Reen en ĝiaj fruaj tagoj, granda Datumo estis nenie tiel granda kiel ni nun scias ĝin. Estis tempo, kiam nur amasaj kompanioj povis pagi la teknologion malantaŭ ĝi. Sed tempoj ŝanĝiĝis, kaj grandaj datumoj evoluis nekredeble rapide, ebligante ankaŭ malgrandajn kompaniojn profiti de ĝi.
Nuntempe, kun iom da helpo de artefarita inteligento, la interreto de aferoj, kaj la nubo, grandaj datumoj aperis de esti populara IT-tendenco al fariĝi parto de la maniero kiel kompanioj faras komercon. Se, en 2015, la adopto de grandaj datumoj sidis ie ĉe 17%, en 2018, ĝi atingis 59%, kaj la nombroj nur pligrandiĝas. Sed antaŭ ol plonĝi en la grandaj datumaj tendencoj, kiuj aperis komence de 2019 kaj daŭre akiris pli kaj pli da intereso en la dua parto de la jaro, mallonga historio necesas pri kiom grandaj datumoj fariĝis la spino de komerco, ke ĝi nun estas.
Kio Estas Granda Datumo?
Grandaj Datumoj priskribas la grandan volumon de strukturitaj kaj nestrukturitaj datumoj, kiuj superfortas kompaniojn ĉiutage. La amasa kvanto de informoj tiam povas esti analizita por akiri komprenon, kiuj povas plibonigi decidojn kaj strategiojn pri la venontaj komercaj movoj de la firmao. Perfekta ekzemplo estas programaro pri strategia iniciato-administrado kiu permesas al kompanioj antaŭdiri ĉu iliaj iniciatoj finiĝos ĝustatempe kaj ene de buĝeto. Komercoj ankaŭ povas identigi ĉu ĉi tiuj iniciatoj influas la celitajn KPI-ojn kaj provizas la komprenon necesajn por tranĉi malsuperajn projektojn. Ĉi tio rajtigas kompaniojn solvi problemojn kaj funkciigi rendimenton.
La koncepto de grandaj datumoj ne estas tiel nova kiel iuj povas pensi, ĉar la ideo kolekti kaj stoki grandegajn kvantojn da informoj por analizi ĝin, poste ekzistas de jardekoj. Tamen, la esprimo "grandaj datumoj" kiel ĝi nun estas konata, estas relative nova. En la fruaj 2000-aj jaroj, grandaj datumoj estis difinitaj kiel "la tri ĉefaj Vs.”:
- Volumo: kompanioj kolektas datumojn de ĉiaj fontoj, iuj el ili ankoraŭ havas nekonatan valoron, kiel sociaj amaskomunikiloj, dum aliaj donas precizajn informojn, kiel komercajn transakciojn. Dum en la pasinteco, stoki ĉi tiun amasan kvanton da datumoj estis sufiĉe problemo, ĉar teknologio progresis, fariĝis pli facile fari tion.
- Rapideco: datumoj estas generitaj rapide, kaj iuj el la informoj devas esti traktitaj preskaŭ tuj, ĉar produktoj devas alĝustigi kaj funkcii en reala tempo kaj postulas konstantan taksadon kaj adaptadon.
- vario: datumoj venas de diversaj fontoj kaj povas esti kaj strukturitaj kaj nestrukturitaj. Se en la pasinteco, la solaj fontoj analizitaj de aplikaĵoj estis kalkultabeloj kaj datumbazoj, nuntempe la informoj venas en ĉiaj formoj, de retpoŝtoj ĝis fotoj, PDF-oj kaj aŭdaĵoj.
Malgraŭ la nomo, la graveco de grandaj datumoj ne rondiras ĉirkaŭ ĝia kvanto sed, pli precize, kiel ĝi estas pritraktata. Datumoj povas esti uzataj por trovi solvojn por kosto kaj tempo reduktoj, generi laŭmenda programado kaj fari inteligentajn komercajn decidojn. Kaj kiam la informo estas kombinita kun potencaj analizaj iloj, ĝi povas fari gravan diferencon en strategiaj movoj de kompanio. Kaj kun novaj teknologioj aperantaj, grandaj datumoj certe agos por kontinue ŝanĝi la manieron fari komercon.
Interreto de Aĵoj-Datenoj Retsenditaj por Maŝinlernado
La klopodoj uzi la Interreton de Aĵoj (IoT) por kombini Maŝinan Lernadon kaj Streaming Analytics daŭros ankaŭ tra 2019. La ĉefa celo estas oferti pli ĝustigeblajn kaj ĝustajn respondojn al ĉiaj situacioj, precipe dum komunikado kun homoj.
Maŝinlernado, kiel ni scias ĝin nun, uzas specifan kvanton da stokitaj datumoj kun la celo trejni en kontrolita medio. En la nova modelo, programistoj celas flui datumojn de la IoT por provizi realtempan Maŝinlernadon en multe malpli kontrolita medio. Sed ĉi tiu procezo postulas multe pli kompleksajn algoritmojn, ĉar Maŝina Lernado povas trejni la sistemojn por oferti pli precizan rezulton antaŭdiron.
Prenante, ekzemple, la aŭtindustrio grandaj datumoj daŭre transformiĝas. Dum grandaj datumoj antaŭe estis uzataj por plibonigi plonĝantajn spertojn, sekurecon kaj redukti karbonemisiojn, nun ĝi povas esti uzata por meti la fundamento de aŭtonomaj aŭtoj. IoT faciligas la manieron kiel datumoj estas dividitaj kaj ricevitaj, ofertante la eblecon fari aŭtojn pli inteligentaj kaj eventuale helpante kun la evoluo de plene aŭtonomaj veturiloj. Dum teknologio progresas, veturiloj povos kolekti datumojn pri mapoj, itineroj, obstakloj kiuj povas aperi sur la vojo, motora stato kaj pneŭpremoj. IoT permesos al veturiloj kunhavigi valorajn informojn inter si, por helpi kun la sekureco de la pasaĝeroj.
Platformoj de Artefarita Inteligenteco
Koncerne al freŝaj evoluoj, tri IA-tendencoj indas rigardi en 2019:
- AI-Asistantoj: Alexa kaj Siri ekzistas de sufiĉe longa tempo, kun preskaŭ 50 milionoj da usonaj plenkreskuloj kun inteligenta parolanto en siaj hejmoj, sed aferoj ne ĉesas ĉi tie. Virtualaj helpantoj kapablas plenumi sufiĉe multajn agojn, kaj ili nur pli progresos, ĉar ili daŭre estas integritaj kun IoT-aparatoj.
- Funkciigita de AI-Serĉo: Homoj ofte uzas siajn virtualajn asistantojn por fari interretajn serĉojn por ili. Se ili ne donas precizajn rezultojn, ĝi povas reflekti negative kaj sur la virtuala asistanto kaj la serĉilo. Unu el la plej oftaj kialoj de malprecizaj serĉrezultoj estas la fakto, ke homoj ofte parolas malsame ol ili tajpas. La rezultoj povas esti multe pli precizaj per adaptado de serĉiloj al pli longe parolataj frazoj kaj malsamaj akcentoj.
- Babilrobotoj: Sociaj amaskomunikiloj kaj retkomercaj retejoj jam inkludis robotojn, kiuj havas klientservajn kapablojn kaj povas helpi uzantojn kun siaj apartaj bezonoj. Ĉi tio nur daŭre kreskos dum 2019, ĉar pli kaj pli da novaj entreprenoj, kiuj kreas robotojn por kompanioj, aperos.
Hibrida Nubo
La termino "nubo" ne plu estas granda novaĵo por iu ajn, kiu havas kaj uzas inteligentan telefonon. Sed estas nova tendenco aperanta en rimedoj de Nuba Arkitekturo, kiu estas Hibridaj Nuboj. Simple, hibridaj nuboj celas kombini la privatan Nubon de organizo, kiu stokas sekurajn datumojn surloke, kun la eblo lui publikan Nubon, kiu povas esti uzata por stoki altvolumajn projektojn, kiuj ne postulas multan sekurecon. Ĉi tio permesas al entreprenoj profiti de la avantaĝoj de kaj privataj kaj publikaj nuboj.
Unu el la plej grandaj avantaĝoj de hibridaj nuboj estas kostefikeco. La kostoj por pliigi kapaciton al surloka Nubo, kio foje povas signifi konstrui tute novajn datumcentrojn, povas esti ekstreme altaj. Luante publikan Nubon, kie kompanio povas stoki ne-sentemajn datumojn, kiel retpoŝtajn reklamojn, sekurkopiojn kaj arkivitajn datumojn, la organizaj kostoj povas signife malpliiĝi. Tiamaniere, kompanioj povas uzi servojn de pago kaj forigi la bezonon de grandaj financaj investoj.
Fleksebleco estas alia avantaĝo de la hibrida nubo, ebligante organizojn movi rimedojn de la privata al la publika nubo kaj reen. Kiam temas pri disvolviĝo kaj testado, la hibrida nubo permesas al programistoj ŝpruci novajn VM-ojn kaj apojn sen interveno de IT-operacioj, kaj ankaŭ etendi partojn de la aplikoj en la nubon, por pli bone trakti pintajn prilaborajn postulojn. La nubo ankaŭ disponigas diversajn aliajn servojn, kiel komerca inteligenteco, analizo kaj la Interreto de Aĵoj, permesante al kompanioj profiti de ili, sen devi konstrui ilin aparte.
Kvantuma Komputado
Studoj montris, ke ĉirkaŭ 2.5 eksabajtoj da datumoj estas kreitaj ĉiutage, kaj la nombroj nur daŭre kreskas. La solvo al stokado kaj analizo de tia vasta kvanto da datumoj ŝajnas esti kvantuma komputado. Ĉi tio ne nur provizos rimedojn por konservi datumojn, sed ankaŭ povas faciligi la analizan rapidecon, ĉar la komputilo ne bezonos ekzameni la tutan datuman aron por serĉi la necesajn datumojn. Kaj konsiderante kiom rapide la teknologio evoluas, la epoko de kvantuma komputado eble ne estas tiom malproksima. Procesoro de 72 kvbitoj estis kreita nur pasintjare, dum en 2017, komputilo kun eĉ kvarono de tiu potenco estis konsiderata malproksima revo. Konsiderante, ke 300-kbita komputilo estus pli potenca ol ĉiuj komputiloj en la mondo kunligitaj, la estonteco de granda datuma prilaborado kaj analizo ŝajnas sufiĉe brila kaj sufiĉe proksima.
Kombinante kvantuman komputadon kun AI, datumsciencistoj povas analizi ŝablonojn, kiujn nun povas esti malpli evidentaj serĉi. Ĉi tio povas konduki al plibonigoj en diversaj industrioj, kiel la medicina sektoro, kie esploristoj jam uzas AI por akceli kanceresploradon. Ĉi tio povus esti farita multe pli efike kun kvantuma komputado.
Dum teknologio daŭre progresas, grandaj datumoj daŭre ludos eĉ pli gravan rolon en la maniero kiel kompanioj kondukas sian komercon por plenumi klientajn postulojn kaj daŭrigi sian konkuradon. La finfina celo, kiu disvastiĝas tra la ĉi-jaraj tendencoj, estas krei pli inteligentajn solvojn por plifaciligi komercajn procezojn konservante ilin kaj tempo kaj kostefika.
