Gartner 2019年十大数据和分析趋势

趋势4:图表分析

业务用户在结构化和非结构化数据之间提出越来越复杂的问题，通常混合来自多个应用程序的数据，并且越来越多地混合外部数据。大规模分析这种级别的数据复杂性是不现实的，或者在某些情况下，使用传统的查询工具或查询语言是不可能的SQL．

图形处理和图形数据库的应用将以每年100%的速度增长。

图形分析是一套分析技术，它展示了人、地点和事物等实体之间的相互关系。该技术的应用范围从欺诈检测、交通路线优化、社会网络分析到基因组研究。Gartner预测，图形处理和图形数据库的应用在未来几年将以每年100%的速度增长，以加速数据准备，并实现更复杂和自适应的数据科学。

趋势5:商业人工智能和机器学习

开源平台目前主导着人工智能(AI)和机器学习，并一直是算法和开发环境创新的主要来源。商业供应商反应缓慢，但现在提供了开源生态系统的连接器。它们还提供了扩展AI和ML所需的企业功能，例如项目和模型管理、重用、透明度和集成——这些功能是开源平台目前缺乏的。商业AI和ML的使用增加将有助于加速模型在生产中的部署，这将从这些投资中推动商业价值。

趋势6:数据结构

从分析投资中获得价值取决于拥有一个敏捷和可信的数据结构。数据结构通常是定制的设计，通过数据集成方法的组合以编排的方式提供可重用的数据服务、管道、语义层或api。它可以在分布式数据环境中无障碍地访问和共享数据。

趋势7:可解释的AI

可解释的人工智能提高了人工智能解决方案和结果的透明度和可信度，降低了监管和声誉风险。可解释的人工智能是一组描述模型的能力，突出其优点和缺点，预测其可能的行为并识别任何潜在的偏差。如果没有可接受的解释，自动生成的见解或人工智能的“黑箱”方法可能会引起对监管、声誉、问责制和模型偏差的担忧。

趋势8:数据和分析领域的区块链

区块链技术解决了数据和分析方面的两个挑战。首先，区块链提供资产和事务的谱系。其次，它为复杂的参与者网络提供了透明度。然而,区块链不是独立数据存储而且它的数据管理能力有限。基于区块链的系统不能作为记录系统，这意味着涉及数据、应用程序和业务流程的巨大集成工作。实际上，该技术还没有成熟到现实世界的生产级可伸缩性，适用于加密货币以外的用例。

阅读更多:区块链的现实

趋势9:持续智能

长期以来，组织一直在寻求实时情报，而系统可用于完成有限的任务集。现在终于可以实际实施这些系统了——Gartner称之为连续的情报——由于云计算、流媒体软件的进步以及来自全球各地传感器的增长数据，这一数字将在更大范围内增长物联网。到2022年，超过一半的主要新业务系统将包含持续智能，使用实时上下文数据来改善决策。

趋势10:持久内存服务器

大多数数据库管理系统(DBMS)利用内存中的数据库结构，但随着数据量的快速增长，内存大小可能受到限制。新的服务器工作负载不仅要求更快的处理器性能，还要求更大的内存和更快的存储。持久内存技术将帮助企业从数据中提取更多可操作的见解。许多DBMS供应商正在试验持久内存，尽管可能需要几年的时间来修改他们的软件以利用它。