Varje år, ett brett utbud av Big Data företag skicka mig sina chefer’ prognoser för det kommande året. Det är kul att sammanställa dem, sedan läsa igenom dem och se vad alla har att säga. Det finns foder för häcklande som några av de förutsägelser som finns i direkt motsättning till varandra, och det finns gott om möjligheter för över-säker analys när två eller fler förutsägelser bekräfta varandra.
Att utvinna insikter
Vad jag föredrar att göra, dock, är att leta efter teman som binder förutsägelser ihop och ge några taxonomi för att förstå den fullständiga sortiment av dem. På det sättet, även de objekt som tyckas motsägelsefullt på en ytlig nivå tillsammans kan kasta ljus på en djupare nivå, och någon konsensus kan uppstå. Och även om konsensus prognoser kan hamna fel, får vi ändå få en sammansatt bild av vad ledande i branschen tänker och vilka trender kommer sannolikt att resultera.
Detta år, prognoser talar för att övergången i branschen, bland annat övergången från ren-spela analytics mer tillämpade scenarier, i synnerhet med beaktande av Internet of Things, Artificiell Intelligens och maskininlärning användningsfall. Frågan om skarpt avgränsade färdigheter och teknik kontra en integrerad strategi kommer upp, som gör begreppet tillämpa analytics-teknik för att analytics själv.
AI är inte ny
Kan börja med Artificiell Intelligens (AI), som John Schröder, styrelseordförande och grundare av MapR Technologies, Inc, påpekar är “tillbaka på modet.” Medan AI är en modern kraft, Schroeder påpekar mycket riktigt att “på 1960-talet, Ray Solomonoff lade grunden för en matematisk teori om AI” och att “på 1980 den Första Nationella Konferensen för American Association for Artificial Intelligence (AAAI) hölls vid Stanford och markerade tillämpning av teorier i programmet”.
Vad är annorlunda nu, dock, är att de uppgifter som volymerna är i själva verket mycket större, vilket innebär att de modeller som är bättre utbildad och mer korrekt; de algoritmer är bättre också, och kundernas intresse är storleksordningar före när det var 30 år sedan.
Kanske är det därför Rick Fitz, SVP DET Marknader på Splunk, säger att 2017 kommer att vara det år som “Analytics gå mainstream” och tillade att “fler IT-proffs och tekniker [bygger] på nya tekniker som maskininlärning, automation och prediktiv analys för att göra högre nivå arbetet bakom kulisserna.”
Automation och sysselsättning
Betyder det att mean machines kommer att ta bort arbetstillfällen från människor, ett problem som är helt klart en faktor i dagens politiska landskap? Joe Korngiebel, SVP, användarupplevelse på Arbetsdag ser det så här: “Nej, maskiner inte tar över, men vi är vid en kritisk brytpunkt.”
Vad betyder det egentligen? Vishal Awasthi, Chief Technology Officer på SAP-partner Dolphin Enterprise Solutions Corporation förutser “avskaffande av rutinmässiga arbetsuppgifter som kan delegeras till…bots,” men Awasthi humöret detta genom att säga att en arbetstagare som tidigare fokuserade på sådana uppgifter som kan “förändra sina roller i att kunskap arbetstagare som fokuserar på uppgifter som fortfarande kan endast göras baserat på allmän intelligens.”
Kanske som ligger bakom varför folk på Internet jobb webbplats Indeed.com sa till mig “vi ser data platsannonser gå upp efter mer än ett år av nedgång.” Plus, den växande beroende av automation skapar efterfrågan för data-och sjukvårdspersonal. Indeed.com säger “data säkerhet är fortfarande top of mind för företag och vi har sett hockey stick tillväxt sedan 2013.”
Machine learning, uber alles
Denna iakttagelse skulle verka för att bekräfta Pentaho VD Quentin Gallivan förutsägelse att “It-säkerhet kommer att vara den mest framträdande big data användningsfall.” Gallivan är också i enlighet med maskininlärning lägret, säger “2017 är tidiga användare av AI och lärande i analytics kommer att få ett stort försprång i digitaliseringen av verksamheten.”
Gallivan inte se detta som begränsad till ett fåtal specifika användningsfall, antingen till “detta är lika sant för online-återförsäljare som vill erbjuda bättre rekommendationer till kunder, för stora industriella kunder som vill minimera stora kostnader för underhåll, för själv kör bil tillverkare eller en flygplats som syftar till att förhindra nästa terrorist attack.”
AI, inne
Så var kommer allt detta AI smarts leva? Toufic Boubez, VP Engineering, Splunk, förutser “appification av machine learning” och förklarade att “machine learning kapacitet kommer att börja infiltrera företagets applikationer och avancerade applikationer som kommer att ge förslag — om inte svaren — och ger intelligenta arbetsflöden som bygger på data i realtid för användaren feedback.” Boubez fortsätter med att säga “det här kommer att låta experter företag att dra nytta av anpassade lärande utan att behöva vara maskininlärning experter”
Raden av thinkning förstärks av att Åt Labs VP Product Marketing, Leena Joshi, som anser att “Enterprise applikationer att” lära sig ” snabbt och anpassa användarnas erfarenheter kommer att bli den nya normen för framgång.” På samma sätt, Basho VD, Adam Wray, anser att “organisationer kommer att börja flytta större delen av sina investeringar för att implementera lösningar som gör det möjligt för data att användas där det genereras och där affärsprocessen uppstå vid kanten.” Och medan att “kanten” kan hänvisa till fysiska enheter, det kan också hänvisa till line-of-business-program.
Data Forskare go big, eller gå hem?
Inbäddning av intelligens i vanliga affärssystem anspelar på ett annat centralt tema i årets förslag: om och i vilken utsträckning vi behöver Data för Forskare.
Oliver Robinson, Chef på World Programmering, säger “utbildning kurser inriktade mot data vetenskap karriärer kommer att öka i popularitet…” och tillägger att “det här kommer att hjälpa till att möta den växande efterfrågan på data som forskare/specialister inom jobb-området.” Jeff Catlin, VD för ledande NLP och åsikter analytics leverantör Lexalytics säger “2017 kommer att vara” År av Data Scientist,” men ytterligare förutspår att år 2018 “är när AI kommer att bli buildable…by icke-data scientists”.
Kanske går längre, folket på DataStax säga att “uttrycket” Data Scientist ” kommer att bli mindre relevant, och kommer att ersättas med Data för Ingenjörer.'” Och även Världen Programmering är Robinson gör det möjligt för en uppmjukning av Data Scientist titel, säger “maskininlärning och artificiell intelligens kommer också att driva upp behovet av nya typer av data specialister” (betoning gruva).
Cloudward-bundna?
Oavsett om vi behöver specialister, forskare eller bara större analytics läs-och skrivkunnighet bland arbetare av alla slag, frågan om var analytics får göras uppstår. Trots år av hype kring molnet, har det verkade som de flesta stora uppgifter aktiviteten har varit på Hadoop kluster som har installerats på lokaler. Men många i vår prognos fakulteten insistera på att molnet är där saker och ting är på väg, och att även de mest konservativa av organisationer kommer att anta minst en hybrid strategi.
Kunal Agarwal, VD Riva Data, förutspår att “år 2017 kommer vi att se mer Big Data arbetsbelastning att flytta till molnet, samtidigt som ett stort antal kunder som traditionellt har drivit sin verksamhet i lokaler som kommer att flytta till en hybrid moln/on-lokaler modell.” Dan Sommer, Qlik s senior director för market intelligence, anser att “på grund av där data genereras, enkel att komma igång, och dess förmåga att skala, vi ser en allt snabbare flytta till molnet.” Och Snöflinga Computing: s VD, Bob Muglia, säger att “nästan alla företag, inklusive de flesta finansiella tjänster, är nu åtagit sig att införa publika moln.”
Eric Mizell, Vice President, Global Solutions-och Systemteknik vid Kinetica ser en konvergens av moln popularitet och välsignelse för maskininlärning följd av Graphics Processing unit (Gpu), som anger “Molnet kommer att få “turboladdade’ prestanda med Gpu,” och påpekar att “Amazon har redan börjat distribuera Gpu, och Microsoft och Google har meddelat att man planerar” och förutspår att “andra leverantörer av molntjänster kan också förväntas att börja distribuera Grafikprocessorer i och med 2017.
Sakernas internet, i stället för att vara
Mycket av behovet av den här extra processorkraft kommer från den stora volymen av indata samlas in från sensorer inbyggda i apparater utformade för Internet of Things (IoT) – program.
Den braintrust på Analysys Mason Gruppen anser att “den första riktigt kommersiella NB [smala band]-IoT nätverk kommer att lanseras” år 2017 och att tillsynsmyndigheterna kommer att överväga en ökad kontroll av sakernas internet.”
StreamSets VD och Grundare, Girish Pancha, menar att i och med 2017, IoT kommer att sluta vara skinande nya sak och kommer att börja få verklig, säger “nästa år, kommer organisationer att sluta sätta IoT data på en piedestal, eller, om du vill, i en silo.” Med andra ord, sakernas internet måste vara integrerad med resten av data lifecycle i organisationer. Pancha beskriver: “sakernas internet data måste korreleras med andra data strömmar, knutet till historiska eller master data eller kör genom artificiell intelligens algoritmer för att ge företag-körning värde.”
Alltså, VD Andy Dearing, VD, Gränslös, ett företag som fokuserar på geografiska informationssystem (GIS) – teknik, anser att korrelera IoT strömmar med plats-baserade data kommer att vara av yttersta vikt. Dearing förutspår att “location-based analytics och plattformar som kan bearbeta och upptäcka trender och ger intelligens kommer att växa fram som en populär trend.”
Lägga till specificitet för att detta tillkännagivande, Dearing säger att “med självstyrande bilar och smarta städer initiativ blir mer av en verklighet, kommer det att vara viktigt att förstå hur alla platsinformation kan användas för att fatta smartare beslut.”
Oändlig loop?
För att härleda ett sådant värde från IoT data, företag kommer att behöva kompetens inom bearbetning av strömmande data. Anand Venugopal, chef för produkt vid för StreamAnalytix på Impuls Teknik säger “företag att utnyttja kraften i real-time streaming analytics kommer att bli mer känsliga, smidig och få en bättre förståelse av kundernas behov och vanor för att ge en övergripande bättre upplevelse.”
Problemet är att bara dricka av data är inte tillräckligt, på grund av att data måste vara rengjord och på annat sätt beredda. Gör som tar en hel del arbete, vilket innebär att potentialen för nya teknologiska genombrott är härdat med gammal teknik verkligheten. Gör det analytics-ett nollsummespel?
Genombrott
Pentaho är Gallivan inte tänka så, och tror istället att de genombrott som kan lösa gamla problem, snarare än att behöva gräva ner sig i dem. Hans: “sakernas internet är antagandet och konvergens med big data kommer att göra automatiserade uppgifter onboarding ett krav” (igen, min vikt). Uttryckt på ett annat sätt, modeller kommer att behöva utnyttjas för att förbereda data innan den används för att träna…andra modeller.
Det är en ganska transcendenta analys, och med facit i hand, ganska enkelt. Efter allt, hur kan vi säga med en rak ansikte att vår teknik är spelet förändras om vi inte tillämpar den för att ändra vårt eget spel?
Och världen blir en bättre plats
Big Data analytics och världen fick en liten fast i och med 2016. Förhoppningsvis 2017 kommer att ge upphov till mer av “meta” tänkande Gallivan har anställd här. Detta kan tyckas vara en biljett ut ur den nuvarande problemen, och i nästa skede av produktivitet, och bona fide värde för kunderna.
Beväpnad med att optimism, vi kan se hur sakernas internet-driven AI/maskininlärning, kör på cloud-baserade Gpu, inbäddade i företagsprogram och som drivs av icke-Data Forskare, faktiskt kan fungera. Låt oss hoppas 2017 är året åtminstone en bit av det kommer att passera.
