博客人工智能和机器学习是每个行业的未来，尤其是数据和分析。在与人工智能一起成长的过程中，我们帮助您跟上这些开创性技术改变世界的所有方式。在阅读Gartner 2020年数据和分析十大趋势时，我被不同的术语在不同的环境下对不同的受众意味着不同的东西而感到震惊。我们不仅在内部对话中听到了很多关于人工智能和分析的信息，而且从我们的客户和潜在客户那里也听到了很多。但是当我们谈论这些问题时，我们真正的意思是什么？考虑到它们对我们的世界只会变得更加重要，我想作为Sisense的人工智能研究主管，深入研究清单上10种趋势中的7种，并给出我对每种趋势的看法。本文从人工智能开始运作的一个重要声明开始，移动对数据和分析基础设施的要求，以加快开发和采用阶段："到2024年底，75%的企业将从人工智能试点转向运营人工智能，推动流式数据和分析基础设施增长5倍。"这是过去人工智能与数据和分析一起使用方式的重大改变，使两者更加强大和有效。让我们深入研究一下这些趋势，看看还有什么是即将到来的。趋势一：更智能、更快、更负责任的人工智能高德纳："在当前大流行的背景下，人工智能技术，如机器学习（ML）、优化和自然语言处理（NLP）正在为病毒的传播以及对策的有效性和影响提供重要的见解和预测。"在新的芯片体系结构（如可部署在边缘设备上的神经形态硬件）上的重大投资正在加速AI和ML的计算和工作负载，并减少对需要高带宽的集中式系统的依赖。最终，这可能会导致更具可扩展性的人工智能解决方案，从而产生更高的业务影响。"我的看法：增强和强化学习要比现成的解决方案强大得多，这正是我们前进的方向。规划每一个特性首先要问用户如何使用和修改输入，看看它如何影响结果。在Sisense，我们在Sisense为知识图、NLP和自动机器学习投入大量资金是很自然的。它们一起使用户能够积极参与系统，享受建议和分析。这些功能也有助于形成一个积极的反馈循环，利用参与来强化有效的东西，摆脱不起作用的东西。一个结果是系统变得更加直观：用户可以利用"简单询问"功能来检查"下两个月我的销售额是多少"，并收到聊天机器人的消息，其中包括预计的可视化效果和进一步探索路线的建议。以类似的方式，即将推出的"解释"功能为用户自动提供数据移动的可能驱动因素，使用知识图超越图表的边界。这样可以将问题定义环境变为多维，并从用户与系统的交互中学习个性化和匹配结果。从预测到趋势再到自然语言查询，我们对背后的技术和输出的统计特性完全透明。无论您在使用Sisense时看到了什么，您都可以轻松地深入了解它背后的系统。趋势二：仪表盘的衰落高德纳："具有更自动化和消费体验的动态数据报道将取代可视、点击式创作和探索。"我的看法：在亚马逊，开会的每个人都会在会议开始时坐下来，阅读一篇完整的文章，然后开始讨论，而不是在整个会议期间坐着看没完没了的PowerPoint演示文稿。他们关注的是真实的故事，而不是要点。我们预计仪表板也会发生类似的情况：及时获取见解驱动的摘要，但也会在日常工作中使用支持各种工具的业务流的"代理"。你想看看你早上第一件事错过了什么吗？对重大活动保持警惕？一份执行摘要是否足以开始行动，因为你知道你总是可以做一个深入的研究，并要求更多？使用您最喜欢的任务管理解决方案？世界正在从静态的、僵化的体验转变为数据、洞察力和个性化驱动的助手，它知道您希望如何为特定的分析提供服务。为了实现这一目标，需要将许多活动部件组合在一起作为一台润滑良好的机器：嵌入式接口（在移动中通过设备、电子邮件、聊天或应用程序）、预先训练的分析服务和培训管道、促进数据模型创建的工具以及正确的可视化和叙述以产生结果容易消化，值得信赖，有学问。这正是让Sisense AIR忙碌的原因：仪表板自动化研究和我们的知识图表，其中包含了数千名过去用户的行为趋势三：决策智能高德纳："到2023年，超过33%的大型组织将有分析师实践决策智能，包括决策建模。""它提供了一个框架，帮助数据和分析领导者根据业务结果和行为设计、建模、协调、执行、监控和调整决策模型和流程。"我的看法：决策自动化需要很多步骤：首先记录流程，然后根据结果配置，然后将可能的部分自动化。我的看法是，如果你能自动化从数据到分析再到决策再到数据的循环，那就不是分析，而是机器人过程自动化。有一个论点是，一旦对用例的决策变得可预测，它应该从BI转移到后台的一部分。但这种想法来自于我们曾经认识的世界，一个不那么动荡、更易于管理的世界，受邻近生态系统的影响比世界事件和气候的影响更大。如今，世界的变化速度令人难以理解，因此，决策需要根据来自数据的见解进行调整，并辅之以建议的行动。""生存最快"是今天的规则。趋势4:X分析高德纳："Gartner创造了一个术语‘X分析’作为一个总括术语，其中X是一系列不同的结构化和非结构化内容的数据变量，如文本分析、视频分析、音频分析等。"我的看法：世界比传统的双表数据要广阔得多。它是视觉的，是说话的，是听觉的。为什么只使用一种感官，限制你的视角？最近，Sisense利用我们的ML服务提供商生态系统，从一个名为G-Med的网站的大量文本数据中，帮助扫描和揭示医学界对COVID治疗的智慧。重新发明轮子来构建我们自己的视频、图像、语音和文本分析工具是没有意义的——市场上已经有很多这样的工具了。所有这些数据究竟是如何相互沟通并汇集起来提供端到端分析的？知识图将是如何创建数据模型和数据故事的基础，首先是作为相对稳定的生物，在未来，根据每个问题按需创建。趋势5：增强数据管理高德纳："增强数据管理使用ML和AI技术来优化和改进操作。它还将用于审核、衍生和报告的元数据转换为提供动力的动态系统。"我的看法：Gartner的文章没有超出衍生或工作负载自动化。这很重要，但这只是今天发生的事。提前获取计算结果可以提高性能，但它仍然局限于组织中单个个体的数据模型或维度范式。他们是否具备将飓风数据纳入东亚供应链仪表板所需的视角？领域专家可能会在读到新闻中有关损失的信息后决定将这些信息包括在内。如果可以将相关数据添加到上下文中来讲述数据故事，而不需要人类自己采取行动呢？数据交换在未来将发挥更重要的作用，将其产品扩展到数据建模。趋势六：云是既定的高德纳："到2022年，公共云服务对于90%的数据和分析创新至关重要。随着数据和分析技术向云端转移，数据和分析领导者仍在努力将正确的服务与正确的使用案例结合起来，这会导致不必要地增加治理和集成开销。"我的看法：云在这里停留。我见证了主机/个人电脑/云/个人图形处理单元的演变。对我来说，云分析的临界点将是基于用户问题的数据和逻辑组件的"上下文即服务"组合。有了像AWS前哨这样的产品，开始云之旅是再容易不过的了。在分析领域，保持最新的信息是至关重要的，实施"持续集成/持续交付"系统和A/B测试以获得更好的性能和体验。这只有云服务才有可能。云与遵守通用数据保护法规和SOC相结合对于赢得客户的信任至关重要。如果由于数据的重力和延迟，在云中执行大量数据的计算将是非常昂贵的。调整一个系统的体系结构可以很快改变一切，这意味着您可以轻松地从大型数据集中获取见解。趋势7：数据和分析世界相互碰撞高德纳："传统上，数据和分析能力被视为不同的实体，并进行相应的管理。通过增强分析提供端到端工作流的供应商模糊了这两个市场之间的区别。数据和分析的冲突将增加历史上分离的数据和分析角色之间的交互和协作。这不仅影响到技术和能力