大數據正在推動組織處理、存儲和分析數據的方式發生變化。這些好處正在刺激更多的創新。以下是四大趨勢。

　　大數據正在向各行各業各種類型和規模的組織證明其價值。充分利用它的企業正在實現切實的商業利益，從提高運營效率、提高對快速變化的業務環境的可見性，到為客戶優化產品和服務。

　　結果是，隨著組織發現這些典型的大型數據存儲的用途，大數據技術、實踐和方法正在不斷發展。用于收集、處理、管理和分析的新型大數據架構和技術整個組織的各種數據不斷涌現。

　　處理大數據不僅僅是處理大量存儲的信息。數據量只是組織需要解決的眾多大數據問題之一。通常還存在各種各樣的數據——從分布在整個組織的數據庫中的結構化信息，到存儲在文件、圖像、視頻、傳感器、系統日志、文本和文檔(包括等待數字化的紙質數據)中的大量非結構化和半結構化數據。此外，這些信息通常以很快的速度創建和更改，并且數據質量水平參差不齊(準確性)，這給數據管理、處理和分析帶來了進一步的挑戰。

　　大數據的四大趨勢正在幫助組織應對這些挑戰，并獲得其所尋求的好處。以下是行業專家確定的四大大數據趨勢，以及它們對投資大數據部署的組織的意義。

　　1、生成式人工智能、高級分析和機器學習不斷發展

　　隨著大量數據的生成，傳統的分析方法受到了挑戰，因為它們不容易實現大規模數據分析的自動化。分布式處理技術，尤其是Hadoop和Spark等開源平臺推廣的技術，使組織能夠快速處理PB級信息。然后，企業使用大數據分析技術來優化其商業智能和分析計劃，從依賴于數據倉庫技術的緩慢報告工具轉向更智能、響應更快的應用，從而更好地了解客戶行為、業務流程和整體運營。

　　大數據分析的發展繼續以機器學習和人工智能系統為中心。各種規模的組織越來越多地使用人工智能來優化和改進其業務流程。在Enterprise Strategy Group的支出意向調查中，熟悉組織內人工智能和機器學習計劃的193名受訪者中有63%表示，預計2023年將在這些工具上投入更多資金。

　　機器學習使組織能夠更輕松地識別數據模式，檢測大型數據集中的異常情況，并支持預測分析和其他高級數據分析功能。其中的一些示例包括：

　　圖像、視頻和文本數據的識別系統。

　　數據自動分類。

　　自然語言處理(NLP)功能，用于聊天機器人以及語音和文本分析。

　　自主業務流程自動化。

　　網站和服務中的個性化和推薦功能。

　　能夠在海量數據中找到業務問題的最佳解決方案的分析系統。

　　事實上，在人工智能和機器學習的幫助下，企業正在利用其大數據環境，通過智能聊天機器人和更個性化的交互來提供更深入的客戶支持，而無需大幅增加客戶支持人員。這些支持人工智能的系統能夠收集和分析有關客戶和用戶的大量信息，特別是當與數據湖策略相結合時，可以聚合來自許多來源的廣泛信息。

　　企業也看到了數據可視化領域的創新。當數據以可視化的形式呈現時，比如圖表、圖形和圖表，人們能更好地理解數據的含義。新興的數據可視化形式正在將人工智能分析的力量交到普通商業用戶手中。這有助于組織發現可以改進決策的關鍵見解。先進形式的可視化和分析工具甚至允許用戶用自然語言提出問題，系統會自動確定正確的查詢，并以背景相關的方式顯示結果。

　　生成式人工智能和大型語言模型(LLM)可以在整個數據管道中帶來好處，進一步改善組織的數據運營。生成式人工智能可以幫助自動化數據可觀測性監控功能，通過主動警報和修復已識別的問題來提高質量和效率，甚至編寫代碼行。它可以掃描大量數據以查找錯誤或不一致，或者識別模式并為數據團隊生成最重要細節的報告或可視化。LLM為組織提供新的數據民主化能力。隨著生成式人工智能融入數據管理流程，數據編目、集成、隱私、治理和共享都在興起。

　　生成式AI和LLM的威力取決于用于訓練模型的數據質量。隨著所有行業對生成式人工智能的興趣和使用不斷增加，數據質量比以往任何時候都更加重要。數據團隊必須仔細監控所有人工智能生成的數據操作的結果。不正確或誤導的數據可能會導致錯誤的決策和代價高昂的結果。

　　2、數據的多樣性推動了處理的進步和邊緣計算的興起

　　數據生成的速度持續加快。這些數據大部分不是由數據庫中發生的業務交易生成的，而是來自其他來源，包括云系統、網絡應用、視頻流以及智能手機和語音助手等智能設備。這些數據很大程度上是非結構化的，在過去，這些數據大多未被組織處理和使用，從而變成了所謂的暗數據。

　　這讓我們看到了大數據的最大趨勢：非數據庫來源將繼續成為數據的主要生成者，進而迫使組織重新審視其數據處理需求。尤其是語音助手和物聯網設備正在推動零售、醫療保健、金融、保險、制造業和能源以及廣泛的公共部門市場。數據多樣性的爆炸式增長，迫使組織思考超越傳統數據倉庫，作為處理所有這些信息的手段。

　　此外，處理所生成數據的需求正在轉移到設備本身，因為處理能力方面的行業突破導致了越來越先進的設備的開發，這些設備能夠收集數據并自行存儲數據，而不會對網絡、存儲和計算基礎設施造成負擔。例如，移動銀行應用程序可以處理遠程支票存款和處理的許多任務，而無需將圖像來回發送到中央銀行系統進行處理。

　　使用設備進行分布式處理體現在邊緣計算的概念中，它將處理負載先轉移到設備本身，數據被發送到服務器。邊緣計算通過減少數據流經網絡的需求來優化性能和存儲。這降低了計算和處理成本，特別是云存儲、帶寬和處理費用。邊緣計算還有助于加快數據分析速度，并為用戶提供更快的響應。

　　3、大數據存儲需求刺激云和混合云平臺創新，以及數據湖的增長

　　為了應對不斷增長的數據生成，組織正在花費更多的資源將這些數據存儲在一系列基于云和混合云的系統中，這些系統針對大數據的所有V進行了優化。在過去的幾十年里，組織管理自己的存儲基礎設施，導致企業必須管理、保護和運營龐大的數據中心。云計算的發展改變了這種動態。通過將責任轉移給云基礎設施提供商，如AWS、Google、Microsoft、Oracle和IBM，組織可以處理幾乎無限量的新數據，并按需支付存儲和計算能力的費用，而無需維護自己的大型復雜數據中心。

　　由于監管或技術限制，一些行業在使用云基礎設施方面面臨挑戰。例如，醫療保健、金融服務和政府等受到嚴格監管的行業都有限制，無法使用公共云基礎設施。因此，在過去的十年中，云提供商開發了多種方法來提供更加適合監管的基礎設施，以及將第三方云系統的各個方面與本地計算和存儲相結合的混合方法，以滿足關鍵基礎設施的需求。隨著組織尋求云計算的經濟和技術優勢，公共云和混合云基礎設施的發展無疑將取得進展。

　　除了云存儲和處理方面的創新之外，企業還在轉向新的數據架構方法，以應對大數據的多樣性、準確性和容量挑戰。企業不再試圖將數據存儲集中在需要復雜且耗時的提取、轉換和加載過程的數據倉庫中，而是正在發展數據湖的概念。數據湖以其本機格式存儲結構化、半結構化和非結構化數據集。這種方法將數據轉換和準備的責任轉移給具有不同數據需求的終端用戶。數據湖還可以提供數據分析和處理的共享服務。

　　4、數據運營和數據管理脫穎而出

　　大數據處理、存儲和管理的許多方面將在未來幾年持續發展。這種創新很大程度上是由技術需求驅動的，但也有部分是由我們思考數據和與數據相關的方式的變化驅動的。

　　一個創新領域是DataOps的出現，這是一種專注于敏捷迭代方法的方法和實踐，用于處理在組織中流動的數據的完整生命周期。DataOps的流程和框架解決了從生成到存檔整個數據生命周期的組織需求，而不是以零碎的方式考慮數據，由不同的人來處理數據的生成、存儲、傳輸、處理和管理。

　　同樣，組織越來越多地處理數據治理、隱私和安全問題，大數據環境加劇了這種情況。過去，企業對數據隱私和治理的擔憂往往有些松懈，但新的法規使其對系統中個人信息的發生負有更大的責任。生成式人工智能增加了組織需要考慮的另一層隱私和道德問題。

　　由于普遍存在的安全漏洞，侵蝕了客戶對企業數據共享實踐的信任，以及在整個數據生命周期中管理數據的挑戰，組織越來越關注數據管理，并更加努力地保護和管理數據，特別是當數據跨越國際邊界時。新的工具正在出現，以確保數據留在需要的地方，在靜態和動態中得到保護，并在其生命周期中得到適當的跟蹤。

　　總之，這些大數據趨勢將繼續塑造2024年的大數據形態。