如今，人們尋求獲得更多的數據有著充分的理由，因為數據分析推動了數字創(chuàng)新。然而，將這些龐大的數據集轉化為可操作的洞察力仍然是一個難題。而那些獲得應對強大數據挑戰(zhàn)的解決方案的組織將能夠更好地從數字創(chuàng)新的成果中獲得經濟利益。

考慮到這個基本前提，以下是組織在2019年應該關注的大數據的10個發(fā)展趨勢：

1.數據管理仍然很難

大數據分析有著相當明確的重要思想：找到隱藏在大量數據中的信息模式，訓練機器學習模型以發(fā)現這些模式，并將這些模型實施到生產中以自動對其進行操作。需要清理數據，并在必要時進行重復。

然而，將這些數據投入生產的現實要比看上去困難得多。對于初學者來說，收集來自不同孤島的數據很困難，需要提取、轉換和加載(ETL)和數據庫技能。清理和標記機器學習培訓的數據也需要花費大量的時間和費用，特別是在使用深度學習技術時。此外，以安全可靠的方式將這樣的系統(tǒng)大規(guī)模投入生產需要另外一套技能。

出于這些原因，數據管理仍然是一個巨大的挑戰(zhàn)，數據工程師將繼續(xù)成為大數據團隊中最受歡迎的角色之一。

2.數據孤島繼續(xù)激增

這個預測并不困難。在五年前的Hadoop開發(fā)熱潮中，人們認為可以將所有數據(包括分析和事務工作負載)整合到一個平臺上。

出于各種原因，這個想法從未真正實現過。其面臨的最大挑戰(zhàn)是不同的數據類型具有不同的存儲要求。關系數據庫、圖形數據庫、時間序列數據庫、HDF和對象存儲都有各自的優(yōu)缺點。如果開發(fā)人員將所有數據塞進一個適合所有數據的數據湖中，他們就無法最大限度地發(fā)揮其優(yōu)勢。

在某些情況下，將大量數據集中到一個地方確實有意義。例如，像S3這樣的云數據存儲庫為企業(yè)提供了靈活且經濟高效的存儲，而Hadoop仍然是非結構化數據存儲和分析的經濟高效的存儲。但對于大多數公司而言，這些只是必須管理的額外孤島。當然，它們是重要的孤島，但它們不是唯一的。

而在缺乏強大集權的情況下，數據倉庫將會繼續(xù)激增。

3. 流媒體分析的突破性的一年

組織處理新數據越快，業(yè)務發(fā)展就會越好。這是實時分析或流式分析背后的推動力。但組織一直面臨的挑戰(zhàn)是要真正做到這一點非常困難，而且成本也很高，但隨著組織的分析團隊的成熟和技術的進步，這種情況正在發(fā)生變化。

NewSQL數據庫、內存數據網格和專用流分析平臺圍繞通用功能進行融合，這需要對輸入數據進行超快處理，通常使用機器學習模型來自動化決策。

將它與Kafka、Spark和Flink等開源流式框架中的SQL功能相結合，組織就可以在2019年獲得真正的進步。

4.數據治理不善將帶來風險

有些人將數據稱之為“新石油”，也被稱為“新貨幣”。無論是什么樣的比喻，大家都認為數據具有價值，并且如果對此不重視將會帶來更大的風險。

歐盟通過去年頒布的GDPR法規(guī)闡明了數據治理不善的財務后果。雖然美國還沒有類似的法律，但美國公司仍然必須遵守由美國聯邦、各州等創(chuàng)建的80個不同的數據制授權法規(guī)。

數據泄露正在引發(fā)問題。根據Harris Poll公司進行的一項在線調查，2018年有近6000萬美國人受到身份盜竊的影響。這比2017年增長了300%，當時只有1500萬人表示受到了影響。

大多數組織已經意識到無序發(fā)展的大數據時代即將結束。而很多國家和地區(qū)的政府對數據濫用或隱私泄露行為不再容忍。

5.隨著技術的發(fā)展，技能也在轉變

人力資源通常是大數據項目中的最大成本，因為工作人員最終構建并運行大數據項目，并使其發(fā)揮作用。無論使用何種技術，找到具有合適技能的人員對于將數據轉化為洞察力至關重要。

而隨著技術的進步，技能組合也是如此。在2019年，人們可以看到企業(yè)對于神經網絡專業(yè)人才的巨大需求。在數據科學家(而不是人工智能專家)的技能中，Python仍然在語言中占主導地位，盡管對于R、SAS、Matlab、Scala、Java和C等語言還有很多工作要做。

隨著數據治理計劃的啟動，對數據管理人員的需求將會增加。能夠使用核心工具(數據庫、Spark、Airflow等)的數據工程師將繼續(xù)看到他們的機會增長。人們還可以看到企業(yè)對機器學習工程師的需求加速增長。

然而，由于自動化數據科學平臺的進步和發(fā)展，組織的一些工作可以通過數據分析師或“公民數據科學家”來完成，因為眾所周知，數據和業(yè)務的知識和技能可能會讓組織在大數據道路上走得更遠，而不是統(tǒng)計和編程。

6.深度學習變得更加深入

深度學習的發(fā)展為人工智能的應用提供了更多的動力，在2019年沒有任何減緩的跡象。組織將繼續(xù)嘗試深度學習框架，如TensorFlow、Caffe、Keras、PyTorch和MXnet，以期將大量數據集實現貨幣化。

組織將擴展深度學習，超越其最初的用例，如計算機視覺和自然語言處理(NLP)，并找到實現強大技術的新的和創(chuàng)造性的方法。大型金融機構已經發(fā)現神經網絡算法比“傳統(tǒng)”機器學習方法更能發(fā)現欺詐行為，并且將在2019年繼續(xù)探索新的用例。

這也將支持對GPU的需求，GPU是培訓深度學習模型的首選處理器。目前還不清楚是否有新的處理器類型，包括ASIC、TPU和FPGA。但是，顯然還需要更快的培訓和推理。

然而，深度學習生態(tài)系統(tǒng)將保持相對年輕，缺乏通用平臺將使其成為真正專家的領域。

7.“Special K”擴大了足跡

軟件需要運行一些東西。用于提供通用基礎的操作系統(tǒng)，但現在開發(fā)人員的目標要低一點：Kubernetes。

Kubernetes由Google公司開發(fā)，用于管理和協(xié)調云中的虛擬化Linux容器，在IT行業(yè)中，它已成為大數據生態(tài)系統(tǒng)中最熱門的技術之一。隨著多云和混合部署變得越來越普遍，Kubernetes就是將它們整合在一起的粘合劑。

以前編寫Hadoop上運行的軟件的大數據軟件供應商現在正在編寫Kubernetes上運行的軟件，這至少讓他們進入了前臺。支持Kubernetes軟件已經成為軟件供應商(包括Hadoop供應商)的首要需求。

8. 難以忽視的云計算

云計算的規(guī)模越來越大。2018年，全球三大公共云供應商的業(yè)務增長率接近50%。云計算供應商提供了一系列大數據工具和技術，更不用說用于存儲所有數據的廉價存儲，因此用戶很難抵御云計算的誘惑。

2019年，小型企業(yè)和初創(chuàng)企業(yè)將被主要的公共云提供商提供的服務所吸引，這些云計算提供商正在投入巨資建設隨時可運行的大數據平臺，提供自動化機器學習、分析數據庫和實時流分析服務。

即使成本方面并不那么吸引人，大型企業(yè)也難以抗拒云計算所帶來的好處。然而，將業(yè)務鎖定在單一云計算供應商，這讓大型企業(yè)擔心面臨將所有雞蛋放在一個籃子中的風險。

9.新技術將會出現

當今推動創(chuàng)新的許多主要大數據框架和數據庫都是由全球網絡巨頭創(chuàng)建的，并作為開源應用發(fā)布。好消息是可能將加快技術創(chuàng)新。

在2019年，大數據從業(yè)者在他們的創(chuàng)作中會盡可能保持靈活性。雖然出于性能原因，將應用程序綁定到某項技術可能會很有誘惑力，但是當更好、更快地出現這種情況時，這可能會讓組織感到困擾。

盡可能多地保持應用程序“松散耦合但緊密集成”，因為最終必須將其拆分并重新構建。

10.智能設備無處不在

如今，智能設備無處不在，并且不斷收集數據。而在消費者需求的推動下，智能設備正以驚人的速度增長。智能設備生態(tài)系統(tǒng)正在亞馬遜Alexa和谷歌智能助理兩大領先平臺上嶄露頭角，為消費者提供了將遠程訪問和人工智能融入從照明、暖通空調系統(tǒng)、門鎖、家用電器等各個行業(yè)領域的機會。

由于超高速5G無線網絡即將推出，消費者將能夠與眾多設備進行交互，并且無論在哪里，都會提供新的個性化服務。

2019年，大數據將在多個方面取得進展。雖然大數據和人工智能的發(fā)展仍然存在大量的技術、法律和道德障礙，但潛在的好處巨大，不容忽視。