Jedes Jahr wird eine Vielzahl von Big-Data-Firmen schicken mir Ihre Führungskräfte Prognosen für das kommende Jahr. Es macht Spaß, kompilieren Sie Sie, dann Lesen Sie Sie und sehen, was jeder zu sagen hat. Es gibt Futter für den Zwischenruf, wie einige der Vorhersagen in direkten Widerspruch zu einander, und es gibt reichlich Gelegenheit für die über-zuversichtlich-Analyse, wenn zwei oder mehr Vorhersagen bestätigen sich gegenseitig.
Extrahieren Einblicke
Was ziehe ich zu tun, obwohl, ist Blick für Themen, die Krawatte, die Prognosen zusammen und bieten einige Taxonomie für das Verständnis der vollen Palette von Ihnen. Auf diese Weise, auch diejenigen Elemente, die widersprüchlich erscheinen auf einer oberflächlichen Ebene können gemeinsam beleuchten, die auf einer tieferen Ebene, und ein gewisser Konsens entstehen kann. Und sogar wenn der Konsens der Prognosen am Ende als unrichtig, werden wir dennoch erhalten Sie eine composite-Ansicht dessen, was ein Führer in der Industrie zu denken sind, und welche trends werden wahrscheinlich Folge.
In diesem Jahr sind die Vorhersagen sprechen, um den übergang in der Industrie, einschließlich der Umzug von “pure-play” – Analysen zu angewandten Szenarien, besonders mit Hinblick auf das Internet der Dinge, Künstliche Intelligenz und maschinelles lernen Verwendung. Die Frage, isolierte Fähigkeiten und Technologie im Vergleich zu einem integrierten Ansatz kommt, wie die Vorstellung der Anwendung von analytics-Technologien für die Analyse selbst.
AI ist nicht neu
Lassen Sie beginnen mit der Künstlichen Intelligenz (KI), Johannes Schroeder, executive chairman und Mitbegründer von MapR Technologies, Inc”, ” Punkte “wieder in Mode.” Während AI ist ein modernes Kraft, Schröder weist zu Recht darauf hin, dass “in den 1960er Jahren, Ray Solomonoff, die Grundlagen einer mathematischen Theorie der AI” und “dass im Jahr 1980 das Erste Nationale Konferenz der American Association for Artificial Intelligence (AAAI) fand in Stanford und markiert die Anwendung von Theorien in software”.
Was ist heute anders, obwohl, ist, dass die Datenmengen sind in der Tat viel größer, was bedeutet, die Modelle sind besser ausgebildet und genauer; die algorithmen besser zu, und das Interesse der Kunden ist um Größenordnungen Voraus, wo es war vor 30 Jahren.
Vielleicht ist das, warum Rick Fitz, Senior Vice President der IT-Märkte bei Splunk, sagt, dass 2017 wird das Jahr, in dem “Analytics mainstream gehen und fügte hinzu, dass “mehr IT-Experten und Ingenieuren, die [sich] auf neue Technologien wie machine learning, Automatisierung und predictive analytics zu tun höheres Niveau Arbeit hinter den kulissen.”
Automation und Beschäftigung
Heißt das, dass meine Maschinen nehmen Arbeitsplätze Weg von den Menschen-ein Problem, das ist ganz klar ein Faktor in der heutigen politischen Landschaft? Joe Korngiebel, SVP, User Experience Arbeitstag sieht es so aus: “Nein, die Maschinen nicht übernehmen, aber wir sind an einem kritischen Wendepunkt.”
Was bedeutet dies wirklich? Vishal Awasthi, Chief Technology Officer bei SAP-partner Dolphin Enterprise Solutions Corporation sieht die “Abschaffung von routine-Aufgaben, die delegiert werden können, um…bots,” aber Awasthi Gemüter, die besagt, dass Arbeitnehmer früher konzentrierte sich auf solche Aufgaben könnten “, verwandeln Ihre Rollen in knowledge-worker, die den Schwerpunkt auf Aufgaben, können nur noch durchgeführt werden auf der Grundlage der Allgemeinen Intelligenz.”
Vielleicht zugrunde liegt, warum die Leute bei Internet-jobs Webseite Indeed.com sagte mir, “jetzt sehen wir Daten, die Stellenangebote gehen, bis nach mehr als einem Jahr des Niedergangs.” Plus, das wachsende Vertrauen auf Automatisierung schafft Bedarf an Daten-security-Experten. Indeed.com sagt “Daten-Sicherheit ist noch Oberseite des Verstandes für Unternehmen, und wir haben gesehen, Hockeyschläger Wachstum seit 2013.”
Machine learning, uber alles
Diese Beobachtung scheint zu bestätigen, Pentaho CEO Quentin Gallivan ‘ s Vorhersage, dass “Cyber-Sicherheit werden die meisten prominenten big-data-use-case.” Gallivan ist auch in übereinstimmung mit der machine-learning-camp, sagen: “2017 ist early adopters der KI und des maschinellen Lernens in analytics erhalten Sie eine riesige first-mover-Vorteil in der Digitalisierung der Wirtschaft.”
Gallivan nicht sehen dies als beschränkt auf wenige spezielle Anwendungsfälle, entweder, den Zusatz “dies gilt nicht nur für den online-Händler zu wollen, bieten bessere Empfehlungen an die Kunden, für große Industrie-Kunden, zu minimieren, große Kosten für Instandhaltung, für Selbstfahrendes Auto-Hersteller oder von einem Flughafen zu suchen, um zu verhindern, dass der nächste Terroranschlag.”
AI, innen
Also, wo sind alle diese AI-smarts Leben? Toufic Boubez, VP Engineering bei Splunk, sieht “die appification des maschinellen Lernens” erklärt, dass “machine learning-Funktionen beginnen zu infiltrieren, enterprise-Anwendungen, sowie erweiterte Anwendungen bieten Anregungen-wenn nicht Antworten-und sorgen für eine intelligente workflows auf der Basis von Daten und Echtzeit-Benutzer-feedback.” Boubez weiter, indem Sie sagen: “dies wird ermöglichen es den business-Experten profitieren von der kundenspezifischen Maschine zu lernen, ohne in die machine-learning-Experten,”
Diese Linie der thinkning wird verstärkt durch Redis Labs’ VP of Product Marketing, Leena Joshi, wer glaubt, dass “Enterprise-Anwendungen, die ‘lernen’ schnell und anpassen user-Erfahrungen wird die neue norm für den Erfolg.” Ebenso Basho ‘ s CEO, Adam Wray, der glaubt “Organisationen beginnen sich zu verschieben und den Großteil Ihrer Investitionen zur Umsetzung von Lösungen, die ermöglichen, dass Daten genutzt werden, wo es generiert und dem business-Prozess auftreten, – auf der Kante.” Und während diese “Kante” kann sich auf physische Geräte, es kann auch beziehen sich auf line-of-business-Anwendungen.
Daten Wissenschaftler gehen groß oder nach Hause gehen?
Die Einbettung von Intelligenz in den mainstream-Enterprise-software weist auf ein weiteres zentrales Thema in diesem Jahr Vorhersagen: ob und in welchem Umfang wir müssen Daten-Wissenschaftler.
Oliver Robinson, Direktor bei der Welt der Programmierung”, sagt der Kurse darauf ausgerichtet, Daten Wissenschaft wird in der Popularität zu erhöhen…” und fügt hinzu, dass “dies wird helfen, die wachsende Nachfrage nach Daten-Wissenschaftler/Spezialisten in der job-Bereich.” Jeff Catlin, CEO der führenden NLP-und sentiment-analytics-Anbieter Lexalytics sagt: “2017 wird das” Jahr des Data Scientist,'” aber weiter prognostiziert, dass 2018 “ist, wenn die KI geworden buildable…by non-Daten Wissenschaftler.”
Vielleicht geht noch weiter, die Leute bei DataStax sagen, dass “der Begriff” Data Scientist “wird immer weniger relevant und wird ersetzt durch” Daten-Ingenieure.'” Und sogar die Welt der Programmierung ist Robinson ermöglicht eine Entspannung der Data Scientist Titel, nämlich “maschinelles lernen und künstliche Intelligenz wird auch fahren, bis die Notwendigkeit für neue Typen von Daten-Spezialisten” (Hervorhebung von mir).
Cloudward-gebunden?
Unabhängig davon, ob wir benötigen Spezialisten, Wissenschaftler oder einfach nur größer analytics Alphabetisierung unter den Arbeitern aller couleur, die Frage, wo die Analysen auch gemacht wird, entsteht. Trotz Jahren der hype um die cloud, schien es wie die meisten big-data-Aktivität wurde auf Hadoop-Clustern, die installiert wurden, auf dem Gelände. Aber viele in unserer Vorhersage Fakultät darauf bestehen, dass der cloud ist, wo die Dinge geleitet werden, und dass sogar die konservativsten Organisationen sich verabschieden, die mindestens ein hybrid-Ansatz.
Kunal Agarwal, CEO von Entwirren Daten, prognostiziert: “bis 2017 werden wir sehen, mehr Big-Data-workloads verschieben in der Wolke, während eine große Anzahl von Kunden, die traditionell bei der Ausführung Ihrer Operationen auf dem Gelände bewegen, um eine hybrid cloud/on-premise-Modell.” Dan Sommer, Qlik senior director of market intelligence, glaubt, dass “da, wo Daten erzeugt, einfache erste Schritte, und seine Fähigkeit, zu skalieren, jetzt sehen wir eine beschleunigte Umstellung auf die cloud.” Und Schneeflocke-Computing-CEO Bob Muglia, sagt, dass “fast jedes Unternehmen, einschließlich der meisten Finanz-services ist nun verpflichtet, die Annahme der public cloud.”
Eric Mizell, Vice President, Global Solutions Engineering bei Kinetica sieht eine Konvergenz der cloud die Popularität und den Segen für die machine-learning herbeigeführt, die von Graphics Processing Units (GPUs), die besagt “die Cloud wird kommen” turbo-geladenen ” Leistung mit GPUs,” wies darauf hin, dass “Amazon hat bereits begonnen, die Bereitstellung von GPUs und Microsoft und Google haben angekündigt, die Pläne” und die Vorhersage, dass “andere cloud-service-Provider kann auch erwartet werden, beginnen die Bereitstellung von GPUs im Jahr 2017.
Das Internet der Dinge, in der Ort zu sein
Viel von der Notwendigkeit für diese zusätzliche Rechenleistung kommt von der schieren Menge der input-Daten von sensoren eingebettet in Geräten für das Internet der Dinge (IoT) Anwendungen.
Die Ideenschmiede bei der Analysys Mason Group sind überzeugt, dass die “erste wirklich kommerzielle NB [narrow band]-IoT-Netzwerke werden, startete im Jahr 2017 und, dass “die Regulierungsbehörden betrachten erhöhte Beaufsichtigung des Internet der Dinge.”
StreamSets CEO und Gründer Girish Pancha, glaubt, dass im Jahr 2017, das Internet der Dinge wird nicht mehr das schöne neue Sache und wird langsam real, zu sagen: “im nächsten Jahr werden die Organisationen aufhören, IoT-Daten auf einem Podest, oder, wenn Sie so wollen, in einem silo.” In anderen Worten, das Internet der Dinge integriert werden müssen, mit dem rest des Lebenszyklus von Daten in Organisationen. Pancha führt aus: “IoT-Daten müssen korreliert mit anderen Datenströmen, gebunden an die historische-oder master-Daten, oder führen Sie durch künstliche-Intelligenz-algorithmen, um business-Fahrt Wert.”
In diesem Sinne, CEO Andy Dearing, CEO des Grenzenlosen, ein Unternehmen, das sich auf geographische Informationssysteme (GIS) Technologie, glaubt, dass die Korrelation der IoT-streams mit location-based-Daten von größter Bedeutung. Dearing sagt Voraus, dass “location-based analytics und Plattformen für die Verarbeitung und Erkennung von trends und bieten Intelligenz wird sich zu einem beliebten trend.”
Hinzufügen Spezifität dieser Proklamation, Dearing sagt, dass “mit den self-driving cars und smart cities-Initiativen immer mehr eine Realität wird es unerlässlich sein, um zu verstehen, wie alle die Ortsinformationen können verwendet werden, um intelligentere Entscheidungen zu treffen.”
Endlos-Schleife?
Um daraus Z-Wert von IoT-Daten, müssen Unternehmen die Kompetenz in der Verarbeitung von streaming-Daten. Anand Venugopal, Leiter der Produktentwicklung bei für StreamAnalytix bei Impulse-Technologien, sagt: “Unternehmen nutzen die power von real-time-streaming-Analysen wird sensibler geworden, agiler und gewinnen ein besseres Verständnis Ihrer Kunden’ Bedürfnisse und Gewohnheiten, um insgesamt eine bessere Erfahrung.”
Das problem ist, dass die bloße übernahme der Daten ist nicht ausreichend, da diese Daten bereinigt werden müssen und auch sonst vorbereitet. Tun, dass ist viel Arbeit, was bedeutet, dass das Potenzial für neue technologische Durchbrüche gemildert mit Alter Technik Realitäten. Das macht die Analyse zu einem null-Summen-Spiel?
Break on through
Pentaho ist Gallivan nicht so denken, zu glauben stattdessen, dass die Durchbrüche können lösen die alten Probleme, anstatt Sie zu verzetteln. Seine Sicht: “IoT-Einführung und Konvergenz mit big data wird die automatisierte Daten-onboarding-Anforderung” (wieder, meine Hervorhebung). Anders ausgedrückt, machine-learning-Modelle müssen genutzt werden, um die Vorbereitung von Daten, bevor es verwendet wird, zu trainieren…andere machine-learning-Modelle.
Das ist eine ziemlich transzendent Analyse und, im Nachhinein, ziemlich einfach. Nachdem alle, wie können wir sagen, mit ernstem Gesicht, dass unsere Technologie ist Spiel ändern, wenn wir nicht anwenden, um die änderung unseres eigenen Spiel?
Und die Welt wird ein besserer Ort sein
Die Big-Data-und analytics-Welt, habe ein wenig stecken in 2016. Hoffentlich 2017 erzeugen wird mehr von den “meta” – denken Gallivan hat hier beschäftigt. Das würde zu sein scheinen ein ticket aus der aktuellen malaise und in die nächste Stufe der Produktivität und bona-fide-Wert für den Kunden.
Bewaffnet mit diesem Optimismus, können wir sehen, wie IoT-driven AI/machine learning auf cloud-basierte GPUs, eingebettet in Enterprise-Anwendungen und die von nicht-Daten-Wissenschaftler können tatsächlich funktionieren. Lasst uns hoffen, 2017 ist das Jahr, mindestens ein Stück, das dazu kommt.
