George Anadiotis bidragende skribent
George har teknologi, data og medier, og han er ikke bange for at bruge dem. Han kommer fra en IT-baggrund og har haft chancen for at lære at spille mange instrumenter på vej til at blive et enmandsband og en orkestrator: At være Gigaom-analytiker, tjene Fortune 500, startups og NGO'er som konsulent, bygge og lede projekter, produkter og teams i alle størrelser og former og involverer sig i blandt andet prisvindende forskning.
Fuld bio udgivet i Big on Data den 21. december 2021 | Emne: Innovation
AI har mange manifestationer, lige fra hardware til applikationer inden for domæner som sundhedspleje og fra futuristiske modeller til etik
metamorworks — Shutterstock
I de sidste par års ånd gennemgår vi udviklingen i det, vi har identificeret som de vigtigste teknologiske drivere for 2020'erne i verden af databaser, datastyring og AI. Vi ser tilbage på 2021 og forsøger at identificere mønstre, der vil forme 2022.
I dag fortsætter vi, hvor vi startede med del et af vores gennemgang, for at dække AI- og vidensgrafer.
< h2>AIs mange ansigter: Hardware, kanten, MLOps, sprogmodeller, fremtidige arkitekturer og etik
Vi har været ivrige fortalere for grafer i alle former og størrelser –videngrafer, grafdatabaser , grafanalyse, datavidenskab og kunstig intelligens – i lang tid. Så det er med blandet følelse, at vi rapporterer fra denne front. På den ene side har vi ikke set meget innovation, undtagen måske på ét område — grafér neurale netværk. DeepMinds neurale algoritmiske ræsonnement udnytter også GNN'er.
På den anden side er det ikke nødvendigvis en dårlig ting af to grunde. For det første er der en stor optagelse af teknologien i mainstream. I 2025 vil grafteknologier blive brugt i 80 % af data- og analyseinnovationer, op fra 10 % i 2021, hvilket letter hurtig beslutningstagning, forudser Gartner. Rapportering om brugssager fra f.eks. BMW, IKEA, Siemens Energy, Wells Fargo og UBS er ikke længere nyheder, og det er en god ting. Ja, der er udfordringer forbundet med at bygge og vedligeholde vidensgrafer, men disse udfordringer er for det meste velforståede.
Som vi har bemærket, er vidensgrafer praktisk talt en 20 år gammel teknologi, hvis tid i rampelyset ser ud til at være kommet. Måderne at bygge vidensgrafer på er velkendte, såvel som de udfordringer, der ligger deri. Det er ikke tilfældigt, at nogle af de mest efterspurgte færdigheder og områder for udvikling i vidensgrafer er omkring brugen af Natural Language Processing og visuelle grænseflader til at bygge og vedligeholde vidensgrafer, samt måder at udvide fra enkeltbruger til multibruger scenarier .
Og for at binde denne samtale til det bredere billede af AI, hvor den hører hjemme, synes fælles udfordringer at være omkring operationalisering og opbygning af den rigtige ekspertise i teams, da disse færdigheder er meget efterspurgte. Et andet vigtigt touchpoint er den hybride AI-retning, som handler om at tilføre viden i maskinlæring. Ledere som Intels Gadi Singer, LinkedIns Mike Dillinger og Hybrid Intelligence Centres Frank van Harmelen peger alle på vigtigheden af videnorganisering i form af vidensgrafer for fremtiden for AI.
Vidensgrafer, grafdatabaser og graf-AI konvergerer alle
AWS
Der er også et andet vigtigt kontaktpunkt mellem det bredere billede i AI og vidensgrafer: datamasker og datastrukturer. Du ville være undskyldt for at blande disse 2 sammen og den overflod af datarelaterede termer, der flyver rundt i disse dage. Forenklet set, lad os bare sige, at et datastof er til at tjene som det tekniske substrat for datamesh-begrebet decentraliseret datastyring i organisationer. Det er faktisk et meget godt match til videngrafteknologi, og nogle få leverandører i det rum har identificeret det og positioneret sig i overensstemmelse hermed. Selv Informatica ser ud til at have lagt mærke til det.
Og hvad med substratet for at bygge vidensgrafer, nemlig grafdatabaser? Ordet, der synes at karakterisere 2021 for grafdatabaser, ville være “gå på markedet”. Det har været et godt år for grafdatabaser. En grafdatabase — Neo4j — nåede top 20 i DB Engines for første gang. Neo4j annoncerede også den generelle tilgængelighed af sin Aura-administrerede cloud-tjeneste og rejste en serie F-finansieringsrunde på $325 millioner, den største i databasehistorien, hvilket bringer dens værdiansættelse op på over $2 milliarder.
Grafdatabaserummet oplevede en række finansieringsrunder og en kommende børsnotering. TigerGraph scorede $105M Series C, Katana Graph $28,5M Series A, Memgraph $9,34M startfinansiering og TerminusDB €3,6M. I mellemtiden begyndte Bitnine, producenterne af Agens Graph, at arbejde på sin børsnotering – den første på markedet.
På den tekniske front vokser GraphQL stadig i brug, enten som en del af et bredere økosystem eller som den centrale komponent i en dataarkitektur. Brobygningen af de to grafdatabaseverdener med hensyn til modeller, RDF og LPG, er stadig et arbejde i gang, men en der har set nogle interessante udviklinger i 2021.
Vi forventer ikke verdens bryllupsrejse med grafer og grafdatabaser til at holde evigt, og efter hypen vil desillusionering uundgåeligt følge på et tidspunkt. Men vi er overbeviste om, at denne teknologi er grundlæggende og vil finde den sin plads på trods af hikke.
Kunstig intelligens
Jobovervågning med fjernarbejde er stigende. Virkningen kan være ødelæggende Piratjagt drone overvåger kriminalitet på åbent hav Syv måder at gøre den bredere virksomhed komfortabel med AI Hvad er AI? Alt hvad du behøver at vide om kunstig intelligens Big Data Analytics | CXO | Digital transformation | Teknisk industri | Smarte byer | Sky