Hvert år, en bred vifte af Store Data, som virksomheder sender mig deres ledere’ forudsigelser for det kommende år. Det er sjovt at samle dem, så læs dem igennem, og se hvad alle har at sige. Der er foder til tilråb som nogle af de forudsigelser, som er i direkte modstrid med hinanden, og der er rig mulighed for over-tillid til analyse, når der er to eller flere forudsigelser underbygge hinanden.
Udvinding indsigt
Hvad jeg foretrækker at gøre, selv om, er at kigge efter temaer, der binder de forudsigelser sammen og give nogle taksonomi for at forstå den fulde række af dem. På den måde, selv de elementer, der synes at modsige hinanden på et overfladisk plan sammen kan kaste lys på et dybere niveau, og nogle af konsensus, der kan opstå. Og selv om konsensus forudsigelser kan ende med at blive forkert, har vi ikke desto mindre får en sammenfattende opfattelse af, hvad ledere i branchen tænker, og hvilke tendenser vil sandsynligvis resultat.
Dette år, den forudsigelser tale til omstilling i industrien, herunder flytte fra pure-play analytics til mere anvendte scenarier, især med hensyn til Internet af Ting, Kunstig Intelligens og maskinindlæring use cases. Spørgsmålet om siloed færdigheder og teknologi versus en integreret tilgang, der kommer op, som gør forestillingen om at anvende analytics teknologier til analytics selv.
AI er ikke nyt
Lader start med Kunstig Intelligens (AI), som John Schroeder, bestyrelsesformand og stifter af MapR Technologies, Inc, påpeger, er “tilbage på mode.” Mens AI er en moderne kraft, Schrøder påpeger med rette, at “i 1960’erne, Ray Solomonoff lagde grundlaget for en matematisk teori om AI”, og at “i 1980 den Første Nationale Konference for American Association for Kunstig Intelligens (AAAI) blev afholdt på Stanford og markerede anvendelse af teorier i software”.
Hvad er anderledes nu, selv om, er, at datamængderne er i virkeligheden meget større, hvilket betyder, at de modeller, der er bedre uddannet og mere præcis; de algoritmer, der er bedre for, og kunden interesse er størrelsesordener foran, hvor det var for 30 år siden.
Måske er det derfor, Rick Fitz, SVP for IT-Markeder i Splunk, siger, at der i 2017 vil være det år, at “Analytics gå mainstream” og tilføjede, at “flere IT-medarbejdere og ingeniører [sig] om nye teknologier som machine learning, automation og predictive analytics til at gøre højere grad arbejde bag kulisserne.”
Automatisering og beskæftigelse
Betyder det så, der betyder, at maskiner vil tage jobs fra de mennesker — det et spørgsmål, der er helt klart en faktor i dagens politiske landskab? Joe Korngiebel, SVP, brugeroplevelse på Arbejdsdagen ser det på denne måde: “Nej, de maskiner, der ikke tager over, men vi er nået til et afgørende vendepunkt.”
Hvad betyder det egentlig? Vishal Awasthi, Chief Technology Officer hos SAP partner Dolphin Enterprise Løsninger Corporation forudser “afskaffelse af rutine opgaver, der kan delegeres til…bots,” men Awasthi temperament dette ved at sige, at arbejdstagere, der tidligere fokuserede på sådanne opgaver kan “forvandle deres roller i at videnarbejdere at fokusere på de opgaver, der stadig kan kun ske på grundlag af den generelle intelligens.”
Måske der ligger til grund for, hvorfor folk på Internettet job site Indeed.com fortalte mig, at “vi nu ser de data, stillingsannoncer gå op efter mere end et år med tilbagegang.” Plus, den voksende afhængighed af automatisering skaber efterspørgsel efter data sikkerhed fagfolk. Indeed.com siger “data-sikkerhed forbliver top of mind for virksomheder, og vi har set hockey stick vækst siden 2013.”
Machine learning, uber alles
Denne observation synes at underbygge Pentaho CEO Quentin Gallivan ‘ s forudsigelse om, at “Cybersecurity vil være den mest fremtrædende big data use case.” Gallivan er også i overensstemmelse med den i machine learning-lejren, siger “2017 er early adopters af AI og machine learning i analytics vil få en enorm first-mover fordel i digitalisering af virksomheder.”
Gallivan ikke kan se dette, som er begrænset til et par specifikke use cases, enten, og han tilføjer “dette er lige så sandt for online detailhandler, der ønsker at tilbyde bedre vejledning til kunderne, for store industrielle kunder, der ønsker at minimere store omkostninger til vedligeholdelse, for selvkørende bil producenter eller en lufthavn, der søger at forhindre det næste terrorangreb.”
AI, inde
Så hvor vil alt dette AI kløgt live? Toufic Boubez, VP Engineering på Splunk, forudser “den appification af machine learning,” forklarer, at “machine learning kapaciteter vil begynde at infiltrere virksomhedens applikationer og avancerede applikationer vil give forslag-hvis ikke svar-og give intelligent arbejdsprocesser, der er baseret på data og real-time feedback.” Boubez fortsætter med at sige, “dette vil give erhvervslivet eksperter til at drage fordel af skræddersyede machine learning uden at være i machine learning-eksperter”.
Denne linje af thinkning forstærkes af Redis Labs’, VP, Product Marketing, Leena Joshi, der mener, at “Enterprise-applikationer, der “lære” hurtigt og tilpasse brugerens erfaringer vil blive den nye norm for succes.” På samme måde, Basho ‘ s CEO, Adam Wray, mener, at “organisationer, vil begynde at flytte hovedparten af deres investeringer til gennemførelse af løsninger, der giver data til at blive brugt, hvor det er genereret, og hvor business process opstå – på den kant.” Og mens det “kant” kan henvise til fysiske enheder, kan det også henvise til line-of-business-applikationer.
Data Forskere gå stort eller gå hjem?
Indbygning af intelligens i mainstream Enterprise software hentyder til et andet centralt tema i dette års forudsigelser: hvorvidt og i hvilken udstrækning vi har brug for Data Forskere.
Oliver Robinson, Direktør i Verden Programmering, “siger uddannelser rettet mod data naturvidenskabelige karrierer vil stige i popularitet…” og tilføjer, at “dette vil bidrage til at imødekomme den stigende efterspørgsel efter data forskere/specialister i job inden.” Jeff Catlin, administrerende DIREKTØR for førende NLP, og stemningen analytics udbyder Lexalytics siger “2017 vil være” År af Data Videnskabsmand,'” men yderligere forudsiger, at 2018 “er, når AI vil blive buildable…by non-data-forskere.”
Måske går videre, folk på DataStax sige, at “ordet ‘Videnskabsmand’ vil blive mindre relevante, og vil blive erstattet af ‘Data Ingeniører.'” Og selv Programmering ‘ s Robinson giver mulighed for en lempelse af de Data, der Forsker titel, der siger “maskinindlæring og kunstig intelligens vil også køre op af behovet for nye typer af data specialister” (vægt mine).
Cloudward-bundet?
Uanset om vi har brug for specialister, forskere eller bare større analytics læse-og skrivefærdigheder blandt arbejdere af alle striber, spørgsmålet om, hvor de vil analytics få gjort opstår. På trods af mange års hype omkring cloud, at det har virket som de fleste store data aktivitet har været på Hadoop-klynger, der er blevet installeret på lokaler. Men for mange i vores forudsigelse fakultet insistere på, at cloud er, hvor tingene er på vej hen, og at selv de mest konservative af organisationer vil vedtage mindst en hybrid tilgang.
Kunal Agarwal, administrerende DIREKTØR for Optrævle Data, forudsiger, at “i 2017 vil vi se flere Big Data arbejdsmængder at flytte til skyen, mens et stort antal kunder, der traditionelt har kørt deres aktiviteter på stedet vil flytte til en hybrid cloud – /on-premises model.” Dan Sommer, Qlik ‘ s øverste direktør for market intelligence, mener, at “på grund af, hvor data er genereret, det er let at komme i gang, og dens evne til at skalere, vi nu ser en accelereret flytte til skyen.” Og Snefnug Computing ‘ s administrerende DIREKTØR, Bob Muglia, siger, at “næsten alle virksomheder, herunder de fleste finansielle tjenesteydelser, er nu forpligtet sig til at vedtage offentlige sky.”
Eric Mizell, Vice President, Global Løsninger Ingeniør på Kinetica ser en konvergens af skyen ‘s popularitet og velsignelse for machine learning som følge af Graphics Processing Units (Gpu’ er), og angiver “den Sky, som vil få ‘turbo-charged’ ydeevne med Gpu ‘ er,” påpegede han, at “Amazon har allerede begyndt at implementere Gpu’ er, og Microsoft og Google har annonceret planer om” og forudser, at “andre udbydere af cloud-tjenester kan også være forventet til at begynde implementering af Gpu’ er i 2017.
IoT, i det sted at være
En stor del af behovet for denne ekstra regnekraft kommer fra den store mængde af input-data, der er indsamlet fra sensorer indbygget i apparater, der er beregnet for Internet of Things (IoT) – programmer.
Den braintrust af Analysys Mason-Gruppen mener, at “den første egentlige kommercielle NB [narrow band]-tingenes internet, netværk vil blive lanceret” i 2017, og at “tilsynsmyndigheder vil overveje øget tilsyn af tingenes internet.”
StreamSets CEO og Grundlægger, Girish Pancha, mener, at det i 2017, IoT vil stoppe med at være den skinnende nye ting og vil begynde at få en reel, siger “næste år, organisationer, der vil sætte en stopper tingenes internet data på en piedestal, eller hvis du har lyst, i en silo.” Med andre ord, at IoT skal integreres med resten af data lifecycle i organisationer. Pancha uddyber: “tingenes internet data skal være korreleret med andre data streams, der er bundet til historiske eller master data eller køre gennem kunstig intelligens algoritmer for at sikre, at erhvervslivet-kørsel værdi.”
På dette notat, CEO Andy Dearing, administrerende DIREKTØR for Grænseløs, et selskab med fokus på geografiske informationssystemer (GIS) teknologi, mener, at sammenholde IoT vandløb med location-baserede data vil være af største betydning. Dearing forudsiger, at “location-baserede analyser og platforme, der kan behandle og opdage trends, og giver intelligens vil fremstå som en populær trend.”
Tilføjelse af specificitet op til denne erklæring, Dearing siger, at “med selvkørende biler og intelligente byer initiativer, der bliver mere af en realitet, vil det være bydende nødvendigt at forstå, hvordan alle de oplysninger om placering kan bruges til at træffe smartere beslutninger.”
Endeløs løkke?
For at kunne udlede en sådan værdi fra IoT data, vil virksomhederne har brug for kompetencer inden for forarbejdning til streaming-data. Anand Venugopal, leder af produktet på for StreamAnalytix på Fremdrift Teknologier, der siger, “virksomhederne at udnytte kraften i real-time streaming analytics vil blive mere følsomme, agile og få en bedre forståelse af deres kunders behov og vaner, at give en samlet bedre oplevelse.”
Problemet er, at den blotte indtage af data er ikke tilstrækkelige, fordi, at data skal være renset og tilberedt. At gøre det kræver en masse arbejde, hvilket betyder, at potentialet for nye teknologiske gennembrud er hærdet med gammel teknologi realiteter. Betyder det gør analytics-et nul-sum-spil?
Bryde igennem
Pentaho er Gallivan ikke tror det, tro i stedet på, at de gennembrud, der kan løse gamle problemer, i stedet for at blive kørt ned af dem. Hans tage: “tingenes internet’ s vedtagelse og konvergens med big data vil gøre automatiseret data onboarding et krav” (igen, vægt mine). Sagt på en anden måde, machine learning modeller bliver nødt til at være udnyttes til at forberede data, før det er brugt til at træne…andre machine learning modeller.
Det er en temmelig transcendent analysen, og set i bakspejlet, temmelig ligetil. Efter alt, hvordan kan vi sige med en straight ansigt, at vores teknologi er spillet ændrer sig, hvis vi ikke anvende det til at ændre vores eget spil?
Og det vil verden være et bedre sted
Big Data og analytics verden fik en lille fast i 2016. Forhåbentlig 2017 vil skabe mere af “meta” tænker Gallivan har ansat her. Der synes at være en billet ud af den nuværende krise og ind i den næste fase af produktivitet, og bona fide værdi for kunderne.
Bevæbnet med optimisme, kan vi se, hvordan tingenes internet-drevet AI/machine learning, der kører på cloud-baserede Gpu ‘ er, der er indlejret i Virksomhedens applikationer og køres af non-Data Forskere, der faktisk kan arbejde. Lad os håbe 2017 er det år, i det mindste en del af det, der kommer til at passere.
