至顶网CIO与CTO频道 07月01日 北京消息:近日,Gartner发布了数据与分析领域的十大技术趋势,为数据和分析领导者的新冠疫情(COVID-19)响应和恢复工作提供指导,并为疫情后的重启做好准备。
数据和分析领导者如果希望在疫情后能持续创新,就需要不断提高数据处理和访问的速度,扩大分析规模,在前所未有的市场动荡中赢得成功 。
数据和分析领导者应检验以尝试以下十大数据和分析趋势,加快新冠疫情后的恢复:
趋势1:更智能、更高速、更负责的AI
到2024年底,75%的企业机构将从人工智能 (AI)试点转为AI运营,基于流数据的分析基础架构的数量将因此增加5倍。
疫情当前,机器学习(ML)、优化和自然语言处理(NLP)等AI技术正就病毒传播、应对效果及影响提供重要洞察和预测。
而强化学习和分布式学习等其他更智能的AI技术正在创建更具适应性和灵活性的系统,用于处理复杂的业务情况。 例如,基于代理的系统可对复杂系统进行建模和仿真。
趋势2:仪表板的衰落
具备更多自动化和消费化体验的动态数据故事将取代视觉化、点击式的数据创建和探索。因此,用户使用预定义仪表板的时间也将会减少。向支持增强分析或NLP等技术的动态数据故事转变,这意味着:最相关的洞察将基于用户的场景、角色或用途,流式传输给每个用户。
趋势3:决策智能
到2023年,33%以上的大型企业机构将聘用分析师实现包括决策建模在内的决策智能。决策智能汇集了决策管理和决策支持等多项技术。它提供了一个框架,帮助数据和分析领导者针对业务成果和行为,设计、建立、协调、执行、监控和调整决策模型及流程。
趋势4:X分析
“ X分析”由Gartner创造的一个总称术语,其中的X指代各种结构化和非结构化内容(如文本分析、视频分析、音频分析等)的数据变量。
在新冠疫情期间,AI发挥了关键作用,梳理了成千上万份研究论文、新闻资料、社交媒体内容和临床试验数据,帮助医疗和公共卫生专家预测疾病传播,制定能力规划,寻找新的治疗方法并确定易感人群。X分析与AI、图谱分析等其他技术结合起来,将对未来自然灾害和其他危机的识别、预测和规划发挥关键作用。
趋势5:增强型数据管理
增强型数据管理利用ML和AI技术优化并改进运营。它还促进了元数据角色的转变,从协助数据审计、沿袭和汇报转为支持动态系统。
增强型数据管理产品能够审查大量的运营数据样本,包括实际查询、性能数据和方案。利用现有的使用情况和工作负载数据,增强型引擎能够对运营进行调整,并优化配置、安全性和性能。
趋势6:云成为必然
到2022年,公有云服务将对90%的数据和分析创新起到至关重要的作用。随着数据和分析的上云,数据和分析领导者仍然很难实现服务与用例的协调一致,这就增加了不必要的治理和集成开支。
数据和分析问题的关键,已经从某项服务的成本转为如何在定价之外满足工作负载的性能要求。上云时,数据和分析领导者需要优先处理能够利用云能力和专注于成本优化的工作负载。
趋势7:数据和分析的碰撞
数据管理能力和分析能力在传统上被视为不同的领域,需要分别进行管理。利用增强分析提供端到端工作流的供应商使这两个市场之间的界线变得模糊了。
数据和分析的碰撞将增加这两个传统上相对独立的领域之间的交互和协作。这不仅会影响到所提供的技术和能力,还会使支持和使用它们的人员和流程受到影响。相关角色也将从传统的数据和分析扩展到信息探索人员和公民开发人员等。
趋势8:数据市场和交易平台
到2022年,35%的大型企业机构将通过正式的在线数据市场参与数据交易,而这一比例在2020年为25%。数据市场和交易平台为整合第三方数据产品和降低第三方数据成本提供了统一平台。
趋势9:区块链技术在数据和分析中的应用
区块链技术解决了数据和分析领域中的两项挑战。首先,区块链提供了资产和交易的完整沿袭。其次,区块链为复杂的参与者网络提供透明度。
除了有限的比特币和智能合约用例之外,分类账目数据库管理系统(DBMS)将为单个企业审计数据来源提供了更具吸引力的选择。Gartner预计,到2021年,分类账目DBMS产品将取代多数许可区块链的使用。
趋势10:关系奠定了数据和分析价值的基础
到2023年,图谱技术将促进全球30%的企业机构决策过程的快速情景化。图谱分析是指一系列用于探索不同感兴趣的实体(如组织、人员和交易)之间关系的技术。它帮助数据和分析领导者找到数据中未知的关系,并查看传统分析技术不易分析的数据。
好文章,需要你的鼓励
上海交通大学研究团队开发出革命性AI癌症诊断系统,通过深度学习技术分析50万张细胞图像,实现94.2%的诊断准确率,诊断时间从30分钟缩短至2分钟。该系统不仅能识别多种癌症类型,还具备解释性功能,已在多家医院试点应用。研究成果发表于《Nature Communications》,展示了AI在精准医疗领域的巨大潜力。
南华理工大学等机构提出3DFlowAction方法,让机器人通过预测物体3D运动轨迹来学习操作技能。该研究创建了包含11万个实例的ManiFlow-110k数据集,构建了能预测三维光流的世界模型,实现了跨机器人平台的技能迁移。在四个复杂操作任务上成功率达70%,无需特定硬件训练即可在不同机器人上部署,为通用机器人操作技术发展开辟新路径。
这是首个系统性探索跨视角协作智能的综合性研究,由南京大学、东京大学等顶尖机构联合完成。研究团队首次将"第一人称视角"与"第三人称视角"的协作应用进行了全面梳理,提出了三大技术方向和十三个关键任务,涵盖从智能厨房到手术机器人的八大应用场景。这项突破性工作为人工智能向人类认知迈进提供了重要的技术路径和理论基础。
这项由台湾大学与微软研究团队合作的研究探索了使用音频感知大语言模型(ALLMs)作为自动评判员来评估语音生成模型的说话风格。研究设计了"语音风格指令跟随"和"角色扮演"两个任务,测试了四种语音模型的表现,并比较了人类与AI评判的一致性。结果表明,特别是Gemini-2.5-pro模型,其评判结果与人类评判的一致性甚至超过了人类评判者之间的一致性,证明ALLMs可以作为可靠的自动评估工具。同时研究也发现,即使是最先进的语音模型在说话风格控制方面仍有显著改进空间。