcję i bez wątpienia niektóre z nich mogą potencjalnie zmienić grę. Ale szczerze mówiąc, jesteśmy ludźmi i jeśli będziemy musieli ciężko pracować, aby uzyskać z czegoś wartość, będzie mniej prawdopodobne, że będziemy to robić konsekwentnie. Dlatego w 2021 r. Analityka zmieni się z gry reaktywnej - gromadzenia danych, które analitycy muszą następnie przeszukiwać, aby znaleźć te spostrzeżenia - w proaktywną, łączącą zespoły bezpośrednio z tymi „a-ha!”. momenty, które inspirują do natychmiastowego i świadomego działania. - Matin Movassate, dyrektor generalny i założyciel Heap

Artificial Intelligence

Gdy firmy szukają celów, aby ponownie otworzyć i odzyskać wystarczające strumienie przychodów, będą musiały wykorzystać inteligentne technologie, aby zebrać kluczowe informacje w czasie rzeczywistym, które im na to pozwolą. Przyjęcie technologii sztucznej inteligencji (AI) może pomóc firmom zrozumieć, czy ich strategie zapewniania klientom i pracownikom bezpieczeństwa sprawdzają się, jednocześnie wspierając rozwój. W miarę jak firmy rozpoznają wyjątkowe możliwości sztucznej inteligencji w ułatwianiu zarządzania polityką korporacyjną i zapewnianiu zgodności z przepisami, zapewnianiu bezpieczeństwa i ewolucji obsługi klientów, będziemy świadkami wzrostu tempa wdrażania sztucznej inteligencji w różnych branżach. - Hillary Ashton, wiceprezes i dyrektor ds. Produktów w Teradane

W 2021 roku zobaczymy, jak sztuczna inteligencja, uczenie maszynowe i IoT definiują i kształtują nasze życie i zachowania, zjawisko, które będzie trwać przez wiele lat. Te postępy mają wpływ na to, jak pracujemy, jak kupujemy, jak wydajemy, jak robimy każdą najmniejszą rzecz w naszym życiu. Ale myślę, że prawdziwą gwiazdą, do której zwrócą się firmy, będą technologie wspomagające, takie jak chmura i przetwarzanie brzegowe, które będą nadal dominować ze względu na ich zdolność do przetwarzania i zarządzania wszystkimi niezbędnymi danymi, które napędzają AI, ML i IoT, jako a także technologie wspomagające, takie jak iPaaS, APIM i RPA. Technologie te będą nadal przewodzić przedsiębiorstwom w zakresie transformacji cyfrowej, przechodząc od działalności ręcznej lub papierowej do firm cyfrowych, które w końcu mogą wykorzystać moc sztucznej inteligencji i Internetu rzeczy. - Manoj Choudhary, dyrektor ds. Technicznych w Jitterbit

Sztuczna inteligencja stanie się mniej sztuczna w 2021 roku: nawet gdy na horyzoncie pojawiła się szczepionka przeciwko COVID-19, sposób pracy i interakcji ludzi zasadniczo się zmienił. W nowym roku praca zdalna będzie kontynuowana, wymagania dotyczące dystansu społecznego pozostaną, a łańcuchy dostaw nadal będą narażone na zakłócenia. Ten nowy styl życia wymaga nowego sposobu, aby firmy mogły skutecznie kontynuować działalność w całym łańcuchu wartości - od produktu, przez fabrykę, po użytkownika końcowego. Wykorzystanie sztucznej inteligencji (AI) będzie standardem rozwiązywania tych problemów. Jednak bez rozważenia, w jaki sposób ludzie będą wchodzić w interakcje z tymi nowymi systemami autonomicznymi i jak je wykorzystywać, sztuczna inteligencja zawiedzie.

W 2021 r. Przedsiębiorstwa przyjmą zorientowane na człowieka podejście do inicjatyw w zakresie sztucznej inteligencji, rozumiejąc potrzeby i wartości użytkowników, a następnie odpowiednio dostosowując projekty i modele sztucznej inteligencji, co z kolei poprawi adopcję. Przedsiębiorstwa muszą w takim samym stopniu skupiać się na ludziach i kulturze, jak na samej technologii, aby sztuczna inteligencja odniosła sukces. Zespoły zajmujące się zarządzaniem zmianą organizacyjną (OCM) będą miały kluczowe znaczenie dla napędzania transformacji cyfrowej i sztucznej inteligencji, prowadząc ludzi w podróż do zmiany i przygotowując organizację do wymiernych rezultatów. Właściwe zarządzanie zmianą jest najważniejszym - ale przeoczonym - aspektem każdej inicjatywy w zakresie transformacji cyfrowej. - George Young, globalny dyrektor zarządzający w Kalypso

W 2021 roku przedsiębiorstwa odejdą od szybkich zwycięstw, polegając na systemach AI, aby skupić się na trwałej i znaczącej wartości biznesowej. Ta zmiana doprowadzi do głębszych inicjatyw w zakresie umiejętności korzystania z danych w organizacjach. Będzie to wymagało od ludzi uczenia się nowych umiejętności i zachowywania się w nowy sposób. - Sundeep Reddy Mallu, dyrektor ds. Analiz at Gramenera

Większość konsumentów będzie nadal sceptycznie podchodzić do sztucznej inteligencji. Ponieważ kilka dużych marek konsumenckich znajduje się w gorącej pozycji wokół wątpliwej etyki sztucznej inteligencji, większość ludzi nadal nie ufa sztucznej inteligencji. Dla wielu jest to spowodowane tym, że tego nie rozumieją, a nawet zdają sobie sprawę, że używają go codziennie. Konsumenci otrzymują tyle bezpłatnych usług opartych na sztucznej inteligencji - Facebook, Google, TikTok itp. - że nie rozumieją, z czego osobiście rezygnują - a mianowicie ze swoich danych osobowych. Dopóki opinia publiczna pozostanie naiwna, nie będzie w stanie przewidzieć niebezpieczeństw, jakie sztuczna inteligencja może wprowadzić ani sposobów ochrony siebie - chyba że rynek lepiej wyedukuje klientów lub wprowadzi przepisy, które ich chronią. Mimo to istnieją pewne dowody na to, że skręcamy za róg wiarygodności sztucznej inteligencji. Osiemdziesiąt jeden procent liderów biznesu, którzy wzięli udział w nadchodzącej ankiecie Pega, stwierdziło, że są optymistami, że stronniczość sztucznej inteligencji zostanie wystarczająco złagodzona w ciągu pięciu lat. Firmy miały większą nadzieję, że okaże się to prawdą - ponieważ więcej opinii publicznej budzi się i widzi, jak sztuczna inteligencja wpływa na ich życie, aw niektórych przypadkach odgrywa rolę ulubionych, będą nadal zadawać trudniejsze pytania, które jeszcze bardziej podkopują zaufanie do sztucznej inteligencji, zmuszając firmy do muszę im odpowiedzieć. - Vince Jeffs, starszy dyrektor - strategia produktu, marketingowa sztuczna inteligencja i podejmowanie decyzji, Pega

Cyfrowi pracownicy wykorzystujący sztuczną inteligencję pomogą firmom zachować strategię w perspektywie długoterminowej. Niewielu nie zgadza się z poglądem, że sztuczna inteligencja i automatyzacja są niezbędne dla przetrwania firm w przyszłości. Jednak badania wykazały, że większość firm nie w pełni zdała sobie sprawę z korzyści płynących z inwestycji w sztuczną inteligencję i automatyzację. Łącząc potężne możliwości sztucznej inteligencji z procesami biznesowymi za pośrednictwem cyfrowej siły roboczej, organizacje coraz częściej będą wdrażać automatyzację opartą na sztucznej inteligencji na dużą skalę. Automatyzacja oparta na sztucznej inteligencji będzie w coraz większym stopniu powiązana z podstawowymi inicjatywami strategicznymi, takimi jak lepsze ukierunkowanie na klienta, wzrost przychodów, alokacja kapitału, zarządzanie łańcuchem dostaw, zarządzanie ryzykiem, efektywność kosztowa i operacyjna i nie tylko. Cyfrowi pracownicy korzystający ze sztucznej inteligencji będą wykorzystywani jako podstawowe narzędzia do realizacji strategii korporacyjnej i zarządzania ryzykiem w skali przedsiębiorstwa. Szybkie i skuteczne wdrażanie automatyzacji będzie coraz częściej postrzegane jako niezbędny element utrzymania konkurencyjności na rynkach. - Eric Tyree, szef AI i badań w Blue Prism

Eksperymenty z AI staną się bardziej strategiczne. Eksperymentowanie odbywa się przez cały proces tworzenia modelu - zwykle każda ważna decyzja lub założenie wiąże się z przynajmniej pewnym eksperymentem lub wcześniejszymi badaniami, które uzasadniają te decyzje. Eksperymenty mogą przybierać różne formy, od budowania pełnoprawnych predykcyjnych modeli ML po przeprowadzanie testów statystycznych lub tworzenie wykresów. Wypróbowanie wszystkich kombinacji każdego możliwego hiperparametru, obsługi funkcji itp. Szybko staje się niewykrywalne. Dlatego zaczniemy widzieć, jak organizacje definiują czas i / lub budżet obliczeniowy dla eksperymentów, a także próg akceptowalności dla użyteczności modelu. - Florian Douetteau, CEO i współzałożyciel Dataiku

W 2021 roku wreszcie zobaczymy, jak sztuczna inteligencja wejdzie do głównego nurtu. W wyniku COVID-19 firmy zostały zmuszone do cyfrowej transformacji, aby przetrwać w nowej normie. Według naszych badań akceleracja cyfrowa nie wskazuje na zatrzymanie się w nowym roku, a 86% firm czerpie obecnie korzyści z lepszej obsługi klienta dzięki sztucznej inteligencji, prawdopodobnie nadal będzie. Pandemia zmieniła również priorytety biznesowe dotyczące inwestycji w sztuczną inteligencję. Na przykład widzieliśmy, jak firmy odchodzą od prostszych zadań, takich jak automatyzacja, do skupiania się na planowaniu siły roboczej i modelowaniu symulacyjnym. Ponieważ organizacje nadal dostrzegają korzyści płynące z inwestycji cyfrowych w złożone procesy, sztuczna inteligencja stanie się bardziej rozpowszechniona i szeroko stosowana w ciągu następnego roku. - Anand Rao, globalny lider sztucznej inteligencji w PwC

Konwergencja AI i BI poprawi wgląd w dane. Sztuczna inteligencja była częścią każdej korporacyjnej dyskusji w ciągu ostatnich 5 lat. A jednak wciąż istnieją wyzwania związane z demokratyzacją zaawansowanych analiz AI wśród dużych grup pracowników. Gdy pojawią się nowe produkty BI oparte na sztucznej inteligencji, silosy zostaną zerwane, a każdy użytkownik będzie mógł wykorzystać analizę danych i łatwo znaleźć spostrzeżenia. Proste interfejsy, spersonalizowane spostrzeżenia i angażujące doświadczenia z danymi staną się cechami charakterystycznymi analizy danych w 2021 roku i później. - Dhiren Patel, dyrektor ds. Produktów MachEye i dyrektor ds. Sukcesu klientów

Stronniczość rasowa w wielu algorytmach rozpoznawania twarzy opartych na sztucznej inteligencji była głównym tematem rozmów w ciągu ostatniego roku i osiągnęła punkt kulminacyjny z powodu niepokojów społecznych w 2020 r. Badania wykazały, że powszechne dowody że mniejszości rasowe były znacznie bardziej podatne na błędną identyfikację niż biali. W 2021 roku zobaczymy, że korekta stronniczości AI stanie się głównym tematem dla każdej firmy, która wykorzystuje sztuczną inteligencję lub technologię rozpoznawania twarzy. Korzystając z dokumentów wydanych przez rząd, możesz szybko i łatwo udowodnić posiadanie dowodu osobistego, analizując twarz na dokumencie i porównując ją z twarzą próbującą uzyskać dostęp do systemu. 2021 będzie rokiem, w którym stronniczość AI wyjdzie na jaw, a firmy zaczną wprowadzać radykalne zmiany w celu wyeliminowania uprzedzeń rasowych w swoim oprogramowaniu - z których część można zrobić, kładąc celowy nacisk na uczciwość i szkolenie systemu ML firmy w celu zmniejszenia rasowej twarzy. błędy rozpoznania. - Mohan Mahadevan, wiceprezes ds. Badań, Onfido

2021 będzie rokiem, w którym zespoły przejdą od przypadkowego randkowania z AI do bycia w zaangażowanym związku. Sztuczna inteligencja to już nie tylko projekty badawczo-rozwojowe. Czas zobowiązać się do dostosowania tych rozwiązań zamiast po prostu z nimi flirtować. Musimy teraz zautomatyzować. - David Karandish, założyciel i dyrektor generalny Pojemność

Dzięki połączeniu mocy obliczeniowej, danych w skali internetowej i nowoczesnych algorytmów uczenia maszynowego, w ciągu ostatnich kilku lat udało nam się przełamać niezwykły nowy grunt dzięki sztucznej inteligencji. W nadchodzących latach wkroczymy w ekspansywną erę, w której długi ogon komercyjnych przypadków użycia będzie prototypowany, pakowany i produkowany - albo w celu ulepszenia istniejących produktów i usług, albo w celu stworzenia zupełnie nowych. - Dave Costenaro, dyrektor ds. Danych w Pojemność

Sukces AI przechodzi z ogólnego celu do niszowych celów. Podczas gdy inwestycje w sztuczną inteligencję nadal rosną w przedsiębiorstwach, firmy ponownie oceniają swoje stosy technologiczne, aby dostosować je do niszowej sztucznej inteligencji, zamiast czarnych skrzynek „ogólnego przeznaczenia”, które twierdzą, że robią wszystko. Niszowe, udoskonalone przypadki użycia, które rozwiązują określone problemy, będą miały priorytet budżetowy, a nie automatyzacja, która obiecuje zrobić wszystko. - Viral Bajaria, CTO at 6sens

Narodziny sztucznej wąskiej inteligencji: Niedawno sztuczna inteligencja była tym, co teraz znamy jako sztuczna inteligencja ogólna, jak autonomiczne samochody lub rozpoznawanie obrazu. Jednak dzisiaj istnieje nowa kategoria sztucznej wąskiej inteligencji, która próbuje odtworzyć ludzki proces podejmowania decyzji. Z perspektywy łańcucha dostaw ta nowa sztuczna inteligencja może pomóc w podejmowaniu lepszych decyzji dotyczących każdego aspektu łańcucha dostaw, od „Jak napełnić ciężarówkę?” lub „Jak uzyskać produkty na czas?” W 2021 roku przewiduję ich wzrost wąski rozwiązania zastępujące decyzje taktyczne i decyzje na mniejszą skalę. - Andy Fox, dyrektor Global Impact w Lamasoft

Na marginesie zaczniemy widzieć, jak zaczyna się materializować „Counter-AI”. Podczas gdy rządy próbują śledzić ludzi, a firmy próbują nimi manipulować lub uzyskać głęboki wgląd w zachowanie, przewiduję gwałtowne zmiany metod, aby udaremnić śledzenie i 360 stopni klientów. Podobnie jak w przypadku prac różnych grup nad narzędziami do rozpoznawania twarzy, zaczniemy dostrzegać zaawansowane i mało zaawansowane technologicznie metody zmylania sztucznej inteligencji używanej do monitorowania i rozumienia nas. - Kierownik ds. Architektury na Atos Ameryka PółnocnaAI Lab we współpracy z Google Cloud, Jonas Bull

Ponieważ coraz więcej agencji zaczyna wdrażać rozwiązania oparte na sztucznej inteligencji i ML, na organach ścigania spoczywa obowiązek przestrzegania zasad etycznych i usuwania uprzedzeń w takich narzędziach. W związku z tym działy zaczną ustalać własne zasady i współpracować z organami zarządzającymi w zakresie odpowiedzialnego i etycznego wykorzystania sztucznej inteligencji, w tym odpowiedniego szkolenia dla odpowiednich zespołów i funkcji biznesowych, a także tworzenia środowiska z etosem opartym na danych i odpowiedzialnym podejmowaniu decyzji. -zrobienie. Idąc o krok dalej, organy ścigania będą nadal zapewniać weryfikację systemów SI pod kątem braku uprzedzeń i korygowanie ich w razie potrzeby. Otworzą też linię komunikacji ze społeczeństwem, aby promować przejrzystość w zakresie korzystania z tych narzędzi. - Heather Mahalik, starszy dyrektor ds. Wywiadu cyfrowego, Cellebrite

W 2021 roku zobaczymy, że więcej firm opartych na danych będzie wykorzystywać oprogramowanie typu open source do analiz i sztucznej inteligencji. Technologie analityczne typu open source, takie jak Presto i Apache Spark, napędzają platformy AI i są znacznie bardziej elastyczne i opłacalne niż ich tradycyjne odpowiedniki hurtowni danych dla przedsiębiorstw, które opierają się na konsolidacji dane w jednym miejscu - czasochłonne i kosztowne przedsięwzięcie, które zwykle wymaga zaangażowania dostawcy. W przyszłym roku nastąpi wzrost wykorzystania silników analitycznych, takich jak Presto do aplikacji AI, ze względu na ich otwarty charakter - licencja open source, otwarty format, otwarte interfejsy i otwarta chmura. - Dipti Borkar, współzałożyciel i dyrektor ds. Produktów (CPO), Ahana

Branża odejdzie od ogólnych poziomych platform sztucznej inteligencji, takich jak IBM Watson i Amazon Lex, w kierunku produktów opartych na sztucznej inteligencji specyficznych dla domeny i modeli usług zarządzanych. Platformy generyczne nie są rozwiązaniami. Zaczynają na zimno, bez żadnych danych szkoleniowych ani struktury modelu danych - budowanie tego, a następnie optymalizacja w produkcji to zadanie eksperckie i wymagające dużej ilości zasobów, które przekracza możliwości większości firm. Przejście od rynku wczesnych innowatorów do masowego przyjęcia na rynek będzie napędzane w 2021 r. Przez przyjęcie produktów opartych na sztucznej inteligencji dla konkretnych dziedzin, które są wstępnie przeszkolone pod kątem określonej branży i które mają udowodnioną skuteczność. - Jake Tyler, współzałożyciel i dyrektor generalny, Sztuczna inteligencja Finna

W 2021 roku sztuczna inteligencja nie zostanie odwzorowana w ludzkim spektrum kompetencji. Możemy mieć algorytmy, które miażdżą każdego człowieka w szachach, ale nie są w stanie zrobić filiżanki herbaty i programów komputerowych, które potrafią wykonywać matematykę miliony razy szybciej niż ludzie, ale gdyby zapytano, kto może wygrać następne mistrzostwa świata, nawet by nie zrozumieli pytanie. Ich możliwości nie są uniwersalne. Dzięki sztucznej inteligencji osiągnęliśmy punkt, w którym jednocześnie przeceniamy i nie doceniamy mocy algorytmów. Kiedy je przeceniamy, widzimy, że ludzki osąd sprowadza się do refleksji - niebezpiecznego miejsca. Zastosowanie „zmutowanego algorytmu” do oceny wyników na poziomie A jest skandalem w Wielkiej Brytanii, mimo że algorytm generuje wiele wyników, które po prostu naruszają zdrowy rozsądek. Kiedy nie doceniamy algorytmów, widzimy, jak całe branże rozpadają się, ponieważ nie widziały zmian na horyzoncie. Jak może konkurować tradycyjna firma taksówkarska, skoro algorytm Ubera zapewni Ci przejazd w mniej niż 3 minuty? W 2021 r. Spodziewaj się, że inżynierowie unikną sztucznej inteligencji i błędów algorytmicznych, nie próbując mapować algorytmów na ludzkie spektrum kompetencji. Korzystanie z technologii sztucznej inteligencji - takich jak rozpoznawanie mowy w dowolnym kontekście - w celu ulepszenia tego, co ludzie mogą zrobić i znalezienia właściwej równowagi między automatyzacją sztucznej inteligencji a wiedzą ludzką w przypadku rzeczywistych zastosowań - takich jak doświadczenie klienta i konferencje internetowe - zacznie kształtować efektywne wykorzystanie AI na przyszłość. - Ian Firth, wiceprezes w Mowa

Odpowiedzialna sztuczna inteligencja / ML stanie się najgorętszym tematem w branży ML. Biorąc pod uwagę zwiększony nacisk społeczeństwa na zwalczanie niesprawiedliwości i uprzedzeń oraz ogólne zainteresowanie lepszą interpretowalnością i wytłumaczalnością modeli uczenia maszynowego, dostawcy chmury będą inwestować i ulepszać swoją ofertę ML, aby zaoferować pełny zestaw odpowiedzialnych funkcji ML / AI, które będą miały na celu usatysfakcjonowanie i uspokojenie regulatorzy, osoby zajmujące się modelowaniem, zarządzanie i rynek w zakresie dozwolonego użytku ML. W międzyczasie AI / ML będzie nadal obserwować gwałtowny wzrost i wykorzystanie w całej branży, ze znacznymi ulepszeniami w zakresie łatwości użytkowania i łączenia UX w odpowiedzialnej strukturze AI / ML, aby napędzać kolejny skok wzrostu w tym sektorze. - Yiannis Antoniou, analityk, Gigaom

AIOps dla sieci stanie się głównym nurtem: w przyszłym roku AIOps przejdzie od teorii do praktyki w wielu organizacjach. Wraz ze wzrostem liczby pracowników zdalnych i domem, który stanie się nowym mikrooddziałem, sztuczna inteligencja stanie się podstawą do zapewniania doskonałego doświadczenia użytkownika w chmurze z klientem przy jednoczesnym kontrolowaniu kosztów wsparcia IT dla pracowników zdalnych. Zespoły IT będą musiały wykorzystać AIOps, aby skalować i automatyzować swoje operacje. AIOps w chmurze SaaS wywróci paradygmat obsługi klienta do góry nogami. Zamiast przesyłać zgłoszenia do działu IT, sztuczna inteligencja będzie proaktywnie identyfikować użytkowników z problemami z łącznością lub napotkanymi problemami i albo rozwiąże (sieć samojezdna), albo otworzy zgłoszenie z sugerowanymi działaniami naprawczymi dla IT. - Bob Friday, dyrektor techniczny Mist Systems, firmy Juniper Networks

Sztuczna inteligencja i uczenie maszynowe będą odgrywać znacznie bardziej integralną rolę w strategii łańcucha dostaw niż w poprzednich latach. Potrzeba większej ilości analiz w czasie rzeczywistym w całym łańcuchu dostaw będzie nadal rosła w 2021 r., Zwłaszcza gdy organizacje łańcucha dostaw ponownie oceniają swoją działalność w wyniku nagłych zmian zachowań zakupowych podczas pandemii COVID-19.

Aby sprostać tej potrzebie, organizacje łańcucha dostaw będą musiały spojrzeć na technologię obsługującą sztuczną inteligencję (AI) i uczenie maszynowe (ML), aby uaktualnić bieżące, opisowe i nakazowe analizy oraz wykorzystać analizy predykcyjne - które zapewniają zalecane działania zanim zdarzenie ma miejsce na podstawie wcześniejszych działań. Firmy często doświadczają bałaganu związanego z silosami i fragmentacją z powodu przejęcia przez duże firmy, które mają różne systemy. W 2021 roku interesariusze łańcucha dostaw będą starać się wdrożyć cyfrowe bliźniaki we wszystkich modułach jako dodatkową warstwę widoczności i zapewnić synchronizację między istniejącymi systemami firmy a nową technologią, taką jak czujniki i nanoczujniki, które pojawiają się na rynku w coraz większych ilościach . - Mahesh Veerina, dyrektor generalny Cloudleaf

Uprzedzenia w sztucznej inteligencji powodują szkody na wielką skalę - od wpływu na proces rekrutacji poprzez wzmacnianie stereotypów płciowych po dyskryminację rasową w punktacji kredytowej i pożyczkach. Organizacje wiedzą, że zatrudnianie zróżnicowanej siły roboczej może zapewnić pewien poziom prawdziwości modeli sztucznej inteligencji, i wiedzą, że dane szkoleniowe muszą być stale monitorowane pod kątem stronniczości, ponieważ wpływa to na jakość i dokładność algorytmów. Wiedzą również, że nie ma aktualnego punktu odniesienia dla pomiarów opartych na etyce, aby naprawdę złagodzić stronniczość w sztucznej inteligencji i że tak musi być. W 2021 roku zobaczymy, jak organizacje odchodzą w przeszłość, po prostu uznając i „martwiąc się” o uprzedzenia w sztucznej inteligencji i zaczną podejmować bardziej znaczące kroki w celu rozwiązania tego problemu - ponieważ będzie to wymagane. Zostaną utworzone specjalne zespoły i / lub inicjatywy w celu zwalczania wszystkich problemów, które wchodzą w zakres odpowiedzialnej sztucznej inteligencji, w tym wszystkiego, od nieodłącznej stronniczości danych po sprawiedliwe traktowanie trenerów danych. Ustanowienie odpowiedzialnych inicjatyw w zakresie sztucznej inteligencji stanie się nie tylko dla niektórych obowiązkiem na szczeblu zarządu, ale będą wymagać tego partnerzy i klienci firm prowadzących działania w zakresie sztucznej inteligencji. - Appen CTO Wilson Pang Wilson

AIOps będzie się nagrzewać, aby poprawić jakość obsługi klienta oraz zapewnić ochronę i optymalizację aplikacji. Mając za sobą rok nieprzewidywalności, przedsiębiorstwa będą musiały spodziewać się nieoczekiwanego, jeśli chodzi o uczynienie stosów technologii nieomylnymi i proaktywnymi. Zobaczymy, że zapotrzebowanie na AIOps będzie nadal rosło, ponieważ może on reagować na te nieoczekiwane scenariusze i przewidywać je przy użyciu sztucznej inteligencji, uczenia maszynowego i analiz predykcyjnych. Rosnąca złożoność cyfrowych aplikacji korporacyjnych obejmujących hybrydową infrastrukturę lokalną i chmurową w połączeniu z przyjęciem nowoczesnych architektur aplikacji, takich jak konteneryzacja, spowoduje bezprecedensowy wzrost zarówno ilości, jak i złożoności danych. Podczas gdy przeciążenie danymi z nowoczesnych środowisk cyfrowych może opóźnić naprawy i przytłoczyć zespoły operacyjne IT, hałaśliwe zbiory danych będą barierą przeszłości, ponieważ inteligentniejsze strategie i scentralizowane systemy AIOps pomagają organizacjom w poprawie obsługi klienta, zapewnieniu i optymalizacji nowoczesnych aplikacji oraz powiązaniu ich z inteligentna automatyzacja i rozwijanie się jako autonomiczne przedsiębiorstwa cyfrowe. W rzeczywistości konwencjonalne podejścia do operacji IT mogą już nie być wykonalne - co sprawia, że przyjęcie AIOps jest nieuniknione, aby móc skalować zasoby i efektywnie zarządzać nowoczesnymi środowiskami. - Ali Siddiqui, dyrektor ds. Produktów, Oprogramowanie BMC

Surowa rzeczywistość jest taka, że 2021 będzie rokiem, w którym ci, którzy faktycznie zajmują się sztuczną inteligencją, zaczną osiągać wartość na dużą skalę, podczas gdy ci, którzy spędzają miesiące na szkoleniu kruchych modeli i nie nadążają, będą w coraz większej, wykładniczej niekorzystnej sytuacji. Wyzwania ostatniej mili nie będą łatwiejsze - ale fundamentalna zmiana w sposobie myślenia i podejściu będzie miała kluczowe znaczenie dla pokonania przeszkód związanych ze złożonością. - Dr Josh Sullivan, szef Modzy

Elegancka ocena ryzyka: w miarę jak przestrzeń AIOps wciąż się rozwija, dostrzegamy szansę dla dostawców na udoskonalenie ich możliwości oceny ryzyka, aby umożliwić klientom rozwiązywanie problemów z niemal pewnością, bez uszkadzania czegokolwiek innego w systemie. W 2021 r.jednym obszarem, w którym zauważymy większy nacisk ze strony obu dostawców i większą adaptację wśród użytkowników, będzie umożliwienie bardziej eleganckiego mapowania zależności, aby inżynierowie mogli dokładnie ocenić ryzyko w ramach procesu naprawczego lub cyklu kompilacja-wdrożenie dla zmian oprogramowania, aby upewnij się, że zmiana w jednej części środowiska nie uszkodzi systemu w innym. - Michael Olson, dyrektor ds. Marketingu produktów w New Relic

W 2021 roku sztuczna inteligencja nie zostanie zmapowana na ludzkie spektrum kompetencji: możemy mieć algorytmy, które miażdżą każdego człowieka w szachach, ale nie jesteśmy w stanie zrobić filiżanki herbaty i programów komputerowych, które potrafią wykonywać matematykę miliony razy szybciej niż ludzie, ale zapytani o to, kto może wygrać następne mistrzostwa świata, nawet nie zrozumieliby pytania. Ich możliwości nie są uniwersalne. Dzięki sztucznej inteligencji osiągnęliśmy punkt, w którym jednocześnie przeceniamy i nie doceniamy mocy algorytmów.

Kiedy je przeceniamy, widzimy, że ludzki osąd sprowadza się do refleksji - niebezpiecznego miejsca. Zastosowanie „zmutowanego algorytmu” do oceny wyników na poziomie A jest skandalem w Wielkiej Brytanii, mimo że algorytm generuje wiele wyników, które po prostu naruszają zdrowy rozsądek. Kiedy nie doceniamy algorytmów, widzimy, jak całe branże rozpadają się, ponieważ nie widziały zmian na horyzoncie. Jak może konkurować tradycyjna firma taksówkarska, skoro algorytm Ubera zapewni Ci przejazd w mniej niż 3 minuty? W 2021 r. Spodziewaj się, że inżynierowie unikną sztucznej inteligencji i błędów algorytmicznych, nie próbując mapować algorytmów na ludzkie spektrum kompetencji. Korzystanie z technologii sztucznej inteligencji - takich jak rozpoznawanie mowy w dowolnym kontekście - w celu ulepszenia tego, co ludzie mogą zrobić i znalezienia właściwej równowagi między automatyzacją sztucznej inteligencji a wiedzą ludzką w rzeczywistych przypadkach użycia - takich jak doświadczenie klienta i konferencje internetowe - zacznie kształtować efektywne wykorzystanie AI na przyszłość. - Ian Firth, wiceprezes w Mowa

ML on the edge będzie jednym z głównych obszarów zainteresowania branży AI / ML w 2021 roku. Zapotrzebowanie na inteligentne aplikacje brzegowe gwałtownie rośnie w branży motoryzacyjnej, inteligentnych fabryk i inteligentnych domów. Dzięki szeroko dostępnym, wydajnym narzędziom programistycznym Edge ML oraz firmom zajmującym się półprzewodnikami, które wprowadzają nowe MCU z funkcjami ML, przyjęcie aplikacji Edge ML stanie się głównym trendem. - Sang Won Lee, dyrektor generalny Qeexo

Społeczność kliniczna zwiększy ich użycie federacyjne podejścia do uczenia się do tworzenia solidnych modeli sztucznej inteligencji w różnych instytucjach, lokalizacjach geograficznych, danych demograficznych pacjentów i skanerach medycznych. Czułość i selektywność tych modeli przewyższa modele sztucznej inteligencji zbudowane w jednej instytucji, nawet jeśli istnieje wiele danych do treningu. Dodatkową korzyścią jest to, że badacze mogą współpracować przy tworzeniu modeli AI bez udostępniania poufnych informacji o pacjentach. Uczenie się federacyjne jest również korzystne przy tworzeniu modeli sztucznej inteligencji w obszarach, w których brakuje danych, takich jak pediatria i rzadkie choroby. - Kimberly Powell, wiceprezes i dyrektor generalny, NVIDIA Healthcare

Centrum doskonałości sztucznej inteligencji: w ciągu ostatnich 10 lat firmy starały się pozyskać wysoko płatnych analityków danych, ale ich produktywność była niższa niż oczekiwano z powodu braku infrastruktury pomocniczej. Więcej organizacji przyspieszy zwrot z inwestycji w sztuczną inteligencję, budując scentralizowaną, współdzieloną infrastrukturę na skalę superkomputerów. Ułatwi to pielęgnację i skalowanie talentów w dziedzinie nauki o danych, wymianę najlepszych praktyk i przyspieszy rozwiązywanie złożonych problemów związanych ze sztuczną inteligencją. - Charlie Boyle, wiceprezes i dyrektor generalny, NVIDIA DGX Systems

AI Expression będzie zawężać bezproblemową obsługę użytkowników: patrząc na historię sztucznej inteligencji, algorytmy były królem, a doświadczenie użytkownika zajęło drugie miejsce. Jednak w miarę zbliżania się do 2021 roku aplikacje obsługujące sztuczną inteligencję będą coraz bardziej koncentrować się na użyteczności jako priorytecie. Najlepsze przejawy sztucznej inteligencji są płynne dla użytkownika i działają dyskretnie w tle. Platformy wspierane przez AI / ML znajdą nowe sposoby doprowadzenia użytkowników do lepszych wniosków i rozwiązań.

Dzieje się tak poprzez badanie ogromnych ilości danych, szukanie anomalii, spostrzeżeń i trendów, a następnie prezentowanie wyników w odpowiednim kontekście biznesowym. Prawdziwie bezproblemowa sztuczna inteligencja / ML powinna być końcowym celem wszystkich platform biznesowych. Mam nadzieję, że zobaczę bardziej wyrafinowane aplikacje sztucznej inteligencji, które zidentyfikują, co każdy użytkownik próbuje osiągnąć, i automatycznie dostarczy spostrzeżeń, które można wykorzystać do szybkich działań. Ta łatwość użycia będzie niezwykle cenna dla szerokiej bazy użytkowników, zarówno technicznych, jak i nietechnicznych. - Sanjay Vyas, dyrektor ds. Technicznych w Planowe

Etyczna sztuczna inteligencja odegra kluczową rolę w rozwoju produktu w 2021 r., Ale jest to trudny problem do rozwiązania: etyczna sztuczna inteligencja staje się ważnym problemem, ale trudnym do rozwiązania dylematem. Firmy wykorzystują dane i sztuczną inteligencję do tworzenia rozwiązań, ale mogą omijać prawa człowieka w zakresie dyskryminacji, nadzoru, przejrzystości, prywatności, bezpieczeństwa, wolności słowa, prawa do pracy i dostępu do usług publicznych.

Aby uniknąć wzrostu ryzyka reputacyjnego, regulacyjnego i prawnego, etyczna sztuczna inteligencja jest niezbędna i ostatecznie ustąpi miejsca polityce sztucznej inteligencji. Polityka SI zapewni ludziom wysoki standard przejrzystości i środków ochronnych. W sferze danych dyrektorzy generalni i dyrektorzy techniczni będą musieli znaleźć sposoby na wyeliminowanie błędów w algorytmach poprzez dokładną analizę, weryfikację i programowanie. - Krishna Tammana, dyrektor techniczny Talend

W przyszłym roku zobaczymy, jak firmy skoncentrują się na rozwiązaniach sztucznej inteligencji, wdrożeniu i opracowaniu rozwiązań sztucznej inteligencji, które faktycznie zapewniają zwrot z inwestycji, w przeciwieństwie do sztuczek lub budowania technologii dla samej technologii. Organizacje będą skupiać się na widocznych postępach i mierzalnych wynikach, a zatem będą inwestować w rozwiązania, które rozwiązują określone problemy. Firmy, które dogłębnie rozumieją zawiłości i wyzwania, które ich klienci chcą rozwiązać, i są skłonne zainwestować swoje środki na badania i rozwój w te rozwiązania, odniosą sukces. - Joe Petro, CTO w Nuance Communications, Inc..

Luka w umiejętnościach w zakresie sztucznej inteligencji będzie się utrzymywać, a organizacje będą zastanawiać się nad nowymi sposobami adaptacji. Organizacjom trudno było zatrudnić utalentowanych pracowników potrzebnych do wdrożenia sztucznej inteligencji i czerpać wszystkie korzyści, a połowa osób z branży zgłosiła to wyzwanie. Co więcej, wiele organizacji przyspieszyło inicjatywy związane z transformacją cyfrową o kilka miesięcy lub lat - ale istnieje rozbieżność w dostępnych talentach i możliwościach szkoleniowych wspierających te inicjatywy. Ze względu na zwiększony popyt przewidujemy, że firmy będą oferować więcej inicjatyw podnoszących umiejętności i zachęt dla pracowników do uczenia się nowych umiejętności, a także pracować nad budowaniem danych i umiejętnościami w zakresie sztucznej inteligencji na wszystkich poziomach organizacji.

Pandemia stała się okazją dla organizacji do ustalenia priorytetów tych działań i pomocy pracownikom w rozwijaniu nowych umiejętności w ich szybkim przechodzeniu do pracy zdalnej. Patrząc w przyszłość, rok 2021 będzie dotyczył edukacji - zarówno funkcjonowania w nowej normalności, jak i nadążania za przyspieszonymi inicjatywami cyfrowymi. - Traci Gusher, dyrektor, dane i analityka, KPMG

Rozwiązanie problemu uprzedzeń w algorytmach sztucznej inteligencji będzie najwyższym priorytetem, co spowoduje wprowadzenie wytycznych dotyczących wsparcia uczenia maszynowego w zakresie pochodzenia etnicznego w rozpoznawaniu twarzy. Przedsiębiorstwa są coraz bardziej zaniepokojone uprzedzeniami demograficznymi w algorytmach sztucznej inteligencji (rasa, wiek, płeć) oraz ich wpływem na ich markę i potencjał do zgłaszania problemów prawnych. Ocena, w jaki sposób dostawcy radzą sobie z uprzedzeniami demograficznymi, stanie się głównym priorytetem przy wyborze rozwiązań do weryfikacji tożsamości w 2021 r. Według firmy Gartner ponad 95% zapytań ofertowych dotyczących weryfikacji tożsamości zorientowanej na dokumenty (porównanie dokumentu tożsamości wydanego przez rząd z selfie) będzie zawierało jasne wymagania w odniesieniu do zminimalizowania uprzedzeń demograficznych do 2022 r., co oznacza wzrost z niecałych 15% obecnie. Organizacje będą coraz bardziej musiały mieć jasne odpowiedzi dla organizacji, które chcą wiedzieć, jak zbudowano „czarną skrzynkę” sztucznej inteligencji dostawcy, skąd pochodzą dane i jak reprezentatywne są dane szkoleniowe dla szerszej obsługiwanej populacji.

Ponieważ organizacje nadal wdrażają biometryczną technologię rozpoznawania twarzy do weryfikacji tożsamości, branża musi zająć się nieodłączną tendencją w systemach. Temat AI, danych i etniczności nie jest nowy, ale musi dojść do głosu w 2021 roku. Według Badacze W MIT, który przeanalizował zbiory danych obrazowych wykorzystywane do opracowania technologii rozpoznawania twarzy, 77% obrazów było mężczyzn, a 83% było białych, co wskazuje na jeden z głównych powodów, dla których w technologii rozpoznawania twarzy istnieje systematyczne uprzedzenia. W 2021 r. Zostaną wprowadzone wytyczne, które pozwolą zrównoważyć ten systematyczny błąd. Do tego czasu organizacje korzystające z technologii rozpoznawania twarzy powinny pytać swoich dostawców technologii, w jaki sposób są szkolone ich algorytmy i upewnić się, że ich dostawca nie szkoli algorytmów na zakupionych zestawach danych. - Robert Prigge, dyrektor generalny Jumio

Big Data

W 2021 r. Otwarte i bezpłatne gromadzenie danych będzie napędzać przyszłe innowacje. Niedawna ankieta przeprowadzona przez Frost & Sullivan wykazała to 54% decydentów IT wyrazili potrzebę gromadzenia danych na dużą skalę, aby dotrzymać kroku wzrostowi ich firm i konkurencji online. Aby jednak firmy mogły efektywnie wykorzystywać dane online, muszą one najpierw być dostępne, a nie blokowane. Obecnie firmy często zabraniają prób gromadzenia danych publicznych, mimo że same je zbierają. Sytuacja ta jest spowodowana dwoma głównymi czynnikami: ciągłą potrzebą blokowania złośliwej lub oszukańczej aktywności online w ramach środków bezpieczeństwa oraz przekonaniem, że te publiczne dane przyczyniają się do przewagi konkurencyjnej firmy.

Wierzę, że w 2021 roku i później firmy zdadzą sobie sprawę, że publiczne gromadzenie danych jest częścią ogólnego i niezbędnego bieżącego prowadzenia biznesu. Zrozumieją również, że dane to nie wszystko, jeśli chodzi o przewagę konkurencyjną firmy. Obszary takie jak zapasy, ceny, jakość produktów i usług itp. Również odgrywają dużą rolę. Gdy to się stanie, blokowanie danych będzie służyło jedynie ochronie przed nieuczciwymi działaniami w Internecie. Aby zapewnić etyczne gromadzenie danych, mam nadzieję, że wszyscy promujemy otwartą wymianę informacji w centralnych centrach danych. Witryny będą nadal blokować osoby nadużywające; to się nie zmieni. Mogą jednak zezwolić na etyczne zbieracze danych. Ostatecznie przyszłość gromadzenia danych online zależy od tych, którzy je kontrolują. Przy szybkim tempie tworzenia danych przyszłe wysiłki w zakresie gromadzenia danych będą musiały ewoluować i rosnąć. Firmy będą potrzebować automatycznego gromadzenia danych, aby nadążyć za konkurencją i móc gromadzić dane w szybszym tempie. W końcu szybkość, z jaką firmy mogą gromadzić świeże dane, określi ich trafność i sukces. - Ron Kol, dyrektor ds. Technicznych w Sieci Luminati

Dane staną się naprawdę operacyjne w skali przedsiębiorstwa: ilość danych, którymi dysponują firmy, rośnie wykładniczo - jest więcej źródeł, typów i ilości niż kiedykolwiek wcześniej, a także coraz większe ilości danych są dostarczane w czasie zbliżonym do rzeczywistego. Aby jednak naprawdę zrozumieć dane, uzyskać do nich dostęp i podjąć działania, przedsiębiorstwa będą musiały zmienić sposób ich wykorzystywania - zaczynając od wyeliminowania pośredników. Znajdując sposoby na zautomatyzowanie procesów katalogowania i profilowania danych, pracownicy - także ci z mniejszą liczbą użytkownikówfa zaplecze techniczne - będzie w stanie pozyskać dane potrzebne do skutecznego i sprawnego podejmowania dobrych decyzji biznesowych. - Eric Raab, starszy wiceprezes ds. Inżynierii i produktu, Kreatorzy informacji

Przechwytywanie i syntetyzowanie „alternatywnych” danych jest niezbędne: jak wcześnie mogliśmy wykryć COVID-19? Badania danych „alternatywnych” - w tym przypadku danych o ruchu poza szpitalami w Wuhan i wyszukiwania słów kluczowych przez internautów na tym obszarze - wskazują, że wirus mógł krążyć pod koniec 2019 r. Społeczność inwestorów była pionierem w korzystaniu z alternatywnych danych. , w tym dźwięku, zdjęć lotniczych, jakości wody i nastrojów10. To pierwsza linia innowacji opartych na danych, a uzyskanie przewagi w tej dziedzinie może przynieść ogromne korzyści. Ale po 2020 roku alternatywne dane staną się głównym nurtem, w celu wykrycia anomalii znacznie wcześniej.

Z tego możemy uzyskać dane pochodne, które pochodzą z kombinacji, skojarzeń i syntez z danymi z systemów zapisu. Jak mówi IDC: „Im więcej danych jest przechwytywanych i udostępnianych ze źródeł zewnętrznych, tym czynnikiem różnicującym staje się możliwość ich wykorzystania. Obejmuje to branie lekcji z branż innych niż Twoja ”. 11 Ten trend, podobny do tego, co Gartner nazywa „analizą X” 12, nie jest nowy, ale w końcu staje się ważnym fundamentem nowoczesnych danych i analiz, dzięki tańszemu przetwarzaniu i bardziej dojrzałym technikom sztucznej inteligencji - w tym wykresom wiedzy, strukturom danych, przetwarzanie języka (NLP), możliwa do wyjaśnienia sztuczna inteligencja i analiza wszystkich rodzajów treści. Ten trend jest całkowicie zależny od ML i AI, ponieważ ludzkie oko nie może tego wszystkiego uchwycić. - Dan Sommer, starszy dyrektor, Global Market Intelligence Lead at Qlik

W branży często mówimy o przełamywaniu silosów danych, ale powinniśmy przyznać, że niektóre silosy zawsze tam będą. W dużych organizacjach zawsze będziesz mieć lokalne działy lub regiony, które mają własne narzędzia lub bazy danych i tak będzie dalej. Jeśli masz suwerenność w zakresie danych, to lokalne biuro w Twojej organizacji będzie miało silos. Dlatego najlepszym podejściem jest przyjrzenie się, jak możesz lepiej zrozumieć posiadane dane. Platforma analizy danych może służyć jako indeks i mapa, pokazując posiadane silosy i sposób ich połączenia, zapewniając 360-stopniowy widok zasobów danych. - Stijn „Stan” Christiaens, współzałożyciel i dyrektor ds. Technicznych Collibra

OpenTelemetry spowoduje przeciążenie danych. W 2021 roku wykorzystanie OpenTelemetry stanie się nową normą branżową. Tak, ułatwi to gromadzenie danych, zapewniając spójność między źródłami - ale stworzy również węże do danych dla firm, co jeszcze bardziej utrudni znalezienie niewielkiej części danych zawierającej przydatne informacje. Ciągły strumień danych przytłoczy firmy, jeśli nie będą one miały systemu umożliwiającego szybkie znalezienie tych 5%, które są naprawdę przydatne. Z tego powodu zespoły IT przestawią się z pozyskiwania danych na tworzenie struktury umożliwiającej podejmowanie działań na podstawie danych. W związku z tym, że zespoły to robią, konieczne będzie wdrożenie narzędzi, które mogą natychmiast rozpocząć udostępnianie danych umożliwiających wykonanie czynności w czasie potrzebnym na zrobienie cappuccino. - Phil Tee, dyrektor generalny Moogsoft

Cyfrowy bliźniak to zwirtualizowany model procesu, produktu lub usługi. Połączenie świata wirtualnego i fizycznego umożliwia analizę danych i monitorowanie systemu, aby pomóc zidentyfikować problemy, zanim jeszcze się pojawią. Zapobiega to przestojom, rozwija nowe możliwości, a nawet planuje przyszłość za pomocą symulacji. Ta generacja cyfrowych bliźniaków pozwala firmom nie tylko modelować i wizualizować aktywa biznesowe, ale także prognozować, podejmować działania w czasie rzeczywistym i wykorzystywać obecne technologie, takie jak sztuczna inteligencja i uczenie maszynowe, do rozszerzania danych i działania na ich podstawie w sprytny sposób. - Anil Kaul, dyrektor generalny Dane bezwzględne

Transformacja cyfrowa w końcu zacznie się przekształcać. W tym momencie „transformacja cyfrowa” stała się modnym hasłem, które wszystkie przedsiębiorstwa nauczyły się rozpoznawać, jednak zdecydowana większość (80% według IDC) tych działań ma nadal zbyt taktyczny charakter. Na przykład zrobotyzowana automatyzacja procesów (RPA) może być uważana za narzędzie transformacyjne, ale sama w sobie tak nie jest. Aby organizacje mogły zobaczyć prawdziwą transformację w 2021 r., Będą musiały wykorzystać bardziej zaawansowane platformy, które łączą podstawowe funkcje automatyzacji i sztucznej inteligencji - takie jak analiza tekstu, zrozumienie dokumentów i eksploracja procesów. Bardzo ważne jest również, aby platformy te miały funkcje niskiego kodu, które umożliwiają programistom obywatelskim tworzenie i wdrażanie automatyzacji klasy korporacyjnej, które zwiększają wartość ich organizacji. Bez tego nadal wyzwaniem dla firm będzie przeprowadzanie transformacji cyfrowej w całym przedsiębiorstwie - napędzanej możliwością łatwego wdrażania automatyzacji, nawet w najbardziej złożonych procesach. - Guy Kirkwood, główny ewangelista w UiPath

Wywiad Gospodarczy

Rozprzestrzenianie się ML o niskiej / zerowej liczbie kodów. Zwiększenie liczby systemów ML z niską zawartością i bez kodu, zaprojektowanych w celu zwiększenia dostępności sztucznej inteligencji dla firm, pomoże usprawnić wdrażanie sztucznej inteligencji. Jednak ostatecznie firmy osiągną pułap i wyrosną z podejścia uniwersalnego, szukając bardziej zaawansowanych przypadków użycia sztucznej inteligencji, które wymagają głębszej wiedzy. Ostatecznie potrzeba dostosowywania zwiększy zapotrzebowanie na wykwalifikowanych analityków danych, zamiast zastępować je systemami niskokodowymi. Nie zamierzamy w najbliższym czasie zautomatyzować zapotrzebowania na analityków danych. - Kevin Goldsmith, CTO, anakonda

Business Intelligence przechodzi do nowego paradygmatu zaawansowanej analizy danych z integracją języka naturalnego, naturalnego wyszukiwania, AI / ML, rozszerzonej analizy, automatycznego przygotowywania danych i automatycznych katalogów danych. Zmieni to procesy podejmowania decyzji biznesowych dzięki lepszej jakości wglądowi w czasie rzeczywistym. - Ramesh Panuganty, CEO firmy BI MachEye

BI i AI pogłębią współpracę. Niezależnie od tego, czy oceniasz zestawy danych BI na podstawie modeli ML i wizualizujesz przewidywania, czy wykorzystujesz przetwarzanie języka naturalnego do generowania wizualizacji, spostrzeżeń i podsumowań, sztuczna inteligencja i BI zwiększą swoje synergie. A ponieważ konwencjonalne możliwości BI nadal będą się upowszechniać, dostawcy będą potrzebować BI + AI jako nowego frontu w wojnach innowacyjnych. - Andrew Brust, analityk, Gigaom

Chatbots

Od pracownika do przedsiębiorstwa - konwersacyjna sztuczna inteligencja będzie czymś naturalnym i często pierwszym kontaktem. Konwersacyjna sztuczna inteligencja jest znormalizowana i zostaje. Interfejsy, które prowadzą konsumentów przez rynek online, pracowników przez kursy szkoleniowe, a użytkowników przez wyszukiwarki i strony internetowe, odnotowały duże zwroty z inwestycji, jeśli są wyposażone w zaawansowaną technologię konwersacyjnej sztucznej inteligencji. - Shiva Ramani, dyrektor generalny iOPEX

Sztuczna inteligencja w najbliższym czasie nie wyprze ludzi. Kiedy patrzysz na wykorzystanie sztucznej inteligencji w działaniach skierowanych do konsumentów, jest ona używana głównie w chatbotach obsługiwanych przez sztuczną inteligencję i funkcjach personalizacji klienta. Jeśli przyjrzymy się, w jaki sposób konsumenci wykorzystali funkcje obsługiwane przez sztuczną inteligencję podczas pandemii, zobaczymy, że w rzeczywistości używają ich do szybszego rozwiązywania problemów za pośrednictwem ludzkich agentów. Firmy takie jak Bank of America, który ma skierowanego do klientów chatbota opartego na sztucznej inteligencji o imieniu Erica, zauważyły, że konsumenci używają Erica, aby znaleźć najlepszy sposób zaangażowania zespołów obsługi klienta. Zamiast zadawać Eryce pytania w celu bezpośredniego rozwiązania wszelkich problemów, klienci po prostu zapytali ją, jak powinni skontaktować się z zespołem obsługi klienta, aby szybko rozwiązać problem z odpowiednim agentem. - James Isaacs, prezes i dyrektor generalny Cyara

Dziś bardziej niż kiedykolwiek wcześniej wchodzimy w interakcje z botami, niezależnie od tego, czy chodzi o chatboty do obsługi klienta, czy sztuczną inteligencję na naszych urządzeniach, takich jak Siri i Alexa. Te boty są używane do podejmowania decyzji w czasie rzeczywistym w celu automatyzacji procesów, które wcześniej były wykonywane przez ludzi. Na przykład boty zautomatyzowały procesy zwrotu detalicznego dla firm takich jak Amazon. Jednak dla przedsiębiorstw staje się bardziej skomplikowane zarządzanie tożsamościami automatycznych botów, zwłaszcza gdy wchodzą one w interakcje z innymi botami z prędkością maszyny. Tożsamości botów muszą być zarządzane i chronione przez przedsiębiorstwo, podobnie jak tożsamość pracowników i klientów, aby dane nie zostały naruszone. Jest to ważne dla dyrektorów IT i liderów bezpieczeństwa, o czym powinni pamiętać, ponieważ używanie botów do celów automatyzacji otworzy nowe kierunki ataków, jeśli ich interfejsy API zostaną zhakowane. - Jasen Meece, dyrektor generalny Zachmurzenie

NLP (przetwarzanie języka naturalnego) zmienia dyskusję na temat analizy danych: tak jak używamy Google Home i Alexa w naszym codziennym życiu, analiza konwersacyjna poprzez NLP będzie złotym biletem dla przedsiębiorstw do wydobywania cennych spostrzeżeń dotyczących dużych zbiorów danych z ich operacji biznesowych. Obejmuje to odkrywanie trendów, które mogły pozostać niezauważone, i umożliwienie ekspertom z przedsiębiorstwa wykorzystania danych w znaczący sposób. - Sam Mahalingam, dyrektor ds. Technicznych, Altair

Konwersacyjna sztuczna inteligencja przede wszystkim potrzebuje wszechobecnego kanału komunikacyjnego do prowadzenia rozmów. Rozwój komunikacji biznesowej w kanałach opartych na protokole IP, takich jak Whatsapp, GIP i inne, powoduje odrodzenie korzystania z konwersacyjnej sztucznej inteligencji. Firmy z różnych branż, takich jak bankowość, handel elektroniczny, handel detaliczny, podróże itp., Umożliwiają teraz konwersacyjną sztuczną inteligencję praktycznie w każdym punkcie kontaktu z klientem, w tym w marketingu, sprzedaży i wsparciu. Oparta na ostatnich postępach w przetwarzaniu języka naturalnego (NLP) konwersacyjna sztuczna inteligencja może zmienić sposób interakcji konsumentów z firmami. - Beerud Sheth, dyrektor generalny Gupshup

Chmura

Myślę, że zaczniemy widzieć bardziej przemyślane, zrównoważone podejście do wdrażania chmury wielo- i hybrydowej, szczególnie w przypadku chmury hybrydowej. Omijamy rozmowy w chmurze publicznej i prywatnej, a firmy akceptują fakt, że chmura nie jest decyzją „albo albo”. Historycznie widzieliśmy, że „chmura publiczna” była kojarzona z najnowocześniejszymi innowacjami, a „chmura prywatna” była kojarzona z powolnymi, starszymi firmami, które są odporne na zmiany. Ten sentyment się zmienia, ponieważ firmy zaczynają lepiej rozumieć wartość, jaką mogą uzyskać dzięki hybrydowej architekturze chmury, która umożliwia im wdrażanie zwinnych, nowoczesnych aplikacji na platformie, która najlepiej równoważy ich konkretne koszty, wydajność, bezpieczeństwo, zgodność i potrzeby w zakresie zarządzania.

Wraz z tym następuje wzrost liczby technologii wspomagających hybrydowych, takich jak kontenery i platformy integracji hybrydowej. Inną kwestią jest przetwarzanie na uwięzi, które jest rozwiązaniem dostawcy chmury w hiperskali działającym w Twoim własnym centrum danych. Przykładami są AWS Outposts, Google Anthos i Microsoft Azure Stack. Chociaż do tej pory były one zbyt powolne, aby je wdrożyć, możemy zacząć dostrzegać początek wzrostu w tym miejscu, gdy klienci dostrzegają wartość chmury prywatnej / publicznej w połączeniu ze spójnością korzystania z usług w chmurze w hiperskali. - Kim King, dyrektor ds. Marketingu produktów - zarządzanie w chmurze w Snow Software

COVID-19 przyspiesza wydatki w chmurze: wraz ze wzrostem pracy zdalnej w związku z pandemią COVID-19, firmy inwestują większą część budżetów IT w technologie oparte na chmurzeodchodząc od procesów papierowych. Średnie wydatki przedsiębiorstw na chmurę wzrosły o 59% od 2018 r. Do 73.8 mln USD w 2020 r. Tendencja ta utrzyma się do 2021 r., Ponieważ firmy będą zmuszone do przyjęcia strategii pracy zdalnej i dostrzegają korzyści płynące z utrzymania tych trybów działania, nawet gdy rozpoczynają zmianę pracowników z powrotem do lokalizacji fizycznych. Doskonałym przykładem będzie zawieranie umów, w których COVID napędzał cyfrową transformację wniosków o udzielenie zamówienia, zatwierdzania, realizacji i systemów zarządzania po udzieleniu zamówienia, a także położył podwaliny pod jeszcze większe postępy w zarządzaniu cyklem życia umów. - Harshad Oak, dyrektor generalny, Customer Adoption & Value, at Icertis

Kiedyś uważano je za „postój” w drodze do chmury, teraz celem jest hybryda: podejście oparte na chmurze hybrydowej było kiedyś uważane za krok do wdrożenia opartego na chmurze. Obecnie klienci widzą, że podejście hybrydowe ma największy sens, zarówno pod względem strategicznym dla ich potrzeb biznesowych, jak i ekonomicznym. Według IDC 70% aplikacji i danych klientów pozostaje poza chmurą publiczną. Mając to na uwadze, w 2021 roku jeszcze więcej klientów przyjmie podejście hybrydowe. Ze względu na opóźnienia danych, splątanie aplikacji oraz względy bezpieczeństwa i zgodności, coraz więcej organizacji z różnych branż chce zachować swoje dane lokalnie. Jednocześnie, częściowo z powodu ekonomii pandemii, opłat za wyjście danych i uzależnienia dostawcy od dostawców chmury publicznej, rzeczywistość jest taka, że dyrektorzy ds. Informatyki i organizacje IT przyjmują hybrydę jako wynik, a nie środek do celu. - Keith White, dyrektor generalny, GreenLake Cloud Services

Elastyczność chmury jest fantastyczna, ale łatwo może prowadzić do niekontrolowanych kosztów. Podobnie współdzielone lokalne klastry dużych zbiorów danych często marnują zasoby. Oba te czynniki skutkują utratą umów SLA. Jeśli chcą wyeliminować chroniczne nadmierne wydatki, firmy muszą ustanowić metodę monitorowania i zarządzania wydatkami w chmurze. Najskuteczniejszym sposobem osiągnięcia tego jest obserwowalność i automatyczne dostrajanie. - Ash Munshi, dyrektor generalny, Dane pieprzowe

Baza danych / hurtownia danych / usługa Data Lake

Rozwiązania, których firmy używają do przechowywania danych, będą się szybko rozwijać w kolejnym roku. Obserwujemy wzrost migracji do rozwiązań relacyjnych baz danych typu open source, nierelacyjnych rozwiązań baz danych, rozwiązań bazodanowych opartych na PaaS oraz ich kombinacji. Głównym celem tych inicjatyw może być grupowanie pod hasłem obniżenia kosztów operacyjnych, niezależnie od tego, czy są one podejmowane w celu ograniczenia znacznych kontraktów serwisowych od dostawców takich jak Oracle i Microsoft (zarówno migracje open source, jak i nierelacyjne bazy danych należą do tej kategorii), zmniejszenie kosztów zatrudnienia (migracje do usług PaaS należą do tej kategorii) lub zwiększenie wydajności poprzez migrację do bardziej wyspecjalizowanego rozwiązania bazodanowego.

Migracja danych odbywa się teraz i na dużą skalę, dlatego podczas przechodzenia na te nowe rozwiązania bazodanowe należy wziąć pod uwagę wiele kwestii, w tym możliwości przyszłego rozwiązania stanu w porównaniu z obecnym stanem, wpływ na umowy licencyjne i pomocnicze oraz metodę zapewniającą wdrożenie właściwych rozwiązań. Chociaż rozwiązania PaaS zapewniają pewne ogromne korzyści, administratorzy baz danych nadal muszą monitorować te systemy i zarządzać nimi oraz współpracować z zespołami aplikacji, aby zwiększać wydajność, dostępność i bezpieczeństwo. - Marc Caruso, główny architekt, Składnia

360. To liczba systemów baz danych na wolności. I chociaż wybór jest dobry, a znalezienie odpowiedniego narzędzia do pracy jest sprytne, powoduje to również dużą złożoność. Gdy firmy przechodzą do modernizacji w chmurze, będą szukać uproszczeń, co doprowadzi do masowej konsolidacji na rynku baz danych. Dostawcy baz danych, którzy oferują wielofunkcyjne możliwości, odniosą zwycięstwo, zamiast wielu niszowych baz danych, które muszą być ze sobą połączone i wymagają różnych sposobów dostępu do danych. - Franz Aman, dyrektor ds. Relacyjnych baz danych firmy MariaDB

Rynek baz danych wzrośnie do 1 biliona dolarów do 2025 roku. Przez ostatnie dwie dekady na rynku baz danych panował żelazny uścisk, na czele z IBM, Oracle i SAP HANA. Teraz widzimy zmianę warty, która daje klientom możliwość decydowania, co jest najlepsze dla ich firmy. Forrester wskazuje nawet, że rynek infrastruktury chmury publicznej wzrośnie o 35% do 120 miliardów w 2021 roku. Przewiduję, że kapitalizacja rynkowa baz danych wzrośnie do 1 biliona dolarów do 2025 roku, a ponad siedem do dziesięciu naprawdę silnych firm bazodanowych wzrośnie znacząco w następnej dekadzie . - Raj Verma, dyrektor generalny Pojedynczy sklep

Data Lake może zrobić to, co hurtownie danych, i znacznie więcej: chociaż oddzielenie zasobów obliczeniowych i danych zapewnia korzyści jeziorom danych w porównaniu z hurtowniami danych, hurtownie danych miały w przeszłości inne zalety w porównaniu z jeziorami danych. Ale to się teraz zmienia wraz z najnowszymi innowacjami typu open source w warstwie danych. Na przykład, Góra lodowa Apache to nowy format tabeli, który zapewnia kluczowe funkcje hurtowni danych w jeziorze danych, takie jak spójność transakcyjna, wycofywanie zmian i podróże w czasie, jednocześnie wprowadzając nowe możliwości, które umożliwiają wielu aplikacjom współpracę na tych samych danych w sposób spójny transakcyjnie. Kolejny nowy projekt open source, Projekt Nessie, opiera się na możliwościach Iceberg i Delta Lake, zapewniając semantykę podobną do Git dla jezior danych. Nessie umożliwia również realizację transakcji luźno powiązanych, umożliwiając pojedynczą transakcję obejmującą operacje wielu użytkowników i silników, w tym Spark, Dremio, Kafka i Hive. - Tomer Shiran, współzałożyciel Dremio

W 2021 roku pojawią się trzy główne trendy: powrót warstwy metadanych, wbudowana sztuczna inteligencja i automatyczna analityka oraz nowe, uproszczone interfejsy zapytań zaprojektowane specjalnie dla użytkowników biznesowych. Powrót warstw metadanych, jako kluczowych fundamentalnych składników rozwiązań analitycznych, jest potrzebny do wsparcia ulepszonego zarządzania i rozszerzalności zasobów danych. Dzięki inteligentnym warstwom metadanych pojawią się nowe, uproszczone interfejsy użytkownika, które umożliwią użytkownikom biznesowym interakcję z danymi w bardziej ukierunkowany sposób, co pozwoli im skrócić czas potrzebny na wgląd przy minimalnych umiejętnościach analitycznych. Sztuczna inteligencja i zautomatyzowana analityka przejdą z domeny przedsiębiorstwa w kierunku dostawców oprogramowania, którzy osadzą te możliwości i umożliwią masowe wdrożenie za pośrednictwem swojej bazy klientów. - Glen Rabie, dyrektor generalny w Yellowfin

Inżynieria danych

Firmy będą ponownie inwestować w inżynierów danych i potoki danych. Jednym ze skutków roku 2020 było to, że wiele firm przestawiło się na podejście polegające na przetrwaniu, co zaowocowało mentalnością „chwyć i jedź” w integracji danych. Ponieważ wyniki przedsiębiorstw stabilizują się i widzimy większą przewidywalność na poziomie makroekonomicznym, przewidujemy, że rok 2021 będzie rokiem inżyniera danych, a firmy powrócą do podejścia „zbudowanego, aby przetrwać” w odniesieniu do danych rurociągi. „Zbudowany, aby trwać” dla wody w twoich rurach w domu oznacza, że woda jest zawsze włączona, czysta i ma odpowiednią temperaturę. „Zbudowany, aby trwać” dla danych oznacza, że tworzysz inteligentne potoki danych, aby zapewnić terminowość i pewność analizy danych. - Zestawy strumieni Dyrektor generalny Girish Pancha

Firmy zdadzą sobie sprawę z potrzeby włożenia więcej wysiłku w DevOps: „Nadal jest tak wiele do zrobienia z potokami DevOps, w tym zabezpieczenie i testowanie procesu dostawy. Społeczność programistów wie, dokąd musi się udać, ale praca i przeszkody na drodze są zawsze większe niż oczekiwano. Z tego powodu jestem sceptyczny, że w 2021 roku zobaczymy duże zmiany w zakresie narzędzi lub wzorców CI / CD. Raczej zobaczymy, że więcej osób zdaje sobie sprawę, że muszą włożyć więcej wysiłku w swój potok DevOps, procesy i walidację. Podwoją się, aby przyspieszyć i ulepszyć automatyzację CI / CD. Dopiero gdy procesy te są dojrzałe, organizacje mogą mieć zaufanie do swoich praktyk dostarczania i narzędzi. - Fred Simon, współzałożyciel i główny analityk danych, JFrog

Zarządzanie danymi

W 2021 r. Dział IT wzbogaci zarządzanie dostępem o inteligencję, aby chronić cyberbezpieczeństwo siły roboczej. Przyspieszające zmiany w technologiach korporacyjnych, cyberzagrożenia i środowisko użytkowników zwiększają presję na tradycyjne rozwiązania do zarządzania tożsamością i administrowania (IGA), a z kolei na zespoły ds. Bezpieczeństwa i zgodności. Oprócz rosnącego ryzyka związanego ze zgodnością, środowiska IT przedsiębiorstwa stają się z każdym rokiem bardziej złożone, co zwiększa liczbę aplikacji i systemów, do których firmy zapewniają dostęp użytkownikom. Wyzwania te skłaniają organizacje do poszukiwania rozwiązań opartych na sztucznej inteligencji, które upraszczają i automatyzują procesy żądania dostępu, zatwierdzania dostępu, certyfikacji i modelowania ról. W 2021 roku będziemy coraz częściej wykorzystywać sztuczną inteligencję, aby umożliwić autonomiczne podejście do tożsamości.

Rozwiązania oparte na sztucznej inteligencji do uwierzytelniania i autoryzacji będą uzupełniane lub zintegrowane z istniejącymi rozwiązaniami IGA, zapewniając kontekstową widoczność w całym przedsiębiorstwie poprzez gromadzenie i analizowanie wszystkich danych dotyczących tożsamości oraz umożliwianie wglądu w różne poziomy ryzyka dostępu użytkowników na dużą skalę. Zastosowanie sztucznej inteligencji pozwoli systemom identyfikować i ostrzegać zespoły ds. Bezpieczeństwa i zgodności o dostępie wysokiego ryzyka lub naruszeniach zasad. Z biegiem czasu zobaczymy, że systemy sztucznej inteligencji generują możliwe do wyjaśnienia wyniki, jednocześnie zwiększając automatyzację niektórych z najtrudniejszych wyzwań w zakresie cyberbezpieczeństwa w przedsiębiorstwie. - Eve Maler, CTO w ForgeRock

Widzieliśmy, jak globalne wdrażanie ram zarządzania sztuczną inteligencją rozpoczęło się w 2020 r., Kiedy przedsiębiorstwa proszą o szczegółowe informacje na temat wyników zastosowań sztucznej inteligencji. Kluczowe znaczenie ma zapewnienie odpowiedniego poziomu możliwości wyjaśnienia aplikacji SI, a także wykorzystanie danych dobrej jakości, zapewnienie audytowalności, etyczne, uczciwe i przejrzyste, przestrzeganie wymogów ochrony danych oraz wdrażanie skutecznych środków cyberbezpieczeństwa. Wdrażanie ram zarządzania sztuczną inteligencją jest obecnie bardziej widoczne w finansach i bankowości, ale w 2021 roku zobaczymy, że stanie się to bardziej rozpowszechnione.

Inne branże, takie jak opieka zdrowotna, handel elektroniczny i usługi mobilności, zaczną wykorzystywać je jako wyróżnik konkurencyjny. Na przykład świadczeniodawcy zaczynają wykazywać większą przejrzystość w odniesieniu do sposobu wykorzystywania danych oraz etycznego i sprawiedliwego chronienia tych danych. Jeśli firmy chcą wyprzedzić konkurencję, powinny już teraz rozpocząć opracowywanie etycznych ram sztucznej inteligencji, aby uzyskać pozycję lidera w tym globalnym ruchu. - Mohan Mahadevan, wiceprezes ds. Badań, Onfido

AI nabierze rozpędu w zakresie bezpieczeństwa i zarządzania w chmurze. W 2021 roku sztuczna inteligencja wykroczy daleko poza zwykłe wykrywanie anomalii, a tym samym oznaczanie potencjalnych zagrożeń dla zespołów bezpieczeństwa. Zarządzanie chmurą jest coraz bardziej złożonym zadaniem i szybko osiąga punkt, w którym ludzie nie mogą sobie poradzić samodzielnie. W nadchodzącym roku sztuczna inteligencja będzie w coraz większym stopniu polegać na utrzymaniu higieny w chmurze poprzez usprawnianie przepływów pracy, zarządzanie zmianami i archiwizację. Po ustaleniu i utrzymaniu właściwej higieny w chmurze za pomocą sztucznej inteligencji będzie ona również wykorzystywana jako strategiczne narzędzie wiedzy predykcyjnej. Przewidując zagrożenia i luki w zabezpieczeniach oraz rozwiązując je, sztuczna inteligencja pomoże przedsiębiorstwom uzyskać jak najlepsze wyniki dla ich środowisk chmurowych. Wykorzystanie sztucznej inteligencji jako strategicznego zasobu umożliwi dyrektorom IT podejmowanie świadomych decyzji dotyczących ich środowisk chmurowych, takich jak ocena kosztów i ryzyka zgodności. - Keith Neilson, ewangelista techniczny dla ChmuraSfera

Spoglądając na rok 2021, zobaczymy, jak dyskusja na temat etycznej sztucznej inteligencji i zarządzania danymi będzie stosowana w wielu różnych obszarach, takich jak śledzenie kontaktów (walka z COVID-19), połączone pojazdy i inteligentne urządzenia (kto jest właścicielem danych?) Oraz osobiste. profile cybernetyczne (zwiększony ślad cybernetyczny prowadzący do pytań o prywatność). - Cindy Maike, wiceprezes ds. Rozwiązań branżowych, Cloudera

Zarządzanie danymi w rzeczywistości wielośrodowiskowej. Dawno minęły czasy, w których organizacje po prostu przechowywały wszystkie własne dane lokalnie lub nawet u jednego dostawcy chmury. Obecnie organizacje mają dane lokalnie i współpracują z kilkoma dostawcami usług w chmurze w zależności od ich konkretnych potrzeb. Ta rzeczywistość spowodowała „przemyślenie” tego, jak należy podchodzić do zarządzania danymi. Organizacje muszą określić, w jaki sposób wpłynie to na ich obecny nadzór nad danymi i co należy dostosować, jak monitorować jakość danych w chmurze oraz jak zarządzać przepływem danych do iz chmury (oraz ogromnymi kosztami, które się z tym wiążą). - Todd Wright, dyrektor ds. Zarządzania danymi i rozwiązań w zakresie prywatności danych w SAS

Nauka danych

Rok 2020 był brutalny dla niektórych firm, satysfakcjonujący dla innych i wymagający dla wszystkich. Wkraczając w 2021 r., Marudzy mają egzystencjalny imperatyw, aby odkryć na nowo siebie cyfrowo, a wiodące firmy z trudem nadążają za wymaganiami. Wszystkie te przedsiębiorstwa muszą wykorzystać 100% integrację danych przy przewidywalnych kosztach, niezawodnej wydajności i widoczności w czasie rzeczywistym. - Bonnie Holub, kierownik ds. Praktyki, Data Science, Americas at Teradane

Demokratyzacja danych stanie się nową normą. Zadaniem CDO jest zapewnienie ekspansji wzrostu w całej firmie. Można to osiągnąć, udostępniając ustrukturyzowane dane, z których ludzie mogą faktycznie korzystać. Udany CDO powinien zdemokratyzować dane, tak aby były dostępne i zrozumiałe dla ludzi. Dobry CTO uzupełni CDO, tworząc niezbędne narzędzia do wyszukiwania wymaganych danych. Oznacza to udostępnienie użytkownikom zestawu narzędzi do wizualizacji i raportowania, które pozwolą im uzyskać dostęp do danych w celu uzyskania szczegółowych informacji. Przechodząc do 2021 r., Będziemy nadal widzieć dalszą i ściślejszą współpracę między tymi dwiema rolami, napędzaną koniecznością. Jeśli masz narzędzia ze złymi danymi, zaostrzasz wyzwanie związane z danymi. Jeśli masz ograniczone narzędzia, tylko niewielki podzbiór może zrobić wszystko z danymi. - Derek Knudsen, dyrektor ds. Technologii w Alteryx

Analitycy obywatelscy będą zdobywać coraz większe umiejętności, aby zostać naukowcami danych. Rosnąca złożoność większości branż i firm oznacza również, że gdy zobaczymy samodzielność w zakresie opracowywania procesów IT lub korzystania z narzędzi analitycznych, szybko pojawi się ogromny impuls do dalszego poszerzania tego zestawu umiejętności. Ponieważ rynek zmienia się nieregularnie z miesiąca na miesiąc, będzie znacznie większy nacisk na naukę o danych niż kiedykolwiek wcześniej. To z kolei sprawi, że więcej analityków obywatelskich podniesie umiejętności, aby zostać naukowcami danych. - Sharmila Mulligan, dyrektor ds. Strategii i marketingu w Alteryx

Biblioteki wizualizacji danych Pythona zostaną zsynchronizowane. W końcu zaczynamy widzieć, że biblioteki wizualizacji danych Pythona współpracują ze sobą i ta praca będzie kontynuowana w 2021 roku. Python od lat ma kilka naprawdę świetnych bibliotek wizualizacji, ale było wiele różnorodności i zamieszania, które utrudniają użytkownikom wybierz odpowiednie narzędzia. Deweloperzy w wielu różnych organizacjach pracowali nad integracją funkcji opracowanych przez Anacondę, takich jak renderowanie dużych zbiorów danych po stronie serwera Datashadera i połączone pędzle HoloViews z szeroką gamą bibliotek kreślących, udostępniając więcej mocy szerszej bazie użytkowników i zmniejszając powielanie wysiłków. Trwające prace będą jeszcze bardziej wspomagać tę synchronizację w 2021 r. I później. - James A. Bednar, starszy menedżer, doradztwo techniczne, anakonda

Umiejętności biznesowe staną się ważniejsze niż kiedykolwiek dla naukowców zajmujących się danymi. Naukowcy zajmujący się danymi będą musieli mówić językiem biznesowym, aby przełożyć wgląd w dane i modelowanie predykcyjne na praktyczny wgląd w skutki biznesowe. Właściciele technologii będą również musieli uprościć dostęp do technologii, aby właściciele techniczni i biznesowi mogli ze sobą współpracować. Dla naukowców zajmujących się danymi nacisk zostanie położony nie tylko na to, jak szybko mogą budować, ale na to, jak dobrze mogą współpracować z resztą firmy. - Florian Douetteau, CEO i współzałożyciel Dataiku

Samoobsługa przekształciła się w samowystarczalność: w świecie wirtualnym samoobsługa musi ewoluować. Gdy nie ma instrukcji obsługi i nie ma nikogo, kto mógłby trzymać użytkownika za rękę, szybkie, intuicyjne uruchamianie staje się czynnikiem higienicznym przy wdrażaniu, a atrakcyjne interfejsy użytkownika nie będą już przyjemne. Ale widzieliśmy również, że użytkownicy często nie chcą obsługiwać się samodzielnie; coraz częściej oczekują, że przyjdą do nich spostrzeżenia. W rezultacie zobaczymy więcej mikro-spostrzeżeń i historii dla rozszerzonego konsumenta. Ponadto dane są zbyt często pomijane. Umożliwienie użytkownikom dostępu do danych, spostrzeżeń i logiki biznesowej wcześniej i bardziej intuicyjnie umożliwi przejście od samoobsługi wizualizacji do samowystarczalności danych. Sztuczna inteligencja odegra tutaj ważną rolę, ujawniając mikro-wgląd i pomagając nam przejść od procesów opartych na skryptach i zorientowanych na ludzi do bardziej zautomatyzowanych, nisko-kodowych i bezkodowych przygotowań i analiz danych. Jeśli więcej osób może być samowystarczalnych dzięki danym na wcześniejszym etapie łańcucha wartości, anomalie można wykryć wcześniej, a problemy rozwiązać szybciej. - Dan Sommer, starszy dyrektor, Global Market Intelligence Lead at Qlik

W przeszłości firmy przykładały dużą wagę do osób, które były „naukowcami danych”. Idąc dalej, będzie potrzeba zatrudniania ludzi, którzy są ekspertami w tej dziedzinie zbieranie danych. Aby modele sztucznej inteligencji działały, potrzebne są ogromne ilości danych, a ponadto krytyczne dane nadal znajdują się w silosach w wielu organizacjach; stąd duże zapotrzebowanie na osoby posiadające umiejętności w zakresie gromadzenia danych. - Clara Angotti, prezes Następna ścieżka

Naukowcy zajmujący się danymi odegrają kluczową rolę w opracowaniu szczepionki COVID-19. Od opracowania szczepionki po analizę prób i wdrożeń, dane będą kluczem do ustalenia, czy znaleźliśmy rozwiązanie zapobiegawcze. Naukowcy zajmujący się danymi będą równie ważni, jak tradycyjnie wyszkoleni naukowcy, w tworzeniu pierwszej skutecznej szczepionki. Aby przyspieszyć opracowywanie szczepionek, ludzie muszą być w stanie zarządzać, podejmować decyzje i ufać tym danym. Wiedząc, że szybkość ma kluczowe znaczenie, wymagana jest elastyczność danych, a nowe zautomatyzowane systemy umożliwią wprowadzenie nowych innowacji, które ostatecznie doprowadzą do powstania szczepionki. Przyspieszenie dostarczania szczepionki będzie wymagało dużej sprawności i automatyzacji w zarządzaniu danymi. - CEO Infoworks Buno Pati.

Chociaż dane nadal rządzą światem, organizacje wciąż zmagają się z wykorzystaniem tych danych w celu uzyskania prawdziwej przewagi konkurencyjnej. Pojawił się ruch Citizen Data Science Movement, który szeroko promuje umiejętność manipulowania danymi i ich interpretacji. Ale czy jest lepszy sposób? Czy nie byłoby mądrzejszy (i łatwiejszy) po prostu nadać danym biznesowym znaczenie i naprawić dane zamiast naprawiać ludzi, biorąc pod uwagę, że surowe, niezinterpretowane dane znajdujące się gdzieś w systemie nie są zbyt pomocne. - Kendall Clark, założyciel i dyrektor generalny dewelopera Enterprise Knowledge Graph Platform, Gwiezdny Pies

Przekonamy się, jak dobrze architektować dla nauki o danych: opanowanie zarządzania danymi będzie priorytetem dla wielu grup IT, które chcą poprawić inteligencję biznesową i elastyczność. Z tego powodu nauka o danych - parasol, pod którym rozwijają się sztuczna inteligencja, uczenie maszynowe, automatyzacja, jeziora danych i inne - odnotuje ogromny wzrost w 2021 r. Od analizy zachowań opartych na danych do przekształcenia zakupów spożywczych po wykorzystanie potężnych obliczeń w chmurze do ulepszyć modele produkcji mediów, nauka o danych będzie dla wielu wiodąca w utrzymaniu konkurencyjności. Zbyt kosztowne w samodzielnym udostępnianiu, wiele z tych firm będzie zlecać swoje projekty z zakresu data science stronom trzecim w modelu subskrypcji. - Dustin Milberg, Field CTO Cloud Services at Interwizja

Zautomatyzuj swoje potoki, aby uwolnić pełny potencjał naukowców zajmujących się danymi: naukowcy zajmujący się danymi zbyt często są zajęci takimi zadaniami, jak przygotowanie danych, inżynieria funkcji i modelowanie. Gdy zadania te zostaną rozszerzone o narzędzia, które pomagają zautomatyzować te kroki, naukowcy zajmujący się danymi będą handlować rutynowymi zadaniami na czas spędzony na głębszych, strategicznych podejściach, które uczynią z nich nieocenione zasoby. Spodziewamy się bardziej systematycznych wdrożeń biznesowych rozwiązań AI, aby analizy ad-hoc były bardziej wydajne i powtarzalne. - dr Justin Silver strateg AI w PROS

głęboki Learning

Wdrażanie rozwiązań korporacyjnych opartych na głębokim uczeniu się w start-upach i przedsiębiorstwach będzie podlegać stopniowej poprawie. Główną przeszkodą nadal będą koszty zakupu instancji GPU i kosztownych zasobów ludzkich. - Sundeep Reddy Mallu, dyrektor ds. Analiz at Gramenera

Jak wszyscy byliśmy świadkami w ostatnich latach, badania i rozwój w zakresie przetwarzania języka naturalnego rozwijały się gwałtownie dzięki przełomom w modelach języka Transformer, takich jak BERT, GPT-3 itp. Osiągając najnowocześniejszą wydajność, wymagają one dużych zbiorów danych. oraz duże ilości zasobów obliczeniowych do szkolenia i wnioskowania o znacznym śladzie węglowym. Zobaczymy więcej wysiłków i badań z nowymi modelowymi architekturami i technikami szkoleniowymi w celu rozwiązania problemów związanych z emisją dwutlenku węgla, bardzo długimi czasami szkolenia, z przestrzennymi i obliczeniowymi modelami skutecznymi, aby te przełomowe odkrycia były bardziej dostępne; Najnowsze modele, takie jak Performers with Fast Attention, posłużą jako katalizatory, aby iść w tym kierunku. - Kavan Shukla, Data Scientist, Sztuczna inteligencja Finna

sprzęt komputerowy

Sprzęt i oprogramowanie zbiegają się wraz z rozwojem sprzętu specyficznego dla sztucznej inteligencji. Jak pokazała zapowiedź Apple'a dotycząca chipa M1, specjalnie zbudowany sprzęt staje się coraz bardziej powszechny, co oznacza, że ludzie zaczną bardziej myśleć o sprzęcie, nad którym pracują, niż wcześniej - włączając w to naukowców zajmujących się danymi. Rozwój sprzętu specyficznego dla ML prawdopodobnie doprowadzi do poprawy wydajności, ale zapewni również inną zmienną we wdrażaniu modelu. Będzie to miało szczególnie duże znaczenie w środowiskach chmurowych i mobilnych. To jeszcze bardziej zburzy mur, który tradycyjnie istniał między sprzętem a oprogramowaniem, z przypadkami użycia sztucznej inteligencji na czele. - Kevin Goldsmith, CTO, anakonda

Od 2012 roku moc obliczeniowa AI wzrosła pięciokrotnie szybciej niż prawo Moore'a, podwajając się co około 5 miesiąca. Biorąc pod uwagę rosnącą liczbę aplikacji zbudowanych na bazie silników sztucznej inteligencji, które mają wpływ na nasze codzienne życie - niektóre nawet krytyczne dla całej ludzkości (np. Modelowanie i rozwiązywanie problemów ze zmianami klimatu), znalezienie rozwiązania tego niedopasowania skalowania wydajności jest wysokie w przypadku każdego poważnego problemu i lista priorytetów firmy produkującej chipy. Potrzeba zmian w sposobie postrzegania prawa Moore'a stanie się bardziej widoczna w 3.5 r. Najnowszym trendem jest mówienie o pisaniu bardziej wydajnego oprogramowania, aby uzyskać poprawę wydajności z roku na rok. Jest to ryzykowny zakład, ponieważ rozwój całkowicie nowych algorytmów nie może odbywać się zgodnie z harmonogramem i dlatego nie są one zgodne z tradycyjnym harmonogramem rozwoju półprzewodników. Podstawowe technologie obliczeniowe również muszą ulec poprawie. W nadchodzącym roku będziemy nadal widzieć zmiany i ulepszenia. - Nick Harris, dyrektor generalny i współzałożyciel Światłomateria

Przetwarzanie w pamięci

W 2021 r., Przyspieszony przez COVID-19 i surowsze przepisy, przedsiębiorstwa będą kontynuować swoje inicjatywy w zakresie transformacji danych, aby prosperować w rozwijającej się cyfrowej gospodarce online. Ekstremalne prędkości, elastyczność w chmurze i analizy operacyjne zostaną zastosowane przez przedsiębiorstwa w celu optymalizacji operacji opartych na danych oraz szybkiego wprowadzenia nowych usług i aplikacji.

Rozwiązania technologiczne oparte na natywnej strukturze danych w chmurze, znanej również jako centrum integracji cyfrowej, umożliwią organizacjom odciążenie i odłączenie starszych systemów zapisu i baz danych w celu spełnienia ich wymagań cyfrowych i analitycznych oraz umożliwienia migracji do chmury bez muszą całkowicie uwolnić się od istniejących systemów o znaczeniu krytycznym. Wprowadzenie szybkości i skali in-memory do analiz i BI będzie napędzać raportowanie i wizualizację świeżych danych w czasie rzeczywistym oraz umożliwi modelom ML wykorzystanie dokładniejszych danych w czasie rzeczywistym do usług online, takich jak zatwierdzanie pożyczek, analiza oszustw i klientów Możliwości 360. AIOps będzie również przedmiotem zainteresowania i zostanie wdrożony w celu automatyzacji i usprawnienia złożonych operacji związanych z danymi i analizami, skrócenia czasu wprowadzenia produktu na rynek i obniżenia kosztów przy jednoczesnej minimalizacji błędów ludzkich. - Adi Paz - CEO - GigaSpaces

W 2020 roku pandemia COVID-19 skłoniła wiele firm, zwłaszcza zajmujących się dostawą żywności, handlem elektronicznym, logistyką oraz usługami zdalnego dostępu i współpracy, do radykalnego skalowania i ulepszania infrastruktury w celu utrzymania wysokiej wydajności aplikacji w obliczu gwałtownych wzrostów liczby odwiedzających witrynę internetową, żądania dostawy, transakcje sprzedaży, strumieniowe przesyłanie wideo i nie tylko. Wiele z tych firm odkryło, że najszybszym podejściem do utrzymania lub poprawy wydajności przy jednoczesnym zwiększeniu przepustowości aplikacji było wdrożenie rozproszonej siatki danych w pamięci (IMDG) - zbudowanej przy użyciu platformy obliczeniowej w pamięci, takiej jak Apache Ignite - którą można wstawić między istniejącą aplikacją a dyskową bazą danych bez większych modyfikacji żadnej z nich. IMDG poprawia wydajność, buforując dane aplikacji w pamięci RAM i stosując masowo równoległe przetwarzanie (MPP) w rozproszonym klastrze węzłów serwerów. Zapewnia również prostą ścieżkę skalowania pojemności, ponieważ rozproszona architektura umożliwia zwiększenie mocy obliczeniowej i pamięci RAM klastra po prostu przez dodanie nowych węzłów.

W 2021 roku platformy IMC staną się łatwiejsze w użyciu, a liczba doświadczonych praktyków IMC będzie nadal szybko rosnąć. Umożliwi to wdrożenie IMC w większej liczbie branż i szerszej grupie firm. W rezultacie więcej firm będzie miało lepszą pozycję do wykorzystania IMC w celu szybkiego przyspieszenia aplikacji, nie tylko w odpowiedzi na wymagania COVID, ale także w celu sprostania nowym wymaganiom strategicznym i konkurencyjnym w miarę zmniejszania się zagrożenia pandemią. - Nikita Ivanov, CTO i założyciel GridGain systemy

Internet przedmiotów

Przyjęcie IoT w przedsiębiorstwie będzie się nagrzewać bardziej niż kiedykolwiek: w świetle wpływu pandemii na biznes przedsiębiorstwa będą poszukiwać nowych lub dodatkowych sposobów na przyspieszenie podejmowania decyzji w 2021 r. IoT może odegrać w tym rolę. Z punktu widzenia BI wyzwaniem jest rozpoznanie, że IoT ma różne modele danych, które należy dostosować, na przykład wydajność w czasie. Kluczowe będzie skrócenie czasu opóźnienia między produkcją danych a operacjami. Najmądrzejsze organizacje zdadzą sobie sprawę, że nie mogą po prostu wydawać na to pieniędzy, ale zamiast tego muszą być strategiczne, aby tworzyć nowe modele danych, które dzielą się przemyślanymi spostrzeżeniami. - Eric Raab, starszy wiceprezes ds. Inżynierii i produktu, Kreatorzy informacji

Pandemia znacznie przyspieszyła potrzebę ukończenia przez firmy transformacji Przemysłu 4.0 dzięki rozwiązaniom, które pozwalają im uzyskać większą elastyczność, widoczność i wydajność w ich działalności. Zobaczymy przyspieszenie wdrażania rozwiązań, które pomogą zaspokoić te potrzeby, począwszy od sztucznej inteligencji, w tym uczenia maszynowego, wizji maszynowej i zaawansowanej analityki. W miarę jak gospodarka się odradza, będziemy nadal obserwować inwestycje w podstawową infrastrukturę OT z większymi możliwościami IT, aby umożliwić szerokiemu ekosystemowi graczy wdrażanie tych rozwiązań, i zobaczymy, że przyjęcie Przemysłu 4.0 znacznie wzrośnie w 2021 r. - Christine Boles, wiceprezes , IoT Group i GM, Industrial Solutions Division, Intel

Eksplozja przetwarzania brzegowego: Będziemy nadal obserwować wzrost wykorzystania przetwarzania brzegowego w branży centrów danych ze względu na zwiększoną moc obliczeniową i wymagania dotyczące szybkości ze strony konsumentów i firm. Sieć o małych opóźnieniach ma kluczowe znaczenie w środowiskach, które dążą do maksymalizacji przepustowości obliczeniowej i skrócenia czasu bezczynności serwera. - dr Timothy Vang, wiceprezes ds. Marketingu i aplikacji Semtech Grupa Produktów Integralności Sygnału

Edge to nowa chmura: w przypadku firm skalujących inicjatywy dotyczące inteligentnych fabryk w 2021 r. Niezbędna będzie dostępność w czasie rzeczywistym obciążeń o znaczeniu krytycznym, aby zapewnić wyniki biznesowe. Przetwarzanie brzegowe uzupełni istniejącą infrastrukturę chmury, umożliwiając przetwarzanie danych w czasie rzeczywistym tam, gdzie odbywa się praca (np. Silniki, pompy, generator lub inne czujniki). Wdrożenie zintegrowanej analityki od brzegu po chmurę pomoże tym przedsiębiorstwom zmaksymalizować wartość inwestycji w systemy cyfrowe.

Branża będzie nadal podążać w kierunku bardziej zdecentralizowanych środowisk obliczeniowych, a przewaga doda znaczną wartość do inicjatyw związanych z transformacją cyfrową. Dzięki integracji funkcji brzegowych z istniejącą infrastrukturą chmury organizacje będą mniej martwić się logistycznymi kwestiami informatycznymi, a zamiast tego skupią się na ponownym przemyśleniu możliwości inteligentnej maszyny: na jakie pytania może szybciej odpowiedzieć? Jakie nowe problemy może rozwiązać? W jaki sposób może lepiej chronić operacje? Analitycy zauważają, że do 2022 r. 99% z tego powodu przedsiębiorstw przemysłowych będzie korzystać z przetwarzania brzegowego. - Keith Higgins, wiceprezes ds. Transformacji cyfrowej w Rockwell Automation

Kreatywne umysły pchają IoT do przodu: IoT i rozwój inteligentnych produktów będą zależeć od kreatywnych projektów i przemyślanych rozwiązań, ponieważ techniczne ulepszenia mikroprocesorów spowalniają, ponieważ inżynierowie pokonują ograniczenia tego, co jest fizycznie możliwe jako twórcy chipów w pobliżu teoretycznego limitu grubości tych urządzeń być. Rozwój produktów Post-Moore Law będzie zależał od pomysłowości inżynierów i projektantów, aby tworzyć pomysłowe rozwiązania w celu rozwiązywania problemów biznesowych i społecznych oraz ulepszania codziennych procesów konsumenckich, zamiast po prostu polegać na nowej generacji potężnych chipsetów. - Sam Mahalingam, dyrektor ds. Technicznych, Altair

Nauczanie maszynowe

Inwestycje w operacje IT zmienią się z automatycznej automatyzacji przepływu pracy na natywne rozwiązania AI / ML z dążeniem do przekształcenia się w operacje cyfrowe. Operacje przepływu pracy i ich automatyzacja będą w naturalny sposób ewoluować, obejmując rozwiązania AI / ML, gdy technologia stanie się potężniejsza. AI i ML rozwijają się i z kolei usprawniają automatyzację przepływu pracy, ponieważ firmy gromadzą więcej danych, a także organizują zmiany i operacje administracyjne. - Shiva Ramani, dyrektor generalny iOPEX

Przedsiębiorstwa znajdą nowe aplikacje dla technologii uczenia maszynowego, które automatyzują procesy ręczne i zwiększają możliwości monitorowania. Firmy będą szukać produktów, które zapewniają dokładniejsze monitorowanie, większą automatyzację i dodatkowe informacje w zakresie wydatków na IT. Na przykład rozwiązania w zakresie dostępności, które zapewniają monitorowanie z uwzględnieniem aplikacji oraz automatyzację zadań konfiguracji i zarządzania, miałyby wyższy priorytet niż tradycyjne rozwiązania do przełączania awaryjnego. Pojawią się nowe innowacje w HA, aby poradzić sobie z rosnącą złożonością awarii i katastrof spowodowanych przez urządzenia IoT oraz ich zależności. - Cassius Rhue, wiceprezes ds. Obsługi klienta, Technologia SIOS

Historycznie rzecz biorąc, algorytmy bardziej dotyczyły uczenia maszynowego i sieci neuronowych. Obecnie widzimy coraz więcej maszyn, które są samowystarczalne i mogą uczyć się i trenować w sposób niezwykle podobny do podświadomej części ludzkiego mózgu. Innymi słowy, algorytmy używane do naśladowania analitycznej części mózgu; teraz naśladują największą, najpotężniejszą i najbardziej intrygującą część ludzkiego mózgu, którą nazywamy zdrowym rozsądkiem, przeczuciami i intuicją. Zamiast polegać na ludziach, którzy je szkolą i uczą, dzisiejsze algorytmy maszynowe bez nadzoru są w stanie gromadzić ogromne ilości danych, tworzyć obrazy świata i dokonywać dedukcji bardzo podobnych do tych, które byłyby dokonywane przez ludzi. Wkraczamy do świata, w którym komputery mogą się szkolić. - Mark Gazit, dyrektor generalny ThetaRay

Zmniejszanie uprzedzeń: w tym roku przeprowadzono wiele niezbędnych rozmów na temat uprzedzeń i łagodzenia skutków w algorytmach sztucznej inteligencji oraz sposobów radzenia sobie ze społecznymi skutkami personalizacji opartej na algorytmach. Musimy jednak kontynuować rozwój narzędzi, które zapewniają wgląd w wyniki systemów ML, ujawniają błędy i sprawdzają dryf w wdrożonych modelach w czasie. Staje się to coraz bardziej krytyczne, gdy więcej z tych systemów jest wprowadzanych do produkcji, aby mieć pewność, że nie utrwalamy ani nie tworzymy źródeł szkodliwych uprzedzeń. - Kevin Goldsmith, CTO, anakonda

Organizacje, których wczesne sukcesy w uczeniu maszynowym skłoniły je do rozszerzenia swoich programów, odkrywają, że szybko zmieniająca się linia produkcyjna wysokiej jakości zbiorów danych jest paliwem napędzającym tę ekspansję. Dzięki temu dane jako usługa zyska wysoki priorytet dla zespołów inżynierii danych. - Luke Han, współzałożyciel i dyrektor generalny, Kyligence

Zdolność do zaufania i operacjonalizacji ML będzie lakmusowym testem przetrwania w 2021 roku: oprócz pandemii i recesji nadal borykamy się z wykładniczo rosnącą ilością danych i coraz większą złożonością nowych technologii. Jeśli firmy chcą odnieść sukces w nadawaniu sensu swoim dużym sumom danych i złożoności technicznej, muszą wykorzystywać i operacjonalizować modele uczenia maszynowego w zrozumiały i zrozumiały sposób. Nie wystarczy już skupiać się na wprowadzaniu modeli do produkcji, teraz należy skupić się na dostarczaniu modeli w ręce użytkowników biznesowych i decydentów. Aby jednak dokonać operacjonalizacji, firmy muszą być w stanie ufać, czerpać zrozumienie i komunikować się na temat zdolności modelu do wywierania znaczącego wpływu na potencjał biznesowy. W 2021 r. Zdolność firmy do zaufania do swojego modelu - w zakresie, w jakim jest w stanie podejmować działania na podstawie wglądu opartego na sztucznej inteligencji - będzie wyznacznikiem jej zdolności do przetrwania. - Santiago Giraldo, starszy menedżer ds. Marketingu produktów w dziedzinie uczenia maszynowego, Cloudera

Firmy różnej wielkości i na wszystkich etapach agresywnie zmierzają w kierunku operacjonalizacji wysiłków związanych z uczeniem maszynowym. Istnieje kilka popularnych frameworków do treningu modeli, w tym Tensorflow i PyTorch, wiodące w grze. Podobnie jak Apache Spark jest uważany za lidera w dziedzinie transformacji danych, a Presto staje się wiodącą technologią do interaktywnych zapytań, tak 2021 będzie rokiem, w którym lider zdominuje szerszą przestrzeń szkoleniową modelu, z pyTorch lub Tensorflow jako wiodącymi konkurentami. - Haoyuan Li, założyciel i dyrektor generalny, Alluxio

SaaS zmieniają dane jako brakujący element dla ML / AI: Organizacje skupiające się na sztucznej inteligencji i uczeniu maszynowym będą nadal pragnąć znaczących zestawów danych szkoleniowych, które można wprowadzić do ich algorytmów ML, aby wykryć wzorce zmian przyczynowo-skutkowych w czasie. Aby to zrobić, wykorzystają stale zmieniające się zbiory danych w aplikacjach chmurowych / SaaS innych firm jako dane wejściowe do tych algorytmów. Będzie to wywierać na nich presję, aby przechwytywać i przetwarzać każdą zmianę tych danych w czasie w ich ekosystemie DataOps. - Joe Gaska, dyrektor generalny GRAX

Rola odgrywana przez sztuczną inteligencję i ML będzie się rozszerzać, gdy na pierwszy plan wysunie się inteligencja tożsamości. Kiedy dochodzimy do punktu krytycznego w przyszłości uwierzytelniania, użytkownicy są coraz bardziej świadomi bezpieczeństwa, jeśli chodzi o ochronę ich tożsamości cyfrowych w Internecie. Weryfikacja tożsamości będzie stawać się coraz bardziej kontekstualna, a sztuczna inteligencja będzie odgrywać coraz większą rolę w określaniu dynamicznego ryzyka dostępu, którego system oparty na regułach po prostu nie może zapewnić. Nadzorowane i nienadzorowane głębokie uczenie się, uczenie ze wzmocnieniem i algorytmy genetyczne nie tylko zastosują predefiniowane modele wnioskowania, ale także umożliwią rozwiązaniom bezpieczeństwa dostosowywanie się do zmieniających się zachowań przedsiębiorstwa i uczenie się od innych firm, gdy napotykają i łagodzą zagrożenia. Zwalczanie głębokich podróbek za pomocą wbudowanych algorytmów, czerpanie wartości z dużych zbiorów danych i stymulowanie podejmowania decyzji za pomocą zaawansowanych narzędzi analitycznych odegra kluczową rolę w inteligencji tożsamości. - Rajesh Ganesan, wiceprezes, ManageEngine (podział Zoho Corp.)

Robotyka

Ze względu na potrzebę powstrzymania ludzi przed zbliżaniem się do nowego roku, naturalnie zobaczymy znaczące inwestycje w automatyzację. Jednak być może po raz pierwszy robotyka zajmie się przyziemnymi, prostymi zadaniami ludzkimi, w przeciwieństwie do trudniejszych i strategicznych. Widzieliśmy, jak roboty pomagają ludziom w wielu skomplikowanych zastosowaniach, takich jak roboty wyszkolone do wykonywania najbardziej precyzyjnych mikrochirurgii. Roboty zaczną teraz przejmować zadania, które pozwolą podstawowym pracownikom, którzy wcześniej musieli być osobiście, na pracę zdalną. Na przykład dzięki większym inwestycjom w rzeczywistość rozszerzoną i wirtualną zobaczymy robotów-ochroniarzy kontrolowanych przez zdalnych pracowników przemieszczających się po biurach i fabrykach; pracownicy zdalni będą mogli zdalnie sterować dronami w celu zbierania i pakowania pudeł w magazynie. W 2021 roku rewolucja zostanie zrobotyzowana. - Ahson Ahmad, dyrektor ds. Produktów i klientów, Zgrywanie

Bezpieczeństwo

Deepfakes staną się poważnym zagrożeniem dla integralności biznesowej. COVID-19 wymusił wirtualizację komunikacji osobistej, co oznacza, że firmy bardziej niż kiedykolwiek polegają na wideokonferencjach do prowadzenia spotkań. Chociaż pojęcie deepfake'ów może nie być nowe, stają się one coraz bardziej wyrafinowane i niezwykle łatwe do wygenerowania. Weźmy na przykład ThisPersonDoesNotExist.com, która wykorzystuje sztuczną inteligencję do tworzenia całkowicie wiarygodnych obrazów ludzi, którzy nie istnieją w prawdziwym życiu. Jeśli proces ten można przeprowadzić przy stosunkowo niewielkiej ilości informacji, to z pewnością hakerzy mogą wykorzystać profile robocze używane w technologii wideokonferencji - w przypadku których nazwiska i zdjęcia pracowników są z nimi automatycznie powiązane - do tworzenia przekonujących podróbek. - James Carder, dyrektor ds. Bezpieczeństwa w LogRhythm

Prognoza: gdy wykrywanie oszustw staje się trudniejsze, modele oszustw ML wzmocnią się, ale wykorzystają nowsze zbiory danych: aby określić ryzyko oszustwa, firmy zwykle wykorzystują zestaw danych z przeszłych transakcji, które ich zdaniem będą reprezentatywne dla przyszłości, do szkolenia uczenia maszynowego (ML) modele. Jednak ogromny wpływ COVID-19 na dane i zachowanie konsumentów spowodował rozłączenie, ponieważ dane z przeszłości nie są już reprezentatywne dla przyszłości. Doprowadziło to wiele organizacji do stosowania modeli niedopasowanych, które działają dobrze, ale nie wychwytują nowych wzorców oszustw, lub modeli nadmiernego dopasowania, które powodują wiele niespodzianek, takich jak zalane kolejki ręcznych recenzji lub więcej obciążeń zwrotnych i oszustw. Wiele firm przestawiło się również z korzystania z ML na modele oparte na regułach i ręczne przeglądy, które bardziej opierają się na ludzkiej intuicji. W 2021 roku firmy będą mogły wykorzystać swoją wiedzę na temat tych nowych wzorców zachowań, aby ponownie zacząć budować silniejsze modele ML. Jednak aby odnieść sukces, będą musieli korzystać z bardziej aktualnych danych, brać pod uwagę rzeczy na bieżąco podczas tworzenia modeli i oceniać postępy na bieżąco. - Arjun Kakkar, wiceprezes ds. Strategii i operacji w Wytnij to

Sztuczna inteligencja stworzyła nowe zagrożenia dla bezpieczeństwa, z których największymi mogą być podróbki. Deepfake to fałszywe audio, wideo lub obrazy, które naśladują rzeczywistość, wykorzystując technologię sztucznej inteligencji. Deepfake może mieć poważne konsekwencje w niepowołanych rękach, takie jak oszustwo deepfake. Chociaż nie widzieliśmy jeszcze wielu z tych ataków, w 2019oszuści wykorzystali deepfake audio do kradzieży ponad 200,000 2021 dolarów z brytyjskiej firmy energetycznej. A ponieważ środowiska pracy zdalnej dają oszustom więcej amunicji do przeprowadzania ataków, XNUMX będzie rokiem, w którym technologia uwolni transkrypcję audio w czasie rzeczywistym, a firmy będą musiały zachować czujność, aby nie dać się oszukać. Firmy powinny uważać na podejrzane połączenia telefoniczne i nigdy nie wysyłać pieniędzy ani udostępniać poufnych informacji bez sprawdzenia, czy dzwoniący jest tym, za kogo się podaje.

Ponadto skonfigurowanie podstawowych narzędzi i protokołów cyberbezpieczeństwa może uniemożliwić oszustom uzyskanie dostępu do poufnych informacji, których potrzebują do tworzenia fałszywych obrazów i dźwięku. Badacze zajmujący się cyberbezpieczeństwem pracują nad narzędziami do wykrywania fałszywych treści, ale do tego czasu firmy będą musiały polegać na swojej intuicji i istniejących narzędziach cyberbezpieczeństwa, aby nie dać się oszukać. - dr Terry Nelms, starszy dyrektor ds. Badań, Pindrop

Dzięki napływowi naruszeń danych i postrzeganej eksploatacji danych osobowych przez Big Tech, prywatność danych konsumentów będzie nadal głównym celem w 2021 r. I później, i możemy spodziewać się wprowadzenia większej liczby przepisów chroniących prawa konsumentów i kar dla przedsiębiorstw za nieodpowiedzialne wykorzystanie danych. Aby rozwijać zaufanie i polepszać doświadczenia klientów w coraz bardziej konkurencyjnym środowisku biznesowym, w nadchodzących latach więcej organizacji przekaże konsumentom własność i kontrolę nad ich danymi osobowymi. Łącząc zasady etyczne, zgodne i chroniące prywatność z infrastrukturą technologiczną stworzoną z myślą o przyszłości, społeczeństwo będzie dążyć do systemu, w którym wartość danych przyniesie korzyści zarówno osobom fizycznym, jak i przedsiębiorstwom. - James Kingston, wiceprezes ds. Partnerstw na rzecz badań i innowacji w Dataswift, badacz sztucznej inteligencji i dyrektor HAT-LAB.

Zarządzanie bezpieczeństwem danych jest wymaganym i krytycznym elementem ograniczania zagrożeń. Do niedawna większość programów do zarządzania danymi koncentrowała się na przepływach danych i analizie, nie myśląc zbytnio o bezpieczeństwie. Nowe przepisy i regulacje dotyczące prywatności danych zmusiły interesariuszy danych, takich jak CDO, CFO, CISO i DPO, do uczynienia bezpieczeństwa danych jednym z niezbędnych elementów składowych ich wysiłków w zakresie zarządzania danymi. Jednak zarządzanie bezpieczeństwem danych jest złożone, ponieważ żaden produkt od jednego dostawcy nie jest w stanie zaimplementować wszystkich wymaganych mechanizmów kontroli zarządzania bezpieczeństwem danych. W 2021 r., Gdy firmy będą nadal gromadzić i przetwarzać coraz więcej danych, będą musiały dowiedzieć się, jak szybko ujednolicić swoje informacje, aby cała ich organizacja czerpała informacje z tego samego, zaufanego i dobrze zabezpieczonego. Następnie firmy muszą wdrożyć swoje źródła danych i zarządzać nimi za pomocą systemu ochrony danych z niezbędnymi mechanizmami kontroli prywatności, aby zminimalizować zagrożenia związane z danymi. Te kroki pozwolą zminimalizować przyszłe ryzyko biznesowe i finansowe. - Anne Hardy, CISO of Talend

AI będzie kluczem do wzmocnienia bezpieczeństwa w odległym świecie. Bezpieczeństwo jest kwestią priorytetową dla kadry zarządzającej każdej organizacji, która wyruszyła w podróż do cyfrowej transformacji, ale jej znaczenie zostało tylko przyspieszone przez pandemię. Przy tak wielu punktach końcowych rozsianych po całym świecie, a pracownicy mogą pracować zdalnie z dowolnego miejsca, zwiększa się liczba luk w zabezpieczeniach. Głównym trendem, który zobaczymy w 2021 roku i później, jest zastosowanie sztucznej inteligencji do środków bezpieczeństwa, ponieważ ludzie nie mogą samodzielnie monitorować, kontrolować i sprawdzać każdego punktu końcowego, aby odpowiednio lub skutecznie chronić nowoczesne przedsiębiorstwo. Jeśli liderzy bezpieczeństwa (szczególnie ci z firm z listy Fortune 500) nie poświęcą teraz czasu i środków finansowych na zwiększenie bezpieczeństwa dzięki sztucznej inteligencji, mogą spodziewać się, że w przyszłości zostaną na celowniku hakerów i będą starać się chronić swoje dane. - Scott Boettcher, wiceprezes ds. Zarządzania informacjami przedsiębiorstwa, usługi NTT DATA

Magazynowanie

Starsza wersja NAS jest martwa dla sztucznej inteligencji. Wraz z wprowadzeniem PCIe Gen4, wskaźniki I / O całkowicie oderwały się od ewolucji rdzeni procesorów. Starsi dostawcy NFS utknęli w pojedynczym strumieniu TCP, który jest ograniczony przez możliwości pojedynczego rdzenia procesora na serwerze aplikacji. PCIe Gen4 podwoi szczytową wydajność we / wy aplikacji w 2021 roku, podczas gdy rdzeń procesora nie będzie już w stanie w równym stopniu podwoić wydajności we / wy jednordzeniowych. Nie ma większej koncentracji operacji we / wy z jednym hostem niż na rynku sztucznej inteligencji - w zastosowaniach takich jak uczenie maszynowe i uczenie głębokie. Aby rozwiązać ten problem, klienci będą poszukiwać rozwiązań obsługujących wielowątkowość, RDMA i możliwość całkowitego ominięcia procesorów - tak jak ma to miejsce w przypadku pamięci NVIDIA GPUDirect. Potrzeba zapewnienia zasilania i wydajności procesorów graficznych i sztucznej inteligencji znacznie przewyższy możliwości we / wy starszych serwerów NAS opartych na protokole TCP, co doprowadzi klientów do całkowitego odejścia od starszych serwerów NAS w 2021 r. - Renen Hallak, założyciel i dyrektor generalny VAST Data

Magazyn obiektowy obala mit, że jest używany tylko do archiwizacji. Chociaż obiektowa pamięć masowa jest najlepiej znana jako rozwiązanie do przechowywania kopii zapasowych i archiwów, w 2021 r. Trzy trendy zwiększą tę percepcję. Po pierwsze, obiektowa pamięć masowa flash zyska przychylność w przypadku obciążeń związanych z analizą danych, które również wymagają dużej pojemności. Po drugie, pamięć masowa zgodna z S3 uprości wdrażanie Kubernetes, czyniąc ją logicznym wyborem dla nowoczesnych aplikacji. Po trzecie, aplikacje natywne w chmurze będą w coraz większym stopniu wdrażane lokalnie, co spowoduje potrzebę lokalnej pamięci masowej zgodnej z S3 w celu zwiększenia przenośności aplikacji. W rezultacie więcej organizacji będzie używać pamięci obiektowej do obsługi przypadków użycia wymagających dużej mocy obliczeniowej, takich jak sztuczna inteligencja, uczenie maszynowe i analiza danych, rozbijając raz na zawsze mit „tanie i głębokie”. - Jon Toor, dyrektor ds. Marketingu Cloudian

Organizacje zbierają teraz ogromne ilości danych z systemów uczących się i IoT. Jeśli Twoja firma jest zależna od gromadzenia i analizowania danych, aby działać i odnieść sukces, co się stanie, jeśli dane te nie są w pełni zarchiwizowane i łatwe do odzyskania? Większość firm myśli głównie o analizie danych, a znacznie mniej o tworzeniu kopii zapasowych lub bezpieczeństwie danych. Jednak w miarę jak dane coraz częściej przechodzą ze środowisk analitycznych do środowisk produkcyjnych, właśnie wtedy ochrona staje się krytyczna. Najnowocześniejsze narzędzia pamięci masowej w coraz większym stopniu opierają się na sztucznej inteligencji i uczeniu maszynowym, aby zautomatyzować proces tworzenia kopii zapasowych danych. Biorąc pod uwagę gwałtowny rozmiar danych przedsiębiorstwa, te inteligentne narzędzia staną się niezbędne do utrzymania wydajnego procesu tworzenia kopii zapasowych, który może szybko i bez wysiłku reagować na zmieniające się wymagania, oszczędzając niezliczone godziny ręcznego tworzenia kopii zapasowych. - Shridar Subramanian, dyrektor ds. Marketingu Magazynowanie

Pionowe

Potencjał sztucznej inteligencji do usprawnienia procesów łańcucha dostaw był obszarem zainteresowania firm przez co najmniej 5 lat, ale po zakłóceniach spowodowanych przez COVID-19 wielu analityków łańcucha dostaw i przedsiębiorstw zwróciło uwagę na sztuczną inteligencję jako możliwe rozwiązanie ich nieszczęścia. 67% przedsiębiorstw zainwestowało w pewne rozwiązania technologiczne, które pomogą im przetrwać pandemię, oraz 60% przedsiębiorstw przemysłowych szuka w szczególności sztucznej inteligencji. Jednak modele AI są napędzane przez dane. Dokładność, zakres i możliwości modelu AI zależą całkowicie od danych szkoleniowych, które się za nim kryją. Jednak dane te muszą być uporządkowane i oznaczone w formacie nadającym się do odczytu maszynowego, zanim program AI będzie mógł je przetrawić. Przed wdrożeniem sztucznej inteligencji przedsiębiorstwa muszą wykorzystać nowoczesną technologię integracji, aby automatycznie kompilować dane z interakcji z ich ekosystemem dostawców, partnerów, handlowców i klientów w formacie, który jest ustrukturyzowany w celu napędzania modeli sztucznej inteligencji

Do kasy PrimeXBT
Handluj z oficjalnymi partnerami CFD AC Milan
Najłatwiejszy sposób na handel kryptowalutami.
Źródło: https://www.fintechnews.org/big-data-industry-predictions-for-2021/

Generatywna analiza danych

Prognozy branży Big Data na 2021 rok

Najpopularniejsze monety memowe do długoterminowego przechowywania: Dogecoin (DOGE), Shiba Inu (SHIB) i Furrever Token (FURR)

Najpopularniejsze monety memowe do długoterminowego przechowywania: Dogecoin (DOGE), Shiba Inu (SHIB) i Furrever Token (FURR)

Najnowsza inteligencja

Crypto dostaje drugą szansę: Stripe ponownie wchodzi do sektora ze Stablecoinami

Recenzje Rabbit R1 zwiastują „wybitnego” asystenta AI po katastrofalnym wprowadzeniu humanitarnego pinu – odszyfruj

Memecoiny uciekają w obliczu oporu przed przełamaniem cen PEPE i BOME?

Memecoiny uciekają w obliczu oporu przed przełamaniem cen PEPE i BOME?

Franklin Templeton umożliwia transakcje peer-to-peer funduszu Blockchain – odszyfruj

Najlepsze sieci Ethereum Layer-2 korzystają z Avail DA, aby zwiększyć wydajność i bezpieczeństwo pakietowania

Czat z nami