2024年大數據行業預測（五）

圖

減少幻覺-放大內容！到2024年，以快速發展的語言模型爲動力，以知識圖譜爲基礎的生成式人工智能將減少幻覺，並產生越來越具有上下文相關性和洞察力的內容。這將爲自然語言理解、定制內容創建以及醫療保健、藥物發現和工程等各個領域的復雜問題解決方面的突破性發展鋪平道路。–Jans Aasman博士，Franz Inc.首席執行官

知識圖譜將幫助用戶消除數據孤島：隨着企業繼續將更多的數據遷移到數據雲中，其在雲中收集了數百、數千甚至數萬個數據孤島。通過利用各種數據源之間的關系，知識圖譜可以很容易地驅動語言模型來導航所有存在的數據孤島。在新的一年裏，我們將看到各種支持智能應用發展的成熟和新穎的人工智能技術出現。—Molham Aref，RelationalAI創始人兼首席執行官

圖數據庫將繼續徹底改變數據科學和工程團隊處理大規模實時數據集的方式，使其能夠提取更深入的見解，並實現更快的價值實現。隨着數據量和速度持續呈指數級增長，尤其是興趣點和人流量等實時數據，團隊將需要重新考慮其數據管理技術堆棧以跟上。希望越來越多的團隊將轉向圖數據庫來導航復雜的數據集、提高效率，並以保護消費者隱私的方式完成這一切。–Emma Cramer，Foursquare工程高級經理

LLM和技術融合加速了知識圖譜的採用：減緩知識圖譜(KG)採用的一個關鍵因素是，开發必要的領域模型的廣泛（且昂貴）的過程。LLM可以優化多項任務，包括分類法的演變、實體分類以及從非結構化數據中提取新屬性和關系。如果做得正確，LLM可以降低信息提取成本，因爲適當的工具和方法可以管理文本分析管道的質量，並以當前所需工作的一小部分來引導/發展知識圖譜。LLM還可以通過應用自然語言查詢和摘要來更輕松地使用知識圖譜。標記屬性圖(LPG)和資源描述框架(RDF)也將有助於推動KG的採用，因爲它們都是強大的數據模型，結合起來具有強大的協同作用。因此，雖然RDF和LPG針對不同的事物進行了優化，但數據管理者和技術供應商意識到，它們共同提供了一種全面且靈活的數據建模和集成方法。這些圖形技術堆棧的結合，將使企業能夠創建更好的數據管理實踐，以高效且面向未來的方式處理數據分析、參考數據和元數據管理、數據共享和重用。一旦建立了有效的圖基礎，其就可以在組織之間重用和重新調整用途，以交付企業級結果，而不是僅限於斷开連接的知識圖譜實現。隨着數字孿生、物聯網、人工智能和機器學習等創新和新興技術進一步獲得人們的關注，數據管理將變得更加重要。結合使用LPG和RDF的功能，組織可以表示AI和ML模型之間的復雜數據關系，並跟蹤IoT數據以支持這些新用例。此外，隨着數據規模和多樣性的增加，這種組合也將滿足對更好性能的需求。因此，隨着企業尋求連接、處理、分析和查詢當前使用的大量數據集，預計知識圖譜的採用將繼續增長。–Atanas Kiryakov，Ontotext創始人兼首席執行官

硬件

有限的芯片可用性推動了常識，並降低了人工智能的期望。人工智能的瘋狂發展，使得GPU和相關芯片生產的需求達到了極限。由於制造更多此類芯片的能力有限，人工智能處理將在2024年遇到瓶頸。這種短缺將對雲提供商、Meta、Tesla和OpenAI等大型买家產生最嚴重的影響。–Forrester

GPU的使用變得越來越昂貴且競爭越來越激烈，這將开啓雲行業的新篇章。傳統的提供商，如AWS、Microsoft Azure和Google Cloud，無法滿足开發人員的需求，小企業發現很難負擔和保留訓練大型語言模型所需的計算能力。因此，越來越多的組織將轉向分布式且無需許可的雲網絡來訪問GPU，包括在許多情況下闲置的不太復雜的芯片。展望2024年，對“小型”GPU的新關注將有助於維持人工智能的繁榮，並減輕人們對Microsoft、Alphabet和Meta將主導技術轉型的擔憂。那些在GPU壓力下尋求替代方案的企業，將通過使用不太密集的數據集要求、部署更高效的技術（例如低秩適應(LoRA)）來訓練語言模型，以及以並行方式分配工作負載來取得進展。這涉及部署較低級芯片集群，以完成相當於少量A100和H100的任務。一個雲計算的新時代將會出現，在這個時代，權力是分散的，而不是掌握在少數人手中。–Greg Osuri，Akash Network創始人兼首席執行官

當今的計算、內存、網絡技術將嚴重限制大規模部署，從而限制人工智能的經濟影響。在這三個方面都需要新技術，而不僅僅是過去幾年我們所看到的由炒作推動的未經驗證的技術投資。計算、內存和網絡方面的基本技術障礙，將推動針對不同用例配置文件和模型的專門推理基礎設施。我們將看到對推理基礎設施（生成預測以做出決策）的大量專門投資，以解決規模部署的關鍵瓶頸。隨着我們走向規模化部署，可持續性問題將成爲限制人工智能大規模部署的關鍵因素之一。其中包括能源消耗和對地球的影響。生成式人工智能的早期價值應用，將側重於內部效率提高以降低成本，而不是外部/面向客戶的收入增長。开源模型將實現對生成人工智能的廣泛早期探索，但終端用戶將需要投資於專門的內部團隊或聘請外部合作夥伴，以利用开源模型或自定義模型進行價值部署。–Naveen Verma博士，EnCharge AI首席執行官

計算能力是新的石油：GPU需求的飆升已經超過了全行業的供應，使得具有正確配置的專業計算成爲稀缺資源。計算能力現已成爲新的石油，組織正在將其作爲競爭優勢。到2024年，隨着人工智能工作負載的持續爆炸式增長，我們預計將出現更大的創新和技術採用，以提高計算效率和擴展容量。此外，TPU、ASIC、FPGA和神經形態芯片等專用人工智能硬件，將變得更容易使用。–Haoyuan Li，Alluxio創始人兼首席執行官

物聯網和邊緣計算

邊緣計算對2024年技術投資的影響：2024年，邊緣計算的重要性將繼續增長。組織將投資邊緣基礎設施，以支持需要低延遲的應用，如自動駕駛汽車、增強現實和工業自動化。–Srinivasa Raghavan，ManageEngine產品管理總監

邊緣人工智能的成功將取決於輕量級人工智能模型的進步：圍繞人工智能的創新令人興奮，而邊緣計算是實現新人工智能應用的一種方式。然而，爲了使邊緣人工智能成爲可行的選擇，人工智能模型需要輕量級，並且能夠在資源有限的嵌入式設備和邊緣服務器中運行，同時繼續以可接受的精度水平提供結果。模型需要取得適當的平衡，這意味着模型必須小且計算密集度要低，以便其可以在邊緣高效運行，同時提供准確的結果。雖然模型壓縮方面已經取得了很大進展，但預測這一領域將會持續創新，再加上邊緣AI處理器的進步，將使邊緣AI無處不在。–Priya Rajagopal，Couchbase產品管理總監

期待已久的邊緣計算：隨着人工智能應用的开發，企業將尋求更接近應用使用地點的處理能力。這意味着數據中心將專注於讓繁重的計算更接近數據實際使用的地方。–Michael Crook，Corning Optical Communications數據中心市場开發經理

MLOps（機器學習操作）將顯著發展，不僅提供部署、擴展、監控等操作功能，還將包括模型優化。這將涵蓋從超參數調整到調整模型性能，再到特定芯片組和用例的模型大小/量化和性能優化的一切。–Yeshwant Mummaneni，Altair雲首席工程師

低代碼/無代碼

低代碼抽象框架：像DBT Labs這樣的抽象框架可以促進基於SQL的代碼，這些代碼可以在各種底層平台上無縫運行，如Snowflake和Databricks。這種抽象簡化了技術轉換，提供了增強的靈活性，並減少了與平台變更相關的工作量和成本。考慮到該領域人才稀缺，其目標是使公民數據分析師能夠獨立操作平台，減少對專家的依賴。–Arnab Sen，Tredence Inc.數據工程副總裁

LLM不會取代低代碼——人工智能將推動現有的低代碼解決方案做得更多：展望明年，一些低代碼供應商已提議將人工智能用於生成代碼，作爲修復其平台缺陷的一種手段。結果可能是應用程序不太穩健、技術債務更高以及客戶的成本和風險更大。與其讓人工智能生成大量有缺陷的自定義代碼，並創造出隨着時間的推移只會變得更糟的應用，倒不如在2024年將網站設置爲具有人工智能的超級強大的低代碼解決方案。我們將看到人工智能使低代碼平台更加直觀，降低企業用戶創建自己的智能業務流程的門檻，並比以往任何時候都進一步推動公民發展。–Anthony Abdulla，Pega產品營銷高級總監

低代碼/無代碼工具將在2024年主導軟件开發：2024年，低代碼/無代碼工具將主導軟件开發，因爲其爲整個企業的用戶帶來應用开發的力量。“公民开發者”的興起證明，隨着我們走向無代碼的未來，沒有編碼經驗的人們正在改變工作世界。隨着技術企業採用低代碼/無代碼工具，將節省時間和金錢，而不是落後於早期採用者。–Jason Beres，Infragistics高級副總裁

自然語言將爲無代碼的下一次發展鋪平道路：自動化只有在一线團隊實施時才有效。五年前，將強大的自動化功能交給非技術團隊的最佳方法是通過低代碼或無代碼界面。現在，有了讓人們使用自然語言的人工智能聊天機器人，從銷售到安全的每個團隊成員都具備足夠的技術能力，可以利用自動化來解決自己的獨特問題。人工智能的突破在於用自然語言迭代的新能力，只需要求LLM做一些稍微不同的事情，然後再稍微不同。生成式人工智能和LLM正在消除進入壁壘，就像無代碼工具曾經爲需要知道如何編碼而做的那樣，而無代碼將是下一個被打破的障礙。我們已經從Python等編程語言轉向Microsoft Excel或拖放界面。明年，我們將看到越來越多的人工智能聊天功能取代無代碼界面。我們可以期待整個組織中的非技術團隊，以其從未想過的方式擁抱自動化。自然語言是前沿的未來。–Eoin Hinchy，Tines聯合創始人兼首席執行官

機器學習

機器學習是檢測物聯網設備安全異常的關鍵：隨着連接的設備越來越多，網絡攻擊的風險及其後果不斷升級。在威脅成爲嚴重安全風險之前，機器學習將日益成爲幫助識別威脅的關鍵。到2024年，可以期待大量新的機器學習驅動的解決方案進入市場，以幫助解決物聯網設備這一日益嚴重的問題。–Mike Wilson，Enzoic創始人兼首席技術官

對可重用數據的需求，將推動與AI/ML功能集成的數據管理和統一工具的採用：我們正處於數據復興的風口浪尖，與AI和ML功能無縫集成的復雜數據管理和統一工具，將增強和徹底改變我們自動化和交付數據產品的方式。這是關於針對許多業務用例量身定制經過認證、輕松使用且高度可重用的數據資產。我們討論的不僅僅是讓數據更智能；我們正在構建一個未來，讓數據成爲決策和運營的命脈，推動各行業前所未有的效率和創新。–Manish Sood，Reltio創始人、首席執行官兼董事長

量子計算

量子神經網絡將使機器更像人類一樣交流：量子神經網絡的發展有望重塑人工智能領域，特別是在自然語言處理和圖像識別領域。量子增強能力將帶來更准確、更高效、更通用的人工智能模型，推動各行業創新，爲人工智能應用帶來新的可能性。QNN還將解決語言中的遠程依賴性和模糊性的挑战，從而在對話式人工智能中產生更加上下文准確和類似人類的響應。–Jans Aasman博士，Franz Inc.首席執行官

量子計算將成爲現實：雖然量子技術的全面商業利用可能還需要數年的時間，但市場上有越來越多的解決方案正在解決現實世界的問題。到2024年，更多基於量子的用例將成爲現實，因爲這項技術從實驗室環境轉移到數據中心，其會變得更容易被企業使用。除了更多的商業投資，我們還將繼續看到來自美國、英國和其他國家政府的更多資金，以解決安全障礙和其他不斷發展的技術挑战。 –Holland Barry，Cyxtera高級副總裁兼首席技術官

到2024年，如果忽視“早期量子採用”，該行業將面臨落後的風險：就像人工智能的興起一樣，量子計算等強大的新技術給安全行業帶來了巨大的未知數。不知道量子是否會被證明是比資產更大的威脅，這種模糊性暴露了一個令人深省的現實，即即使是最具技術含量的受衆也難以理其是如何工作的。爲了爲量子進化做好充分准備，安全行業必須避免坐等其他人如何准備的錯誤立場。相反，其必須是針對量子的防御協議的早期採用者。–Jaya Baloo，Rapid7首席战略官

未來的量子計算：量子計算將實現規模飛躍，並將我們對技術的期望變爲現實。首席信息官應該依靠過去的模式爲未來做好准備，而量子計算的處理規模將把20天縮短到20毫秒。檢查用於組織數據收集和安全性的基礎系統，並开始准備基礎設施，以便能夠處理由此帶來的負載增加。我們在遠程工作中看到了同樣的過程——大多數應用和基礎設施最初並不是爲遠程工作而構建的，必須進行重構以適應互聯網速度、移動設備和新應用。關於遠程工作導致IT人員倦怠的討論很多，但真正的根本原因是應用並不是爲支持遠程工作而構建的。如果我們的環境還沒有爲下一次技術發展做好准備，那么當量子計算起飛時，也會看到同樣的倦怠。–Robert Grazioli，Ivanti首席信息官

到2024年，隨着量子計算從理論承諾穩步走向實際實施，計算領域將繼續經歷變革。雖然它們擁有解決世界上一些最嚴重問題的驚人能力，但也給當今廣泛使用的公鑰基礎設施(PKI)加密技術帶來了巨大風險。幾乎所有加密保護的基礎都是PKI，隨着量子計算機在2030年左右越來越多地上线，這些算法將很容易受到攻擊。隨着進步的加速，量子計算預計將變得更加容易實現，預示着計算能力的新時代。轉向後量子密碼學（PQC）將是防御量子計算攻擊的關鍵。由於量子計算機威脅到當前的加密標准，迫切需要加強數字安全以防範潛在的漏洞。《商業國家安全算法套件(CSNA)2.0》和《量子計算網絡安全准備法案》等美國政府法規已生效，並強制要求某些關鍵基礎設施組件最早從2025年开始轉向量子彈性安全算法。美國國家標准與技術研究院(NIST)預計將在2024年發布PQC算法的最終版本。同時，隨着威脅形勢的不斷發展，量子計算的激增要求同時關注網絡彈性。加強基礎設施，以抵御日益復雜的網絡攻擊並從中恢復將變得至關重要，因此需要採取積極主動的方法來保護量子驅動的未來中的數字資產。FPGA等靈活的解決方案對於引領行業新一輪創新浪潮至關重要，以確保面對不斷變化的威脅時的數據保護和系統完整性。–Mamta Gupta，Lattice Semiconductor運營總監

RPA、自動化、機器人

到2024年，對企業產生更大影響的是自動化，而不是人工智能：雖然明年人工智能可能會繼續成爲頭條新聞，但從實施角度來看，自動化將成爲對企業更具影響力的技術。事實是，當今世界大部分地區的自動化程度還不是很高。如果現在查看任何技術堆棧，可能會發現一些實施不佳的自動化和大量手動流程。然而，隨着企業尋找2024年提高效率的方法，大多數企業將轉向自動化，特別是其工程和基礎設施功能。這是因爲自動化效率很高，並且只需要很少的人來管理。對於許多用例，企業可以建立完全自動化的系統，其運行效果與人類甚至人工智能增強人類一樣好，甚至更好。–David Hunt，Prelude Security聯合創始人兼首席技術官

自動化工具將對开發人員的速度，以及开發人員的工作衡量方式產生更明顯的影響。今年人工智能和機器學習的爆炸式增長，正在推動企業生產力預期發生前所未有的轉變。到2024年，人工智能和機器學習驅動的自動化工具的擴展可訪問性，將繼續提高代碼質量、可靠性和安全性的基准，以滿足對快速軟件交付不斷增長的需求。–Sairaj Uddin，The Trade Desk技術高級副總裁

自動化和人工智能工具將結合在一起，形成一個中央“企業自動駕駛儀”。將流程挖掘和任務挖掘與人工智能和自動化相結合，最終將在2024年實現數字化轉型。這些技術將不再單獨運行，而是將結合起來，充分發揮自動化的潛力。將人工智能和自動化整合到一個統一系統中的企業，將連接分散的流程和系統的工作，從而實現企業迫切需要的智能和敏捷性，以跟上數字化轉型的步伐。–Anthony Abdulla，Pega產品營銷高級總監

未完，待續…

若想查看“2024年大數據行業預測”相關篇章，請點擊：

• 2024年大數據行業預測（一）
• 2024年大數據行業預測（二）
• 2024年大數據行業預測（三）
• 2024年大數據行業預測（四）

---

標題：2024年大數據行業預測（五）

地址：https://www.utechfun.com/post/315035.html