George Anadiotis Bidragande skribent
George har teknik, data och media, och han är inte rädd för att använda dem. Han kommer från en IT-bakgrund och har fått chansen att lära sig spela många instrument på vägen mot att bli ett enmansband och en orkestrator: att vara en Gigaom-analytiker, tjäna Fortune 500, startups och icke-statliga organisationer som konsult, bygga och leda projekt, produkter och team av alla storlekar och former, och engagera sig i prisbelönt forskning bland annat.
Fullständig bio publicerad i Big on Data den 21 december 2021 | Ämne: Innovation
AI har många manifestationer, allt från hårdvara till applikationer inom domäner som sjukvård, och från futuristiska modeller till etik
metamorworks — Shutterstock
I de senaste årens anda granskar vi utvecklingen i vad vi har identifierat som de viktigaste teknologiska drivkrafterna för 2020-talet i världen av databaser, datahantering och AI. Vi tittar tillbaka på 2021 och försöker identifiera mönster som kommer att forma 2022.
I dag tar vi vidare från där vi började med del ett av vår recension, för att täcka AI- och kunskapsdiagram.
< h2>AI:s många ansikten: hårdvara, kanten, MLOps, språkmodeller, framtida arkitekturer och etik
Vi har varit ivrig förespråkare för grafer av alla former och storlekar –kunskapsgrafer, grafdatabaser , grafanalys, datavetenskap och AI — under lång tid. Så det är med blandade känslor vi rapporterar från denna front. Å ena sidan har vi inte sett mycket innovation, förutom kanske inom ett område — grafera neurala nätverk. DeepMinds neurala algoritmiska resonemang utnyttjar GNN också.
Å andra sidan är det inte nödvändigtvis en dålig sak, av två skäl. För det första finns det ett stort upptagande av tekniken i mainstream. Till 2025 kommer graftekniker att användas i 80 % av data- och analysinnovationerna, upp från 10 % 2021, vilket underlättar snabbt beslutsfattande, förutspår Gartner. Att rapportera om användningsfall från som BMW, IKEA, Siemens Energy, Wells Fargo och UBS är inte längre nyheter, och det är bra. Ja, det finns utmaningar förknippade med att bygga och underhålla kunskapsdiagram, men dessa utmaningar är för det mesta välkända.
Som vi har noterat är kunskapsgrafer praktiskt taget en 20 år gammal teknik vars tid i rampljuset verkar ha kommit. Sätten att bygga kunskapsgrafer är välkända, liksom de utmaningar som ligger däri. Det är ingen slump att några av de mest efterfrågade färdigheterna och områdena för utveckling inom kunskapsgrafer handlar om att använda Natural Language Processing och visuella gränssnitt för att bygga och underhålla kunskapsgrafer, såväl som sätt att expandera från enanvändare till fleranvändarscenarier .
Och för att knyta detta samtal till den bredare bilden av AI där den hör hemma, tycks vanliga utmaningar vara kring operationalisering och att bygga rätt expertis i team, eftersom dessa färdigheter är mycket efterfrågade. En annan viktig beröringspunkt är den hybrida AI-riktningen, som handlar om att tillföra kunskap i maskininlärning. Ledare som Intels Gadi Singer, LinkedIns Mike Dillinger och Hybrid Intelligence Centres Frank van Harmelen pekar alla på vikten av kunskapsorganisation i form av kunskapsgrafer för AI:s framtid.
Kunskapsdiagram, grafdatabaser och grafisk AI konvergerar alla
AWS
Det finns också en annan viktig kontaktpunkt mellan den bredare bilden i AI och kunskapsgrafer: datanät och dataväv. Du skulle vara ursäktad för att blanda ihop dessa två och överflöd av datarelaterade termer som flyger runt nuförtiden. Förenklat, låt oss bara säga att en dataväv är avsedd att fungera som det tekniska underlaget för datamesh-begreppet om decentraliserad datahantering i organisationer. Det är faktiskt en mycket bra matchning för kunskapsgrafteknik, och ett fåtal leverantörer i det utrymmet har identifierat det och positionerat sig därefter. Till och med Informatica verkar ha märkt det.
Och hur är det med underlaget för att bygga kunskapsgrafer, nämligen grafdatabaser? Ordet som verkar känneteckna 2021 för grafdatabaser skulle vara “gå till marknaden”. Det har varit ett bra år för grafdatabaser. En grafdatabas — Neo4j — kom till topp 20 i DB Engines för första gången. Neo4j tillkännagav också den allmänna tillgängligheten för sin Aura-hanterade molntjänst och samlade in en 325 miljoner USD-finansieringsrunda i Serie F, den största i databashistorien, vilket ger dess värdering till över 2 miljarder USD.
Grafdatabasens utrymme såg en serie finansieringsronder och en kommande börsintroduktion. TigerGraph fick 105 miljoner USD Series C, Katana Graph 28,5 miljoner USD Series A, Memgraph $9,34 miljoner startfinansiering och TerminusDB €3,6 miljoner. Under tiden började Bitnine, tillverkare av Agens Graph, arbeta med sin börsintroduktion – den första på marknaden.
På den tekniska fronten växer GraphQL fortfarande i bruk, antingen som en del av ett bredare ekosystem eller som den centrala komponenten i en dataarkitektur. Överbryggningen av de två grafdatabasvärldarna när det gäller modeller, RDF och LPG, är fortfarande ett arbete som pågår, men en som har sett en intressant utveckling under 2021.
Vi förväntar oss inte världens smekmånad med grafer och grafdatabaser för evigt, och efter hypen kommer oundvikligen desillusionering att följa någon gång. Men vi är övertygade om att den här tekniken är grundläggande och kommer att finna den sin plats trots hicka.
Artificiell intelligens
Arbetsövervakning på distans ökar. Effekten kan bli förödande Piratjaktande drönare övervakar brott på öppet hav. Sju sätt att göra det bredare företaget bekvämt med AI Vad är AI? Allt du behöver veta om artificiell intelligens Big Data Analytics | CXO | Digital transformation | Teknisk industri | Smarta städer | Moln