10 ترند برتر فناوری داده‌ و‌ تحلیل در سال 2021

10 ترند برتر فناوری داده‌ و‌ تحلیل در سال 2021

موسسه گارتنر^[1]، 10 مورد از برترین ترندهای تکنولوژی مرتبط با داده‌وتحلیل در سال 2021 را شناسایی کرده که آشنایی با این ترندها در مواردی همچون مواجهه با تغییرات، شرایط عدم قطعیت و همچنین شناخت فرصت‌های پیش‌رو در سال‌های آتی به سازمان‌ها کمک می‌کند. به گفته یکی از محققان برجسته گارتنر (Ritta Sallam)، پاندمی کرونا با سرعتی غیرقابل تصور، فعالیت سازمان‌ها را مختل کرده است. از این‌رو، مدیران حوزه داده‌ و تحلیل –بالاجبار- در جست‌وجوی ابزارها و فرآیندهایی هستند که ترندهای مهم و کلیدی تکنولوژی را شناسایی کرده و آنها را براساس بیشترین تاثیر و مزیت رقابتی اولویت‌بندی کند. با توجه به این تحقیقات، مدیران حوزه داده‌ و تحلیل باید روی 10 ترند زیر سرمایه‌گذاری کنند، چراکه این ترندها در شرایط بحرانی به آنها کمک کرده و توانایی آنها را در پیش‌بینی، تغییر جهت، واکنش و پاسخ‌دهی بالا می‌برد.

ترند اول: هوش مصنوعی قوی‌تر، پاسخ‌گوتر و مقیاس‌پذیر

به‌منظور اثرگذاری بیشتر هوش مصنوعی و یادگیری ماشین، کسب‌وکارها باید تکنیک‌های جدیدی برای راه‌حل‌های هوش مصنوعی مقاوم، هوشمندانه‌تر و نیازمند به داده کمتر به‌کار گیرند. با به‌کارگیری هوش مصنوعی مقیاس‌پذیر، سازمان‌ها می‌توانند از الگوریتم‌های یادگیری و سیستم‌های مفسر^[2]، جهت بالاتر بردن سرعت کارها و افزایش تاثیر کسب‌وکار خود استفاده کنند.

ترند دوم: داده‌ و تحلیل ترکیب‌پذیر

آن دسته از معماری‌های داده‌وتحلیل که قابلیت ذخیره‌شدن در یک کانتینر^[3] را دارند، توانمندی ترکیب‌پذیری تحلیل‌ها را بیشتر می‌کنند. داده‌وتحلیل‌های ترکیب‌پذیر^[4] با استفاده از چندین مجموعه داده، به همراه تحلیل‌ها و راه‌حل‌های هوش مصنوعی، اپلیکیشن‌های هوشمند کاربرپسند و منعطفی می‌سازد که به مدیران این حوزه در تحقق دیدگاه‌هایشان به واقعیت کمک کند.

با روند تغییر تدریجی مراکز داده به سمت سرویس‌های ابری و تجزیه‌وتحلیل داده‌های ترکیب‌پذیر می‌توانیم در زمانی کوتاه، اپلیکیشن‌های تحلیلگر داده‌ای بسازیم که ساخت این برنامه‌ها بدون وجود بازارهای سرویس‌های ابری و راه‌حل‌های مبتنی بر کدنویسی کم یا بدون کد ممکن نبود.

ترند سوم: Data Fabric بسیار مهم و اساسی است

با گسترش دیجیتالی‌شدن و افزایش کنترل‌نشده تعداد مشتریان، مدیران حوزه، تمایل زیادی به استفاده از Data Fabric نشان داده‌اند. با این کار، آنها قادر خواهند بود مشکلات ناشی از تنوع زیاد، توزیع‌شدگی، مقیاس بالا و پیچیدگی در منابع داده سازمان خود را بهتر مدیریت کنند.

مفهوم Data fabric به منظور پایش دائمی جریان‌های داده از تحلیل‌های مختلف استفاده می‌کند و با تحلیل پیوسته منابع داده از طراحی، استقرار و به‌کارگیری داده‌های متنوع بهره می‌گیرد که این کار منجر به کاهش 30 درصدی زمان یکپارچه‌سازی و استقرار و همچنین کاهش 70 درصدی هزینه نگهداری شده است.

ترند چهارم: از کلان‌داده‌ها تا داده‌های کوچک و گسترده

با تغییر شگرف کسب‌وکارها به دلیل وقوع پاندمی کرونا، شاهد کارایی کمتر در مدل‌های یادگیری ماشین و هوش مصنوعی‌هستیم که با استفاده از حجم بالای داده‌های قدیمی به‌دست آمده‌اند. امروزه، تصمیم‌گیری انسان‌ها و هوش مصنوعی، پیچیده‌تر شده و درنتیجه برای تولید خروجی مطلوب، نیازمند داده‌های بیشتری هستیم. بنابراین، مدیران برای داشتن آگاهی بیشتر از موقعیت کنونی، به تنوع گسترده‌ای از داده‌ها نیازمند خواهند بود و بهتر است تکنیک‌های تحلیلی مناسبی را انتخاب کنند که خروجی کارآمدتری از داده‌های موجود ارائه دهد. به‌علاوه، آنها می توانند از مجموعه داده‌های گسترده که شامل تحلیل و هم‌افزایی داده‌های کوچک و بزرگ و داده‌های ساختاریافته و بدون ساختار است نیز استفاده کنند، یا برای کار با برخی تکنیک‌ها از مجموعه داده‌های کوچک بهره گیرند.

با به‌کارگرفتن داده‌های کوچک و بسیار گسترده، می‌توان مدل‌های قدرتمند تحلیلی و سیستم هوش مصنوعی کارآمدی طراحی کرد که وابستگی سازمان‌ها به منابع کلان‌داده را کاهش می‌دهد. استفاده از مجموعه داده‌های بسیار گسترده به سازمان‌ها دیدگاه 360 درجه می‌دهد. به عبارت دیگر، آگاهی کامل‌تری از موقعیتشان را در اختیار آنها می‌گذارد تا با استفاده از روش‌های تحلیلی، تصمیمات بهتری اتخاذ کنند.

ترند پنجم: XOps

هدف Xops، کسب کارایی بیشتر و استفاده از مزیت مقیاس‌پذیری با به‌کارگیری بهترین رویکردهای DevOps است. XOps شامل DataOps‌،MLOps ،ModelOps و PlatformOps می‌شود و قابلیت اطمینان^[5]، قابلیت استفاده مجدد^[6]، و تکرارپذیری^[7] را فراهم می‌سازد. همچنین، دوباره‌کاری را در فناوری‌ها و فرایندها کاهش داده و اتوماسیون و خودکارسازی آنها را ممکن می‌سازد.

بسیاری از پروژه‌های هوش مصنوعی و تجزیه‌و‌تحلیل‌ها به این دلیل شکست می‌خورند که در مراحل اولیه طراحی به جنبه‌های عملیاتی‌شدن آنها توجهی نمی‌شود. اگر سازمان‌ها به‌کارگیری XOps را جزو فعالیت‌های خود قرار دهند، می‌توانند از مزایایی همچون امکان تولید دوباره ساده‌تر، امکان ردیابی در مراحل مختلف، یکپارچگی و یکپارچه‌سازی آسان را به تحلیل‌ها و محصولات هوش مصنوعی خود بیفزایند.

ترند ششم: هوش تصمیم‌گیری مهندسی

مهندسی هوش تصمیم‌گیری، نه‌تنها تصمیمات انفرادی را تحت تاثیر قرار می‌دهد، بلکه دسته‌بندی کردن مجموعه تصمیمات در فرآیند کسب‌وکار و مجموعه عواقب و اثرات ناشی از آنها را نیز شامل می‌شود. با تحول ایجادشده در مدل تصمیم‌گیری و حرکت به سمت تصمیم‌گیری خودکار و سیستمی، اگر مدیران حوزه داده‌وتحلیل‌ها به مهندسی تصمیم‌گیری توجه کنند، می‌توانند تصمیماتی دقیق‌تر، شفاف‌تر، قابل تکرار و قابل ردیابی و بررسی بگیرند.

ترند هفتم: داده‌وتحلیل به عنوان فعالیت اصلی کسب‌وکار

جایگاه داده‌وتحلیل‌ها، رو به بهبود بوده و حتی به هسته مرکزی فعالیت برخی شرکت‌ها تبدیل شده است. در این شرایط، این مفهوم، نقش یک دارایی مشترک همسو با تحقق نتایج مطلوب کسب‌وکارها را دارد و مراکز تمرکز داده‌وتحلیل‌ها جهت همکاری بهتر بین سایر مجموعه‌های همکار توزیع خواهند شد.

ترند هشتم: گراف‌ها همه چیز را به هم مرتبط می‌سازند

در دوره نوین داده‌وتحلیل‌ها، گراف نقش اساسی داشته و به یافتن ارتباط موجود بین افراد، اشیا، مکان‌ها و وقایع در منابع متنوع داده کمک می‌کند. مدیران داده‌وتحلیل‌ها جهت سرعت بخشیدن به فرایند جست‌وجوی جواب سوال‌های پیچیده کسب‌وکارها که نیاز به آگاهی زمینه‌ای و شناخت نوع و میزان ارتباط موجود بین موجودیت‌های متفاوت دارد از گراف‌ها استفاده می‌کنند. طبق پیش‌بینی گارتنر، در حوزه‌های نوین داده‌وتحلیل‌ها، فناوری استفاده از گراف از 10 درصد در سال 2021 به حدود 80 درصد در سال 2025 خواهد رسید و این پیشرفت، راه را برای تصمیم‌گیری سریع در داخل سازمان‌ها هموار خواهد کرد.

ترند نهم: پیدایش مصرف‌کنندگان افزوده

امروزه، بیشتر کاربران کسب‌وکارها از داشبوردهای ازپیش ‌تعریف‌شده‌ای استفاده می‌کنند و تحلیل و اکتشاف داده را به کمک آنها به‌شکل دستی و غیرسیستمی انجام می‌دهند. انجام کار بدین شکل می‌تواند منجر به نتایج نادرست و تصمیمات اشتباه شود؛ بنابراین بهتر است کار با داشبوردهای ازپیش تعریف‌شده را با محیطی جایگزین کنیم که درون آن، کارها به‌طور خودکار و تعاملی انجام می‌پذیرند و خروجی براساس نیاز کاربر تنظیم و شخصی‌سازی می‌شود. این تحول به کاربران نهایی، قدرت تحلیل می‌دهد و قدرتی را که در ابتدا تنها در اختیار متخصصان تحلیل داده بوده، به مشتریان عادی منتقل می‌کند.

ترند دهم: داده‌ و تحلیل روی لبه

فعالیت‌های مربوط به داده‌و‌تحلیل‌ها به‌شکل روزافزون درحال میل پیدا کردن به خارج از حوزه IT و محیط‌های محاسبات لبه است. موسسه گارتنر پیش‌بینی کرده که تا سال 2023 بیش از 50 درصد فعالیت‌های مدیران داده‌وتحلیل مربوط به تولید، نگهداری و داده‌وتحلیل در لبه خواهد بود. مدیران این حوزه تخصصی می‌توانند از این ترند استفاده کرده و مدیریت داده خود را به‌شکل انعطاف‌پذیرتر، سریع‌تر، مدیریت‌شده‌تر و پایدارتر انجام دهند.

منابع

https://www.gartner.com/en/newsroom/press-releases/2021-03-16-gartner-identifies-top-10-data-and-analytics-technologies-trends-for-2021

---

پی‌نوشت

[1] Gartner

[2] Interpretable systems

[3] Containerized analytics

[4] composable

[5] Reliability

[6] Reusability

[7] Repeatability