增強分析、持續型智能和可解釋型人工智能(AI)是未來三到五年內數據和分析技術中最具顛覆性潛力的趨勢。

Gartner研究副總裁麗塔?薩拉姆(Rita Sallam)在悉尼舉行的Gartner數據與分析峰會上表示，數據和分析領域的領導者必須研究這些趨勢的潛在商業影響，并相應地調整商業模式和運營，否則就有可能失去競爭優勢。她說：

深入了解數據和分析發展的技術趨勢，并根據業務價值對其進行優先排序，這一點至關重要。

Gartner副總裁、著名分析師唐納德?范伯格(Donald Feinberg)表示，數字顛覆帶來的挑戰也創造了前所未有的機遇。海量的數據，加上云帶來的日益強大的處理能力，意味著現在可以大規模地訓練和執行必要的算法，以最終實現AI的全部潛力。他說：

數據的規模、復雜性、分布式本質、執行速度以及數字業務所需的持續智能，意味著僵化和集中的架構和工具將會崩潰。任何業務的持續生存都將依賴于一個敏捷的、以數據為中心的體系結構，該體系結構對不斷變化的速度做出響應。

Gartner建議數據和分析領導者與高級業務負責人討論他們的關鍵業務優先級，并探索以下主要趨勢如何實現這些優先級。

No.1 增強分析

增強分析(Augmented analytics)是數據和分析市場的下一波顛覆。它使用機器學習(ML)和人工智能技術來轉換分析內容的開發、使用和共享方式。

到2020年，增強分析將成為分析和BI、數據科學和ML平臺以及嵌入式分析的主要推動力。隨著平臺功能的成熟，數據和分析領導者應該計劃采用增強分析。

No.2 增強數據管理

增強數據管理(Augmented data management)利用ML功能和AI引擎來制定企業信息管理類別，包括數據質量、元數據管理、主數據管理、數據集成以及數據庫管理系統（DBMS）自我配置和自我調整。

它使許多手動任務自動化，并允許技術水平較低的用戶使用數據更加自主。 它還允許高技能的技術資源專注于更高價值的任務。

增強數據管理將元數據從僅用于審計、沿襲和報告轉換為支持動態系統。元數據正在從被動變為主動，并成為所有AI/ML的主要驅動。

到2022年底，通過添加ML和自動化服務級別管理，手動數據管理任務將減少45%。

No.3 持續型智能

到2022年，超過一半的主要新業務系統將集成使用實時上下文數據改進決策的持續型智能(continuous intelligence)。

持續型智能是一種設計模式，在這種模式中，實時分析集成在業務操作中，處理當前和歷史數據，以指定響應事件的操作。它提供決策自動化或決策支持。持續型智能利用多種技術，如增強分析、事件流處理、優化、業務規則管理和ML。

薩拉姆女士說：“持續型智能代表著數據和分析團隊的工作發生了重大變化，對于分析和商業智能團隊來說，2019年幫助企業做出更智能的實時決策是一個巨大的挑戰，也是一個巨大的機遇。它可以被看作是運營商業智能的終極目標。”

No.4 可解釋型AI

人工智能模型越來越多地被用于幫助和取代人類決策。然而，在某些情況下，企業必須證明這些模型是如何得出決策的。為了與用戶和涉眾建立信任，應用程序領導者必須使這些模型更具有解釋性。

不幸的是，大多數這些高級人工智能模型都是復雜的黑匣子，無法解釋它們為什么會得出特定的建議或決定。例如，在數據科學和ML平臺中，人工智能可以用自然語言自動生成模型的準確性、屬性、模型統計信息和特征的解釋。

No.5 圖

圖(graph)分析是一組分析技術，它允許探索感興趣的實體(如組織、人員和事務)之間的關系。

到2022年，圖形處理和圖形DBMS的應用將以每年100%的速度增長，從而不斷加快數據準備工作，使數據科學變得更加復雜和具有適應性。

根據Gartner的說法，圖數據存儲可以有效地建模、探索和查詢具有復雜數據豎井相互關系的數據，但是對專門技能的需求限制了它們的應用。

由于需要在復雜數據中提出復雜問題，圖分析在未來幾年將會增長，這在使用SQL查詢時并不總是切實可行的。

No.6 數據結構

數據結構支持在分布式數據環境中的訪問和共享數據。它支持單一且一致的數據管理框架，允許通過其他孤立存儲的設計進行無縫數據訪問和處理。

到2022年，定制的數據結構設計將主要作為靜態基礎設施部署，迫使組織進入新的成本浪潮，為更動態的數據網格方法完全重新設計。

No.7 NLP/會話分析

到2020年，50％的分析查詢將通過搜索，自然語言處理（NLP）或語音生成，或者將自動生成。 分析復雜的數據組合并使組織中的每個人都可以訪問分析的需求將推動其更廣泛的應用，使分析工具像搜索界面或與虛擬助手的對話一樣簡單。

No.8 商業化AI和ML

Gartner預測，到2022年，75%利用AI和ML技術的新終端用戶解決方案將使用商業化解決方案而不是開源平臺構建。

商業供應商現在已經在開源生態系統中構建了連接器，它們提供了擴展AI和ML所需的企業功能，例如項目和模型管理、重用、透明度、數據沿襲以及開源技術缺乏的平臺凝聚力和集成。

No.9 區塊鏈

區塊鏈和分布式賬本技術的核心價值主張是在不受信任的參與者網絡中提供分散的信任。分析用例的潛在影響是顯著的，特別是那些利用參與者關系和交互的用例。

然而，四五種主要的區塊鏈技術要成為主流還需要幾年的時間。

在此之前，技術最終用戶將被迫集成由其主要客戶或網絡決定的區塊鏈技術和標準。這包括與現有數據和分析基礎設施的集成。整合的成本可能會超過任何潛在的優勢。區塊鏈是一種數據源，而不是數據庫，不會取代現有的數據管理技術。

No.10 持久型內存服務

新的持久型內存(Persistent Memory)技術將有助于降低采用支持內存計算(IMC)的體系結構的成本和復雜性。

持久型內存是DRAM和NAND閃存之間的一種新的內存層，可以為高性能工作負載提供高性價比的大容量內存。

它有潛力提高應用程序的性能、可用性、啟動時間、集群方法和安全實踐，同時控制成本。它還將通過減少對數據復制的需求，幫助組織降低應用程序和數據架構的復雜性。

范伯格說：“數據量正在迅速增長，將數據實時轉化為價值的緊迫性也在以同樣快的速度增長，新的服務器工作負載不僅要求更快的CPU性能，還要求更大的內存和更快的存儲空間。”