• سال 2021 با محوریت داده: پیش بینی های سال جدید در حوزه داده، تجزیه و تحلیل داده و هوش مصنوعی

      سال 2021 با محوریت داده: پیش بینی های سال جدید در حوزه داده، تجزیه و تحلیل داده و هوش مصنوعی

      سال 2021 با محوریت داده: پیش بینی های سال جدید در حوزه داده، تجزیه و تحلیل داده و هوش مصنوعی

      سال پرهیاهو و شلوغ 2020 بسیاری از صاحبان صنایع رادر مورد آینده پیش رو به فکر فرو برده است و تقریباً 50 صفحه پیش بینی از بیش از 30 شرکت ارائه شده است. در اینجا خلاصه ای از پیش بینی ها پیرامون سال 2021 وجود دارد که به مباحثی اختصاص یافته است که بیشترین حدس ها را به خود اختصاص داده است.

      براساس مقاله ترجمه شده توسط روابط عمومی مرکز ملی فضای مجازی، در اواخر هر سال ، پیش بینی های زیادی را از طرف مدیران صنعت و تحلیلگران صنعت و تحلیلگران داده ارایه می شود که مربوط به سال آینده است. امسال ، این پیش بینی ها سندی 49 صفحه ای شده است.
      این فهرست شامل چندین بازیگر شناخته شده صنعت تجزیه و تحلیل داده ، از جمله Cloudera ، Databricks ، Micro Focus ، Qlik ، SAS و Snowflake می باشد. همچنین افکار مدیران اجرایی در Andreessen Horowitz، موسسه Deloitte AI و O'Reilly ، و همچنین نظر مدیران صنایع کوچکتر اما همچنان پراهمیت در بازار داده آورده شده است.
      گروه بندی های امسال شامل انبار داده در مقابل دریاچه داده، دموکراتیک سازی هوش مصنوعی (AI) ؛ هوش مصنوعی مسئول، همگرایی هوش مصنوعی و هوش تجاری (BI) ؛ رشد سواد داده، سند حاکمیت داده؛ و البته ، تعامل بین تجزیه و تحلیل داده و بیماری همه گیر COVID-19 می باشد. پس از این مقدمه، وارد پیش بینی ها خواهیم شد:
      انبار داده در مقابل دریاچه داده: آیا همه ما می توانیم با آن همگام شویم؟
      یکی از موضوعات محبوب در این سال ، قدرت نسبی و بقای نهایی انبار داده و رویکردهای دریاچه داده برای تجزیه و تحلیل بود.
      باب موگلیا ، مدیرعامل سابق Snowflake ، می گوید که همه فرآیند انتقال تصاویر و فیلم ها و هر هر منبع داده دیگری طی دو تا سه سال آینده در یک انبار داده انجام می شود ، و این می تواند میخی بر تابوت دریاچه داده باشد. " پیج رابرتز ، مدیر بخش روابط شرکت منبع آزاد Micro Focus ، احساس می کند "فروشندگان انبار داده شروع بی نظیری دارند [بیش از فروشندگان دریاچه داده] زیرا ساخت یک پایگاه تحلیلی مستقل و قابل اعتماد مانند Vertica می تواند ده سال یا بیشتر طول بکشد. حدود ده سال گذشته است و فروشندگان دریاچه داده هنوز در تلاشند تا عقب افتادگی خود در این بازی را جبران کنند.
      جورج فرِیزر ، مدیرعامل Fivetran ، می گوید: "من فکر می کنم 2021 نیاز به دریاچه های داده را در جهان مدرنی که ذخیره داده رو به کاهش می گذارد، آشکار میکند." و اضافه کرد "... دیگر هیچ دلیل فنی جدیدی برای پذیرش دریاچه های داده وجود ندارد زیرا انبارهای داده ای که فضای محاسباتی را از فضای ذخیره سازی جدا می کنند ، ظاهر شده اند."، فریزر اینگونه خلاصه می کند: "در دنیای ذخیره داده مدرن ، دریاچه های داده راه حل بهینه نیستند. آنها در حال تبدیل شدن به یک فناوری قدیمی هستند."
      حامیان دریاچه داده ها نیز مشتاقانه نظرات خود را بیان کرده اند. تومر شیران ، بنیانگذار Dremio در پیش بینی اش با عنوان "دریاچه داده نه تنها می تواند آنچه انبارهای داده انجام می دهند را بر عهده بگیرد بلکه وظایف و امکانات جدیدی را هم به همرا دارد." وی می گوید: "انبارهای داده در طول تاریخ دارای برتری نسبت به دریاچه های داده بودند. اما اکنون با جدیدترین نوآوریهای منبع باز در سطح داده این روند تغییر کرده است. " وی از آپاچی پارکت و دریاچه داده به عنوان دو نوآوری و پروژه های کمتر شناخته شده Apache Iceberg و Nessie نیز نام برد. روی هم رفته ، این پروژه ها اجازه می دهند داده ها در قالب های ستونی و باز در سیستم های پرونده ذخیره ، نسخه برداری و با سازگاری پردازش شوند.
      مارتین کازادو ، شریک عمومی Andreessen Horowitz ، این را چنین بیان کرد: "اگر به موارد استفاده دریاچه های داده در مقابل استفاده های تجزیه و تحلیل داده نگاه کنید ، نتایج بسیار متفاوت است. دریاچه های داده به طور منظم داده های غیر ساختاری هستند ، محاسبات فشرده و متمرکز بر هوش مصنوعی عملیاتی هستند. موارد استفاده از هوش مصنوعی بزرگتر و سریعتر رشد می کند. با گذشت زمان ، فکر می کنم شما می توانید استدلال کنید که این دریاچه داده است که در نهایت همه چیز را مصرف می کند. "
      دیپتی بورکار ، بنیانگذار و مدیر ارشد محصولات در Ahana با محوریت PrestoDB ، می گوید: "با توجه به اینکه پذیرش ابری به جریان اصلی تبدیل شده است ، شرکت ها بیشتر داده های خود را در ابر ایجاد و ذخیره می کنند ، به ویژه در دریاچه های داده مبتنی بر آمازون S3 ". همکار وی ، دیو سیممن ، مدیر CT در Ahana ، می گوید: " ذخیره سازی منطقه ای و تفکیک شده داده در حال جابجایی به سمت انبار داده های سنتی با پایگاه داده ای است که به هم پیوسته است." سیممن همچنین بر این باور است که "... ما شاهد انبارداری سنتی داده ها و معماری پایگاه داده ای هستیم که به شدت به هم متصل شده اند و به روند کاری قدیمی منتقل شده اند."
      در Databricks ، استراتژی تمرکز بر فناوری دریاچه داده است ، اما تجربه آن را با برخی ویژگی های شبیه به انبار داده غنی کرده اند. Joel Minnick ، ​​معاون بازاریابی در Databricks ، اینگونه توضیح می دهد: "چشم اندازی که اکنون شاهد شکل گیری آن هستیم دریاچه نامیده می شود. این یک لایه معاملاتی ساختاری را به دریاچه داده ارائه می دهد تا عملکرد ، قابلیت اطمینان ، کیفیت و انبار داده و مقیاس را اضافه کند. . این اجازه می دهد بسیاری از موارد استفاده که به طور سنتی به انبارهای داده قدیمی نیاز داشتند فقط با یک دریاچه داده انجام شود. "
      در مورد بازیگرانی که هیچ شرکت کننده ای در این مسابقه ندارند ، چطور؟ ، Rachel Roumeliotis ، معاون فناوری اطلاعات و اطلاعات O'Reilly، اعتبار مدل های دریاچه و lakehouse را تأیید می کند: "دریاچه های داده در چند سال گذشته یک تجدید حیات نسبتاً قوی را تجربه کرده اند ، به ویژه دریاچه های داده ابر ... اینها همچنان در رادار ما در سال 2021 باقی خواهند ماند. به همین ترتیب ، data lakehouse ، معماری ای که ویژگی های دریاچه داده و انبار داده را در خود جای داده است ، در سال 2020 مورد توجه قرار گرفت و در سال 2021 به رشد چشمگیرش ادامه خواهد داد. " Roumeliotis با اشاره به مدل انبار داده ، اضافه می کند: "مهندسی انبار داده ابر با توجه به اینکه راه حل های پایگاه داده بیشتر به ابر منتقل می شوند ، همچنان به عنوان یک تمرکز خاص توسعه می یابند."
      در Starburst ، با تمرکز بر Trino (PrestoSQL سابق) - که یک موتور برای سنجش دریاچه های داده است که بسیار عالی کار می کند ، و همچنین می تواند به انبارهای داده و بسیاری از منابع داده دیگر متصل شود - مدیر عامل شرکت Justin Borgman می گوید: "ما رهبران کسب و کار را خواهیم دید که اتخاذ تصمیماتشان مبتنی بر داده خواهد بود ، بدون توجه به آن که داده ها در کجا ذخیره شده اتد - در ابر ، در prem ، در دریاچه های داده یا انبارهای داده. "
      همه برای AI و AI برای همه؟
      همانطور که می توانید تصور کنید ، در سال جاری تعداد زیادی از پیش بینی ها در مورد هوش مصنوعی و یادگیری ماشین (ML) بوده است. در واقع پیش بینی ها در این باره آنقدر زیاد بود که خود به چند زیر مجموعه قابل توجه تقسیم می شوند. یک مجموعه از پیش بینی ها به چگونگی دموکراتیک شدن ، در دسترس بودن ، مقرون به صرفه بودن و بالغ شدن هوش مصنوعی متمرکز است.
      بورگمن از Starburst می گوید: "ML / AI (هوش مصنوعی/ یادگیری ماشین) برای پایگاه گسترده تری از کاربران در دسترس خواهد بود." وی اضافه می کند که اگرچه زمینه های دانش داده برای بهره گیری از هوش مصنوعی تاکنون ضروری بوده است ، اما این روند "تغییر می کند و به سمتی می رود که شامل هر کسی در سازمان که برای تصمیم گیری هوشمندتر به دسترسی به داده احتیاج دارد، شود." الکس پینا ، مهندس ارشد تحقیق و توسعه در Linode ، فکر می کند که اقتصاد هوش مصنوعی نیز قابلیت دسترسی آن را بهبود می بخشد و می گوید: "با کاهش هزینه خدمات GPU ابری ، مشاغل کوچک تر می توانند از هوش مصنوعی استفاده کنند." رایان ویلکینسون ، مدیر ارشد فناوری در IntelliShift ، موافق است و اظهار می دارد: "با رسیدن سخت افزار به نقطه ای که از هوش مصنوعی پشتیبانی کند، نرم افزارهای ML و AI که در فضای ابری اجرا می شوند سریعتر از هر زمان دیگر به بلوغ می رسند."
      Ryohei Fujimaki. ، بنیانگذار و مدیرعامل dotData ، یادگیری ماشین خودکار (AutoML) را عامل دیگری برای دستیابی به هوش مصنوعی برای دانشمندان در حوزه های دیگر غیر از داده می داند ، و پیش بینی می کند که در سال 2021 "... ما شاهد افزایش AutoML 2.0 خواهیم بود که پلتفرم های "بدون کد" را به سطح بعدی می رسانند. " فوجیماکی همچنین احساس می کند که AutoML به فراتر بردن موارد استفاده از تجزیه و تحلیل های پیش بینی کننده کمک خواهد کرد ، زیرا "... همچنین می تواند بینش ارزشمندی از روندها ، رویدادها و اطلاعات گذشته ارائه دهد که به کسب و کارها اجازه می دهد تا" مجهولات ناشناخته "، روندها و الگوهای داده ای که مهم هستند ، اما هیچ کس به درست بودن آنها شک نکرده است را کشف کنند. "
      هوش مصنوعی مسئولیت پذیر و اخلاقی
      یکی دیگر از موضوعات مهم ، موضوع مسئولیت پذیری و اهمیت عمومی اعتماد و توضیح پذیری در مدلهای AI / ML است. امی هودلر ، مدیر تجزیه و تحلیل نمودارها و برنامه های هوش مصنوعی در Neo4j ، می گوید که اگرچه "... بحث در مورد هوش مصنوعی مسئولانه به دلیل همه گیری متوقف شده است" ، اما "نیاز به هوش مصنوعی مسئولانه تغییر نکرده و نیاز به شروع بحث عمومی مثل همیشه مهم است. " روملیوتیس از اوریلی در مورد پیشرفت محدود پیشین و چگونگی فعالیتهای عمده آن در سال 2021 با چنین آرایشی موافق است: "تا کنون ، استفاده شرکتهای بزرگ از ML مسئولیت پذیر در بهترین حالت متوسط و واکنشی بوده است. در سال آینده ، افزایش مقررات (مانند GDPR) ، CCPA) ، ضد انحصاری و سایر نیروهای قانونی شرکت ها را مجبور به اتخاذ رویه های مسئولانه تر در ML خواهد کرد. نیک الپرین ، مدیر عامل شرکت آزمایشگاه دومینو ، از همین منظر نظراتش را بیان کرده است: "... استانداردهای حفظ حریم خصوصی که به سرعت در حال تحول هستند و اولین بار با GDPR و اکنون CCPA در کالیفرنیا مشاهده می شوند ، در سال 2021 نیاز به توجه به شفافیت و امنیت بیشتر مدلهای هوش مصنوعی خواهد داشت. "
      بدون رویکرد هوش مصنوعی مسئولانه ، اعتماد به C-Suite و اعضای تیم برای مدل های هوش مصنوعی که در حال طراحی آن هستند دشوار می شود و بدون این اعتماد ، استفاده از هوش مصنوعی برای منافع تجاری تقریباً غیرممکن است. جوآو اولیویرا ، مدیر راه حل های تجاری در SAS ، می گوید: "هرچه دید تصمیم گیرندگان برای نتایج هوش مصنوعی بیشتر باشد ، اعتماد بیشتری به تصمیماتی که توسط مدل ها گرفته می شود ، دارند." اولیویرا در ادامه معتقد است که اعتماد پذیری به سمت به کارگیری و استفاده می انجامد، و بیان کرد"... نظارت انسان و توضیح مدل ها در هر مرحله از یک فرآیند تصمیم گیری ، باعث پذیرش هوش مصنوعی و تصمیم گیری خودکار می شود." سانتیاگو ژیرالدو ، مدیر ارشد بازاریابی محصولات Cloudera در یادگیری ماشین ، نه تنها موافق است ، بلکه ادامه می دهد که ، برای تجارت ، به کارگیری هوش مصنوعی به این ترتیب از نظر وجودی ضروری است. وی اینگونه بیان می کند: "در سال 2021 ، توانایی یک کسب و کار در جلب اعتماد به مدل خود - تا حدی که بتوانند بر اساس بینش ناشی از هوش مصنوعی خود عمل کنند - تعیین کننده بقای آن ها خواهد بود."
      سندی مایک ، معاون اصلی راه حل های صنعتی به عنوان یکی دیگر از مدیران Cloudera می گوید: "در 12 تا 24 ماه آینده خواهیم دید که هوش مصنوعی اخلاقی در مرکز توجه قرار می گیرد." Beena Ammanath ، مدیر اجرایی موسسه هوش مصنوعی Deloitte فکر می کند "2021 سال عملیاتی برای اخلاق هوش مصنوعی خواهد بود" و می گوید که "امکان اعتماد به سیستم های AI در مرکز هر مکالمه AI است." امانات احساس می کند که "شرکت ها در تصمیم گیری درباره ابعاد اخلاقی استراتژی های هوش مصنوعی خود شروع به کار می کنند و مدل های هوش مصنوعی را که می توانند برای پیامدهای اخلاقی تحت عنوان MLOps اداره شوند ، به کار می گیرند." در واقع ، گزارش اجرایی سالانه فناوری RELX تائیدیه ای را برای این امر تأیید می کند و می گوید: "از هر 10 رهبر تجاری بیش از 8 نفر معتقدند که ملاحظات اخلاقی یک اولویت استراتژیک در طراحی و اجرای سیستم های هوش مصنوعی آنها است."
      Domino Data Lab's Elprin با نادیده گرفتن خطر هوش مصنوعی اخلاقی ، پیش بینی می کند که "در سال 2021 ، ما آگاهی گسترده تری از صنایع راجع به پیامدهای حقوقی و خطرات تصمیمات خودکار خواهیم دید. ممکن است دعاوی عمومی مربوط به تبعیض یا مسئولیت را که شامل تصمیمات گرفته شده توسط مدلهای هوش مصنوعی است را ببینیم. " اما همه پیش بینی ها به سمت نابودی و تاریکی نیست. جیمز کینگستون ، معاون همکاری و تحقیقات نوآوری، محقق هوش مصنوعی و مدیر HAT-LAB در Dataswift ، مقداری هویج در انتهای این چوب گذاشته و توضیح می دهد که "برای مقیاس گذاری برای آینده با ترکیب اصول اخلاقی ، سازگاری و حفظ حریم خصوصی با زیرساخت های فناوری ساخته شده، جامعه به سمت سیستمی حرکت خواهد کرد که ارزش داده ها به نفع افراد و بنگاه های اقتصادی باشد. "
      ادبیات داده، گسترش فرهنگ داده
      بسیاری از پیش بینی کنندگان صنعت ما معتقدند مهارت و سواد داده در سال 2021 همه گیر و عادی می شود. Sudheesh Nair، مدیر عامل شرکت ThoughtSpot ، معتقد است که "با افزایش سطح سواد داده ها ، مهارت های تجزیه و تحلیل داده به یک عرف برای همه متخصصان تجارت تبدیل می شود و از رزومه نامزدهای کسب شغل ناپدید می شود." " نایر از طریق تشبیه نظر خود را به خانه می رساند: "همانطور که بعید است امروز" مهارت دفتر داری "را ببینید ، بعید است که" مهارت داده "را در پایان این دهه ببینید."
      Sam Mahalingam ،مدیر بخش تکنولوژی Altair ، با جسارت پیش بینی می کند که "در سال 2021 همه به یک طرفدار داده تبدیل می شوند." Mahalingam پیش بینی خود را با این ادعا توجیه می کند که "با جدیدترین پیشرفت ها در ابزارهای تجزیه و تحلیل و پیش بینی داده ، و با مدل های هوش مصنوعی قابل توضیح، تجزیه و تحلیل و تفسیر داده ها برای متخصصان تجارت با هر سطح مهارتی آسان تر و سریعتر می شود."
      Lucy Kosturko، مدیر نوآوری اجتماعی در SAS ، از زاویه دید نسلی / فرهنگی توضیح می دهد که "نسلی که بر روی داده ها رشد می کند ... شروع به ورود به نیروی کار می کند" و "توانایی های ذاتی آنها برای ردیابی و درک داده ها، روش کار ما را بهبود می دهد. " کوستورکو همچنین معتقد است که نسل "بومیان داده" "مجموعه مهارت های سواد داده و سطح راحتی استفاده از داده ها را به ارمغان می آورند که به تجزیه و تحلیل و نوآوری بیشتر سازمانها با کمک داده کمک می کند."
      Aaron Kalb ، مدیر ارشد داده و ابزارهای تجزیه و تحلیل، معتقد است که 2021 سالی خواهد بود که "سواد داده به جریان اصلی وارد می شود." وی ادامه می دهد: "در سال 2019 ، بیشتر افراد ریاضیات ، آمار و داده ها را خسته کننده ، مرعوب کننده یا بی ربط دانستند. اما پس از یک سال بررسی دقیق حاشیه های خطا در نظرسنجی انتخابات ، تماشای منحنی های نمایی COVID و یادگیری" R-naught ، "مطمئناً آن مباحث مهم و تأثیرگذار به نظر می رسند و در دسترس تر نیز هستند."
      کالب معتقد است که این افزایش سواد داده فراتر از افراد است و برای کل سازمان ها کاربرد دارد. وی پیش بینی می کند که در سال 2021 فرهنگ داده "قابل دستیابی به نظر می رسد." وی اذعان می کند که "تاکنون" فرهنگ داده "کمی رویا و حرف بوده است." اما می گوید که "در سال 2021 ، نقش های تاثیرگذاری را برای داده مشاهده خواهیم کرد: سازمانهایی که با موفقیت" تغییر" کرده و الگوهای قابل تکرار را برای چگونگی ایجاد ترکیبی مناسب از افراد ، فرآیندها و فن آوری ها برای ایجاد تغییرات واقعی به دست آورده اند."
      حاکمیت داده
      یکی دیگر از موضوعات پرطرفدار در پیش بینی های امسال ، تکثیر داده ها و نحوه مدیریت داده و حاکمیت آنها بود.
      Rick Hedeman، مدیر ارشد توسعه تجارت در 1touch.io ، این مشکل را اینگونه بیان می کند: "با ورود به سال جدید ، روند گسترش اطلاعات ادامه می یابد ، دریاچه های داده در همه جا ظاهر می شوند و حاکمیت بر داده در حال دشوارتر شدن است. " وی می گوید: "برای شرکتها در هر صنعت ارزشمند ترین چیز کسب و یادگیری هرچه بیشتر رفتار و احساسات مشتری است، اما این روش تا حد زیادی اینگونه است" داده ها را جمع آوری کن ، بعداً سوال بپرس ".
      Chris Bergh، مدیرعامل DataKitchen ، تحت عنوان "حاکمیت داده، حرکت به سمت مرکز و لبه های مرز " مشاهده می کند که: "در بسیاری از سازمان های بزرگ صنعتی، حاکمیت داده اغلب به عنوان مانعی برای نوآوری و بهره وری تلقی می شود. با این حال ، بسیاری از سازمان های مدرن در حال درک این موضوع هستند که اگر آنها می خواهند چابک و موفق باشند ، این باید تغییر کند. "
      این مسئله نه تنها متن های معمول و داده های عددی بلکه رسانه ها را نیز شامل می شود. مدیرعامل Nutanix ، Dheeraj Pandey می گوید: "حاکمیت در حول تصاویر و داده های ویدئویی تولید شده در لبه ها ، کاربردهای معنی دارتری از AI و ML را در شرکت های ترکیبی به ارمغان می آورد."
      Tomer Shiran از شرکت Dremio ، با بیان "چرخ دنده های حریم خصوصی و حاکمیت داده ها در ایالات متحده به حرکت افتاده است" ، معتقد است که در پایان ایالات متحده مقررات ملی مشابه GDPR اتحادیه اروپا و قانون حمایت از حقوق مصرف کننده در کالیفرنیا را تصویب خواهد کرد. او می گوید که "تحقق این امر نیاز دارد که شرکت ها حریم خصوصی و حاکمیت داده ها را در زیرساخت تجزیه و تحلیل داده های خود تقویت کنند."
      حاکمیت فقط به جداول ، مجموعه داده ها و پرونده های پارکت در دریاچه داده اعمال نمی شود. بلکه همچنین برای مدل های ML نیز اعمال می شود. Cindy Maike از Cloudera می گوید که "همانطور که به سال 2021 نگاه می کنیم ، مشاهده خواهیم کرد که مکالمه هوش مصنوعی اخلاقی و حاکمیت داده ها در چندین زمینه مختلف اعمال می شود ، مانند ردیابی تماس های فیزیکی افراد (برای مبارزه با COVID-19) ، وسایل نقلیه متصل به شبکه و دستگاه های هوشمند ... و پروفایل های سایبری شخصی. "
      Balaji Ganesan ، بنیانگذار و مدیر عامل شرکت Privacera (که همچنین یکی از بنیانگذاران پروژه Apache Ranger که یک استاندارد امنیتی محبوب در زمینه داده ها است) پیش بینی می کند که شرایط قانونگذاری در سال جدید به معنای 2021 آغازی بر "پایان غرب وحشی اشتراک گذاری اطلاعات است. " او همچنین می بیند که بین دولت ها و بیماری همه گیر COVID-19 رابطه ای تنگاتنگ وجود دارد و اظهار داشت: "... نیاز به کار از راه دور طی همه گیری COVID-19 شرکت ها را مجبور می کند پروژه های حاکم بر داده ها و انطباق پذیری آن را در سال 2021 تسریع کنند."
      تجزیه و تحلیل داده و همه گیر COD-19
      و در پایان به صحبت از همه گیری میرسیم (فکر نمی کردید بدون بحث در مورد COVID-19 ، ما بتوانیم پیش بینی های زیادی را برای سال 2021 انجام دهیم) ، بسیاری از پیش بینی کنندگان امسال همه گیری را به عنوان یک عملکرد اجباری در بسیاری از پیش بینی های فناوریشان در سال جدید می دانند.
      به عنوان مثال ، Spiros Liolis ، سرپرست فناوری در Micro Focus ، معتقد است "نرم افزارهای هوشمند در نتیجه COVID-19 ، عملکردهای تکراری بیشتر و بیشتری ردر زنجیره تأمین خودکار شده و کار را به عهده می گیرد." و Ashu Singhal، بنیانگذار و رئیس بنیاد Benchling، می گوید: "بیشتر سازمان های تحقیق و توسعه انتقال زیرساخت های خود را به فضای ابر ادامه می دهند ، زیرا سرمایه گذاری های COVID-19 و ML به سرعت افزایش می یابد."
      در اینجا برداشت Aaron Kalb از Alation اینگونه است: "هنگامی که همه گیری اقتصاد جهانی را زیر و رو کرد ، سازمان ها مجبور شدند به سرعت در هوش مصنوعی تجاری و نرم افزارهای کاتالوگ داده سرمایه گذاری کنند تا فقط بفهمند چه خبر است و تصمیمات اساسی کسب و کار را اتخاذ می کنند." و Elprin از آزمایشگاه Domino Data اظهار داشت: "سازمانها در تلاشند تا از اثرات COVID-19 غلبه کنند و تجارت خود را زنده نگه دارند ، در بسیاری از مناطق بودجه را کاهش می دهند. با این حال ، در سال 2021 پیش بینی می کنیم که بسیاری از آنها سرمایه گذاری خود در علم داده را برای کمک به تصمیم گیری های مهم تجاری که ممکن است به معنای واقعی کلمه تفاوت بین بقا و انحلال شرکت باشد، را حفظ کنند یا آن را افزایش دهند. "
      همچنین بیماری همه گیری به عنوان محرکی برای اولویت بندی هوش مصنوعی اخلاقی / مسئول شناخته شده است. Ammanath از Deloitte گفت: "همه گیری جهانی COVID-19 تقاضای فوری برای راه حل های AI را شعله ور کرده و تمرکز جهانی را در استفاده اخلاقی از AI افزایش داده است." اگرچه ناتالیا مدجسکا ، مدیر تحقیق در گروه تحقیقاتی فناوری اطلاعات ، معتقد است که همه گیری در واقع یک توازن در مورد استفاده از هوش مصنوعی خواهد بود و می گوید: "ما یک رویکرد محتاطانه تر نسبت به هوش مصنوعی خواهیم دید: تجزیه و تحلیل منافع و ریسک ، سرمایه گذاری های مورد نیاز و بازگشت سرمایه ... به دلیل تغییر گسترده داده ها توسط Covid-19 ، که باعث می شود بسیاری از داده های قبل از همه گیری غیر قابل استفاده شود "
      در مورد این تغییر ،Patel از MachEye اظهار می دارد که "رفتار مشتری و عادات خرید به شدت در اثر همه گیری تغییر کرده است." به همین دلیل ، پاتل پیش بینی می کند که "گزارش ها و داشبوردهای تحلیلی ، حتی برای سال 2019 نیز بی فایده خواهند بود. تمرکز بر روی تجزیه و تحلیل تغییرات رفتار مشتری در زمان واقعی برای به دست آوردن بینش عملی خواهد بود."
      Buno Pati ، مدیر عامل شرکت Infoworks ، اظهار داشت که تجزیه و تحلیل داده می تواند بر نحوه مدیریت همه گیری تأثیر بگذارد ، و نه برعکس. وی توضیح می دهد که "جنگ ها در تدارکات به پیروزی رسیده یا از دست می روند ، و ما در حال حاضر در حال جنگ با COVID-19 هستیم ... با دستیابی به اطلاعات مربوط به پرستاران واجد شرایط ، متخصصان ، درمانگران تنفسی و رادیولوژیست ها ، بیمارستان ها به سرعت مراقبت های لازم را از بیماران دریافت می کنند. "
      Jans Aasman ، مدیر عامل شرکت Franz Inc. بر این باور است که تجزیه و تحلیل نمودار به طور قابل توجهی در تأثیر ردیابی تماس فیزیکی افراد دارای COVID-19 تأثیر می گذارد: "موسسات بهداشتی پیشرو ، نمودار دانش رویداد را با محوریت یک بیمار COVID ایجاد می کنند و تمام افراد و مکان هایی را که فرد آلوده ، به مدت 15 دقیقه یا بیشتر در آن قرار دارد ، تجزیه و تحلیل می کنند... به افراد بالقوه آلوده توصیه می کند که آزمایش دهند و قرنطینه شوند تا شیوع بیماری را کند کنند. "
      سرانجام ، گرگ هورن ، مدیر جهانی ، بهداشت ، در SAS فکر می کند که تجزیه و تحلیل داده و COVID-19 تعاملی فراتر از ردیابی تماس خواهد داشت و همچنین بر تلاش واکسیناسیون COVID نیز تأثیر می گذارد. وی پیش بینی کرد که "تجزیه و تحلیل داده نه تنها در تأییدیه فرآیند تولید واکسن نقش دارد بلکه برای برنامه ریزی برای توزیع و ردیابی توزیع ، عوارض جانبی و اثربخشی نیز مهم خواهد بود."
      با توجه به عرضه کند واکسن در ایالات متحده تاکنون ، جای تعجب است که آیا پیش بینی هورن به نتیجه می رسد و امور را بهبود می بخشد. مطمئناً ، بیشتر ما امیدواریم که داده ها و تجزیه و تحلیل ها بتوانند به تسریع در پایان این همه گیری کمک کنند. بیایید امیدوار باشیم که پیش بینی های سال آینده به طور کامل به دنیای پس از همه گیری متمرکز باشد.

      نظر کاربران
      نام:
      پست الکترونیک:
      شرح نظر:
      کد امنیتی:
       
تمامی حقوق برای مرکز ملی فضای مجازی محفوظ است. هر گونه کپی‌برداری از مطالب با ذکر منبع بلامانع است.