2020年企业上云成为了市场与产业的热点。从送货上门服务,再到远程医疗以及在家工作,云计算已经彻底改变了一切。显然,云计算在2021年将呈现持续性增长的趋势。
云技术的相关优势:
1、多云将使提供商之间的障碍被打破;
2、人工智能将提高云计算的速度;
3.、混合和内部配置的云解决方案越来越受欢迎
4. 更多的人将在虚拟云桌面上工作
在实践中,云桌面可以通过确保每个人都使用最新的、同步的技术来提高整个劳动力的效率。此外,它还有利于安全性,因为所有设备都可以以集中的方式管理,而不必确保网络上的每个人都遵循最佳实践。这种灵活的功能意味着虚拟桌面服务可能在未来几年变得越来越流行。
云计算技术迅速发展,云服务逐渐成为传统IT产品的替代产品,华纳云作为专业的公有云服务提供商,将为广大用户提供简单好用、稳定安全、灵活高性能的云端计算服务,助力企业轻松上云,体验云计算带来的更多便捷!
一年前(新冠疫情之前),我们将云应用视为一系列逻辑阶段,从DevTest到开发新的云中应用程序,机会性采用新的SaaS服务,随着核心企业后端应用程序的重新平台化或转型,家庭延伸现在进入视野。但是事后看来,过去一年云应用的标题是针对用例的,这些案例使企业能够转向新的常态–在工作和消费日益虚拟化的情况下,更改或开发新服务的需求,以及传统供应链面临压力的地方。
负责任的AI和可解释的AI将并驾齐驱
在过去的几周中,已经看到了有关人类智能作用的预测;职位招聘中对AI的需求; 在短期影响对AI的COVID大流行,这在长期正在锻炼的更现实的期望对于AI在软件市场的影响。
如果您是一名数据科学家,确保AI负责任并尽可能减少偏见就足够具有挑战性;当您向技术较少的从业人员敞开大门时,这一挑战就变得更大。我们没有办法倒转时钟,关闭所有这些公民数据科学家的大门。因此,技术将必须伸出援手,以帮助使AI处于直线和狭窄状态。可解释的AI对于使负责任的AI计划有效是必不可少的。尽管可解释的AI不会是万能药(需要人类来开发如何建立自我文档模型的标准),但如果没有可解释性,则消除偏见和不公平的努力就等于是轻率的努力。
面临的挑战是,在过去的一年中,我们在可解释的AI方面没有看到太多进展。一年前,我们在2020年的展望中概述了使AI摆脱黑匣子的挑战,并猜测在过去一年中,可解释AI的局限性变化相对较小。
展望未来,负责任的AI不会在2021年成为新趋势。但是,我们确实希望,由于法规的外部压力,由于法规的外部压力,将在解释性方面进行新的努力。科技公司负责。随之而来的是,随着AI越来越普及,以及随着公众监督需求的不断增长,负责任AI的目标将继续成为目标。
数据库内机器学习成为复选框项
乍一看,从提供商到Microsoft、SAP、Oracle、Informatica,SAS以及其他提供单独的计算,存储和微服务的提供商的第二波云原生DBaaS服务似乎正以另一种趋势出现:所谓的“将数据密集型流程下推”到数据库中。在来年,我们将看到更多两者。
推动下推并不是什么新鲜事。从一个角度来看,可以将其追溯到大型机计算的曙光中,程序和数据是互锁的,但是更现代的表现形式是数据库存储过程和触发器,它们实际上是Sybase的名片(以及为什么华尔街客户顽固地存在的关键)被一个不稳固的平台所困,我们希望SAP能够在1990年代注入新的生命。
随着数据库内ML功能的涌现,我们已经看到了这一点。几乎每个云数据仓库DBaaS都支持某种形式的数据库内部ML模型的训练和运行。数据库内ML已成为一个复选框项,因为(1)ML对于数据非常繁琐,并且(2)当有替代的方式处理所有数据时,移动所有这些数据既昂贵又效率低下。
在湖边小屋放松
数据仓库支持者称其为云原生架构为他们提供了规模,并且多模型数据支持使他们能够支持与数据湖相关的各种变化。数据湖的支持者认为,大小问题尤其重要,尤其是当您运行数据密集型AI模型时,新兴的开源技术(例如Presto,Trino查询引擎;表格式如Iceberg)可以使数据湖的性能几乎与数据一样好仓库。
现实情况是,数据仓库和数据湖各自具有各自不同的优势。是的,云数据仓库现在可以冒险进入PB领域,但是对大多数企业而言,障碍是经济的:在这些规模上,数据湖通常会更经济。同样,无论查询引擎如何优化,数据湖都依赖于文件扫描,而这种效率永远不会像拥有可以对数据进行索引,压缩和过滤的表那样高效。
联合查询与来自不同数据库的联接表相关联以进行单个查询。由于数据移动(仅结果集)可以被最小化,因此将处理推进到数据所处的位置更适合云计算。在云中,这意味着联合查询以深入到云对象存储。来自AWS,Azure,GCP和Snowflake的数据仓库已经通过联合查询或他们自己的专用查询引擎进入了云存储,我们期望Oracle和SAP今年将增加这些功能。
展望未来,我们并不希望将数据仓库重新构想为关系数据湖或数据湖屋,否则一定会使其过时。最终,将由您的开发人员来推动选择。传统的SQL数据库开发人员可能会选择关系数据湖,而使用Java或Python之类的语言的数据科学家和开发人员可能更喜欢数据湖,或者,如果他们的自然怀疑论得到了解决,则可能会选择数据湖。在许多组织中,在数据仓库,数据湖或数据湖屋之间进行选择不是一个决定性的决定。