作者：Matt Turck是早期階段風投公司FirstMark的風險投資家。來自: 云頭條

這是數據領域又一個激烈動蕩的年頭，令人興奮，但又錯綜復雜。

隨著越來越多的人上網，一切繼續(xù)在加快“數據化”的步伐。這個大趨勢的發(fā)展勢頭越來越猛，歸因于基礎設施、云計算、AI和開源各個領域取得的進步的大融合以及我們經濟和生活的整體數字化。

幾年前，“大數據”方面的討論主要側重于技術層面，圍繞著收集、處理和分析大量數據的新一代工具。其中許多技術現已廣為人知，并大規(guī)模部署。此外，尤其是在過去幾年，我們開始通過數據科學、機器學習和AI將一層層智能添加到許多應用軟件中，而這些應用軟件現在越來越多地運行于生產環(huán)境的各種消費級和B2B產品中。

隨著那些技術不斷改進，并由最初的早期采用者群體(FAANG和初創(chuàng)公司)擴大到更廣泛的經濟和世界，討論的性質從純粹的技術性討論變?yōu)閭戎赜谔接憣ξ覀兊慕洕�、社會和生活帶來的影響�?/p>

我們剛開始真正了解未來顛覆的本質。在數據驅動的自動化司空見慣(自動化產品、自動化汽車和自動化企業(yè))的世界，工作的新特性是什么?我們如何處理社會影響?我們如何看待隱私、安全和自由?

與此同時，底層技術繼續(xù)快速發(fā)展，眾多初創(chuàng)公司、產品和項目構成了一個充滿活力的生態(tài)系統(tǒng)，預示著將來可能出現影響更深遠的變化。在該生態(tài)系統(tǒng)中，這一年的特點是出現了期待已久的整合的早期局面;隨著早期技術開始讓位于下一代技術，可能從一個時代轉變到另一個時代。

為了試圖解讀這一切，我們發(fā)布了第六份數據和AI生態(tài)系統(tǒng)“國情咨文”。如果讀者有興趣想跟蹤了解歷年的演變，可以看看2012年至2018年的往年版本。

值得一提的是：由于“大數據”一詞現已成為昔日熱門的流行語，今年的標題就改為了“數據和AI領域”。

數據、AI和社會：潮流在轉變

2018年，我們注意到數據界如何開始揭露一些更黑暗、更可怕的內幕，尤其是在Cmbridge Analytica丑聞之后，這個趨勢在2019年愈演愈烈。數據泄密和隱私丑聞更多。AI深度造假(deepfake)方面出現了更多的例子，我們對此毫無準備。

因而，潮流已開始大幅轉變。

當然，關于AI危險的爭論已經備受關注，今年出現了旨在認真思考那些問題的倡議，例如設立了李飛飛領銜的人類中心人工智能研究所。

隱私問題可能比以往任何時候都更加突出，進入到2019年公眾辯論的最前沿。而許多這些問題都與被數十億人熟知的服務Facebook有關。

隨著各國政府日益參與進來，數據隱私領域也在發(fā)生轉變。

監(jiān)管當然在全面鋪開：

歐洲數據保護和隱私法規(guī)(GDPR)于2018年5月生效，此后宣布了幾起巨額罰款，包括法國數據保護監(jiān)管機構在2019年1月對谷歌開出5000萬歐元的罰單，英國信息專員辦公室在2018年10月對Facebook開出50萬英鎊的罰單。

《加利福尼亞州消費者隱私法案》(CCPA)將于2020年1月1日生效。

紐約州的隱私法案比加州的隱私法案“還要嚴厲”。

舊金山剛投票禁止市政府機構使用人臉識別技術。

伊利諾伊州提議反對將視頻機器人用于招聘面試。

然而，政府可能會采取更嚴厲的行動。首先，Facebook可能會因隱私問題被聯邦貿易委員會(FTC)處于高達50億美元的罰款。也許最重要的是，要求拆分幾大互聯網巨頭的呼聲日益高漲——權力太大，數據太多，隱私又不夠。Facebook無疑是最明顯的目標，但也包括其他網絡巨頭(總統(tǒng)候選人Elizabeth Warren的提議針對谷歌和亞馬遜)。

科技巨頭已經感受到了來自內部的壓力。谷歌、亞馬遜和微軟的員工抗議人臉識別技術的商業(yè)化。谷歌讓步了，亞馬遜沒有讓步——一些激進的股東和員工試圖實施禁令，但失敗而歸。

對于FAANG來說，隱私已成為一個新的戰(zhàn)場，迫使各自的領導人采取更公開的立場來闡明這個問題：

蘋果CEO Tim Cook提醒我們警惕“數據的武器化”，那將導致我們進入“數據工業(yè)綜合體”(data industrial complex)。

谷歌CEO Sundar Pichai在《紐約時報》上就此問題表達了公開立場。

Facebook CEO Mark Zuckerberg誓言要將Facebook變成一個關注隱私的消息和社交網絡平臺。

當然，這些說法在多大程度上能信以為真誰也說不準，可能取決于具體的公司和領導人。

以Facebook為例，全球加密貨幣Libra的推出可能被認為以此在隱私優(yōu)先的“后數據”時代繼續(xù)賺錢：在這個時代，這家公司不大依賴基于用戶數據的純粹廣告模式，但也可能被認為以此收集更多的個人數據。

數據和AI對隱私和社會帶來的影響方面的爭論顯然非常重要。不過，這是復雜的討論，涉及許多細微差別。

我們與隱私的關系仍然很復雜，矛盾的情況隨處可見。人們說他們關心隱私，但繼續(xù)購買各種隱私保護不可靠的聯網設備。他們說他們?yōu)镕acebook的隱私泄露感到憤怒，但Facebook繼續(xù)增加用戶數，業(yè)績繼續(xù)超預期(2018年第四季度和2019年第一季度都如此)。

同樣，我們如何決定處理AI要做出許多權衡和取舍。與所有技術一樣，AI本質上是中立的，它為社會帶來好處還是壞處最終是人類的決定。以人臉識別為例：它可能是國家監(jiān)控的工具，但也可以幫助找到性交易的受害者。決定如何監(jiān)管或遏制AI會帶來各種難以預測的后果。比如說，如果你在西方國家監(jiān)管AI，最終會不會較之中國，失去長期的競爭優(yōu)勢(中國有一套不同的規(guī)則)?

數據技術：充滿活力但不斷發(fā)展的領域

雖然在2019年不可能忽視圍繞數據和AI的隱私、安全和監(jiān)管這些更廣泛的問題，但數據技術和產品組成的生態(tài)系統(tǒng)與過去一樣令人興奮。

生態(tài)系統(tǒng)也出現了幾處有意思的演變，Hadoop等一些開創(chuàng)性技術可能日漸式微，取而代之的是云計算和Kubernetes，而商業(yè)智能等整個領域似乎在快速合并。

我們會深入地鉆研解讀那些趨勢，不過先看一下我們的2019年數據和AI領域生態(tài)圖：

 

 

誰進誰出?

從市場退出的角度來看，上一年很活躍。

有幾家公司已上市。Crowdstrike(納斯達克股票代碼：CRWD)和Elastic(紐約證券交易所股票代碼：ESTC)在IPO時達到很高的估值：分別是70億美元和50億美元。其他IPO包括PagerDuty(18億美元)、Anaplan(18億美元)和Domo(5億美元)。

去年發(fā)生了幾起規(guī)模非常大的收購：

包括Qualtrics(被SAP以80億美元收購)

Medidata(IPO后被達索以58億美元收購)

Hortonworks(與Cloudera達成涉資52億美元的合并)

Imperva(被Thoma Bravo以21億美元收購)

AppNexus(被AT&T以20億美元收購)

Cylance(被黑莓以14億美元收購)

Datorama(被Salesforce以8億美元收購)

Treasure Data(被Arm以6億美元收購)

Attunity(IPO后被Qlik以5.6億美元收購)

Dynamic Yield(被麥當勞以3億美元收購)

Figure Eight(被Appen以3億美元收購)

商業(yè)智能領域：

Tableau(被Salesforce以157億美元收購)

Looker(被谷歌以26億美元收購)

Periscope Data(被Sisense以1億美元收購)

ClearStory Data(被Alteryx以2000萬美元收購)

Zoomdata(被Logi Analytics收購)

出現在2018年行情報告中的其他許多公司以較低金額被收購：Alooma(谷歌)、Bonsai(微軟)、Euclid Analytics(WeWork)、Sailthru(Campaign Monitor)、Data Artisans(阿里巴巴)、GRIDSMART(Cubic)、Drawbridge(LinkedIn)、Citus Data(微軟)、Quandl(納斯達克)、Connotate(import.io)、Datafox(Oracle)、Market Track(Vista Equity Partners)、Lattice Engines(鄧白氏)、Blue Yonder(JDA Software)和SimpleReach(Nativo)。

 

 

同樣值得注意的是，2016年至2017年常出現的各大互聯網公司進行AI人才收購并未完全消失：比如說，Twitter收購了Fabula AI，以夯實其機器學習專長。

在投資方面，大數據和AI初創(chuàng)公司繼續(xù)看到巨額融資。針對中國的投資不像去年那么大，去年多家公司融資金額超過10億美元。今年完成巨額融資的中國公司包括人臉識別公司Face ++(7.5億美元D輪)、AI芯片制造商地平線機器人(6億美元B輪)、車隊管理公司G7(3.2億美元F輪)和在線輔導平臺猿輔導(3億美元F輪)。

在美國，巨額資金投入到了自動駕駛汽車公司，包括Cruise(2018年和2019年兩輪19億美元)、Nuro(9.4億美元B輪)和Aurora(6億美元B輪)。機器人流程自動化(RPA)公司也出現了巨額融資：UiPath(2018年和2019年兩輪8億美元)和Automation Anywhere(2018年兩輪5.5億美元)。

其他完成巨額融資的美國公司包括：Verily Life Sciences(10億美元私募股權融資)、Cambridge Mobile Telematics(5億美元)、Clover Health(5億美元E輪)、Veeam Software(5億美元)、Snowflake Computing(4.5億美元F輪)、Compass(4億美元F輪)、Zymergen(4億美元C輪)、Dataminr(3.92億美元E輪)、Lemonade(4億美元D輪)、Rubrik(2.6億美元E輪)、Databricks(2.5億美元E輪)和MediaMath(2.25億美元D輪)。

2019年數據和AI領域的主要趨勢

數據和AI生態(tài)系統(tǒng)仍是技術界最令人興奮的領域之一。它不僅有自己的井噴發(fā)展勢頭，還推動和加快其他許多領域(消費者應用、游戲和交通出行等)的創(chuàng)新。因此，該生態(tài)系統(tǒng)的整體影響力很大，遠遠超出下面的技術討論。

當然，重大趨勢不會在短短一年內出現，以下許多趨勢經歷了數年的醞釀。我們將重點討論在2019年加快發(fā)展的趨勢。

我們看到基礎設施方面的三大趨勢：

第三波浪潮?從Hadoop到云服務再到Kubernetes

數據治理、數據編目和數據沿襲：數據管理越來越重要

側重于AI的基礎設施堆棧大行其道

數據基礎設施領域繼續(xù)快速發(fā)展。這里的主要變化是從Hadoop到云服務再到混合/ Kubernetes環(huán)境的分三個階段的轉變。

Hadoop好比是大數據領域的“保守派”。這是一種使用計算機網絡，分布式存儲和處理海量數據的框架，它在數據生態(tài)系統(tǒng)的爆炸式增長中起到了重要的作用。

然而在過去幾年，行業(yè)觀察人士紛紛預言Hadoop已死。由于Hadoop供應商遇到各種各樣的麻煩，今年這個趨勢進一步加速。撰寫本文時，MapR處于關門大吉的邊緣，可能已找到了買家。最近合并的Cloudera和Hortonworks剛完成了52億美元的大手筆交易，由于季度盈利令人失望，股價暴跌40%。雖然Cloudera宣布了眾多云產品和混合產品，但還沒有推出。

由于直接面臨云平臺的競爭，Hadoop面臨越來越大的阻力。Hadoop是在云并不是重要選擇的時期開發(fā)的，那時大多數數據放在企業(yè)內部，網絡延遲是嚴重瓶頸，因此將數據和計算放在同一地方很有意義。但今非昔比。

然而，Hadoop不太可能很快就會消失。Hadoop的采用率可能在減慢，但部署在企業(yè)界的數量龐大，因而在未來幾年會保持慣性和持久力。

不管怎樣，向云轉變的步伐顯然在加快。順便提一下，我們在與《財富》1000強企業(yè)高管的談話中發(fā)現，2019年迎來了大轉變。在過去幾年，這幾乎是公開的秘密：盡管大家在熱議云，但真正的好戲出現在企業(yè)內部，尤其是在受監(jiān)管行業(yè)。許多同樣的《財富》1000強企業(yè)高管積極轉向云，使用微軟產品的傳統(tǒng)部門紛紛轉向Azure。

因此，盡管規(guī)模已經很龐大，但云提供商仍在繼續(xù)迅猛發(fā)展。AWS在2018年創(chuàng)收257億美元，比2017年的175億美元猛增46.9%。微軟Azure的收入未單獨披露，但截至2019年3月的季度同比猛增73%。同一季度AWS的收入同比增長41%。

隨著云的使用日益廣泛，客戶開始對成本猶豫不決。在許多地方的董事會會議室，高管突然留意到云支出迅速增多。云確實提供了靈活性，但常常需要高昂的費用，如果客戶未注意度量，或者未準確預測計算需求，更是如此。Adobe和Capital One等AWS客戶的云支出在2017年到2018年僅僅一年內就增加了60%，遠高于2億美元。

成本以及擔心被供應商鎖定加快了向結合公共云、私有云和本地環(huán)境的混合方法演變的步伐。面對眾多選擇，企業(yè)將日益選擇最適合特定工作的工具，以優(yōu)化性能和成本。隨著云提供商更積極地與眾不同，企業(yè)隨之采用多云戰(zhàn)略，充分利用每家云提供商最擅長的方面。在一些情況下，較好的做法是將一些工作負載留在本地以優(yōu)化成本，對于非動態(tài)工作負載而言更是如此。

值得關注的是，面對企業(yè)計算出現在混合環(huán)境中的現實，云提供商紛紛提供AWS Outposts之類的工具。這類工具讓客戶可以在本地環(huán)境運行計算和存儲，并將本地工作負載與AWS云端的其余應用軟件無縫集成。

在這個新的多云和混合云時代，Kubernetes無疑是崛起的超級巨星。Kubernetes是2014年由谷歌開源的一種用于管理容器化工作負載和服務的項目，與幾年前的Hadoop一樣受到了熱捧，8000人出席了KubeCon大會，介紹它的博文和播客不計其數。許多分析師認為，Red Hat在Kubernetes界的顯赫地位很大程度上促使IBM斥資340億美元大舉收購它。除了在一個或幾個公共云運行工作負載外，Kubernetes還有望幫助企業(yè)在自己的數據中心和私有云運行工作負載。

作為一個特別擅長管理復雜混合環(huán)境的編排框架，Kubernetes還正成為機器學習界越來越有吸引力的選擇。Kubernetes為數據科學家提供了靈活性，可以隨意選擇自己青睞的任何語言、機器學習庫或框架，并且訓練和擴展模型，實現比較快的迭代和強大的可重復性，沒必要成為基礎設施專家，同一基礎設施為多個用戶提供服務。Kubernetes的機器學習工具包Kubeflow發(fā)展勢頭正猛。

Kubernetes仍處于相對新興的階段，但值得關注的是，這可能標志著離云機器學習服務漸行漸遠，因為數據科學家更喜歡Kubernetes的整體靈活性和可控性。我們可能正進入到數據科學和機器學習基礎設施的第三個范式轉變，從Hadoop(直到2017年?)到數據云服務(2017年至2019年)，再到由Kubernetes和Snowflake等下一代數據倉庫主導的世界(2019年至?)。

這種演變的另一面是復雜性增加。無疑有機會提供一個完整的平臺，可以抽取出云底層基礎設施的眾多復雜性，并使一群更廣泛的數據科學家和分析員更容易享受這個新世界。

Serverless是這種簡化的一種嘗試，盡管角度不一樣。這種執(zhí)行模式使用戶能夠編寫和部署代碼，無需擔心底層基礎設施。云提供商處理所有后端服務，根據客戶實際使用的資源向客戶收費。Serverless在過去幾年一直是重要的新興話題，這是我們?yōu)榻衲甑臄祿�和AI領域添加的另一個新類別。然而，Serverless在機器學習和數據科學方面的適用性仍在完善之中，像Algorithmia和Iguazio/Nuclio這些公司是早期的進入者。

在企業(yè)界數據環(huán)境日益呈混合特性的另一個結果是，需要加大力度來控制企業(yè)的數據。

當下一些數據駐留在數據倉庫中，一些數據駐留在數據湖中，還有一些數據駐留在其他各種環(huán)境，橫跨本地環(huán)境、私有云和混合云，你如何查找、篩選、控制和跟蹤數據?這些努力有著各異的相關形式和名稱，包括數據查詢、數據治理、數據編目和數據沿襲，所有這些都越來越重要、越來越搶眼。

在混合環(huán)境查詢數據本身面臨挑戰(zhàn)，其解決方案屬于存儲和計算相分離這個大趨勢。

數據治理是迅速備受企業(yè)關注的另一個方面。數據治理的大體思路是管理一家企業(yè)的數據，確保數據在整個數據生命周期中都具有高質量。數據治理涉及數據的可用性、完整性、易用性、一致性和安全性等方面。值得注意的是，2019年初，Collibra融資1億美元，估值超過10億美元。

數據目錄是另一種日益重要的數據管理方式。數據目錄實際上是綜合企業(yè)各種數據資產的字典。它們使用戶(包括數據科學家、數據分析員、開發(fā)人員和業(yè)務用戶)能夠在自助環(huán)境下發(fā)現和使用數據。

最后，數據沿襲可能是出現的數據管理類別。數據沿襲旨在捕獲整個企業(yè)的“數據旅程”。它可以幫助公司搞清楚如何收集數據、數據在整個生命周期內如何改動和共享。這一塊的增長受到許多因素的推動，包括合規(guī)、隱私和道德越來越重要，以及需要機器學習管道和模型具有可重復性和透明度。

今年勢頭越來越猛的最后一個關鍵趨勢是側重于AI的基礎設施堆棧不斷涌現。

需要管理AI管道和模型促使MLOps(或AIOps)這個類別迅猛發(fā)展。鑒于這個新趨勢的勢頭，我們在今年的生態(tài)圖中添加了兩個新方框，一個在基礎設施下面(有眾多早期階段的初創(chuàng)公司，包括Algorithmia、Spell和Weights & Biases等)，另一個在開源下面(有眾多項目，通常也處于早期階段，包括Pachyderm、Seldon、Snorkel和MLeap等)。

機器學習工程師需要能夠進行實驗、快速迭代，需要時訪問GPU等資源。許多早期階段的初創(chuàng)公司提供這種基礎設施，包括 Spell、Comet和Paperspace。

AI對基礎設施產生了深遠的影響，甚至在堆棧的較低層面也是如此，GPU數據庫大行其道，新一代AI芯片(Graphcore和Cerebras等)涌現出來。AI可能迫使我們重新思考計算的整個本質。

在分析方面，我們將重點介紹幾個主要趨勢：

熱點轉向企業(yè)AI平臺

橫向AI繼續(xù)非�；钴S

商業(yè)智能(BI)在合并

企業(yè)界部署機器學習/AI仍處于早期階段。

對于該領域的大多數公司而言，明確的目標是在機器學習/AI人才一向短缺繼續(xù)是阻礙廣泛采用的嚴重瓶頸這種環(huán)境下，促進機器學習/AI的大眾化，惠及更廣大的用戶和公司。然而不同的玩家有不同的策略。

一種方法是AutoML。它使機器學習生命周期的所有環(huán)節(jié)實現自動化，包括一些最繁瑣的環(huán)節(jié)。視產品而定，AutoML可以處理任何任務：從特征生成和特征工程、算法選擇，到模型訓練、部署和監(jiān)控，不一而足。自我們發(fā)布2018年生態(tài)圖以來，DataLobot這家AutoML專業(yè)公司已完成了1億美元的D輪融資。

該領域的其他公司(Dataiku、H20和RapidMiner)不僅提供具有AutoML功能的平臺，還提供更廣泛的功能。比如說，自發(fā)布2018年生態(tài)圖以來，Dataiku已完成約1.01億美元的C輪融資，總體理念是助力整個數據團隊(包括數據科學家和數據分析員)，并擯棄處理整個數據生命周期過程中的諸多復雜和繁瑣事務。

云提供商當然很活躍，包括微軟的Learning Studio、谷歌的Cloud AutoML和AWS Sagemaker。盡管這些云提供商實力強大，但那些產品的范圍仍相當狹窄——通常難以使?6?7?6?7用，主要針對精通技術的高級用戶。它們還處于初期階段。亞馬遜的云機器學習平臺Sagemaker在2018年起步緩慢，在商業(yè)領域的銷售額僅1100萬美元。

一些云提供商正與該領域的專業(yè)玩家積極合作：微軟參投了Databricks 2.5億美元的E輪融資，這可能是未來收購的前奏。

除了企業(yè)AI平臺外，橫向AI(包括計算機視覺、NLP和語音等)領域繼續(xù)異�；钴S。

AI的一些主要趨勢包括：

NLP方面的重大改進，尤其是通過運用遷移學習(指對大量數據訓練模型，并針對企業(yè)正在處理的具體問題來移植和微調模型)，使其能夠適用于較少的數據，比如ELMO、ULMFit和谷歌AI的BERT。

使AI適用于少量數據的更多項目，包括一次性學習(1-shot learning)。

將深度學習與強化學習相結合

GAN繼續(xù)取得進展

應用方面的幾個關鍵趨勢如下：

機器學習/AI達到部署階段

企業(yè)自動化和RPA大行其道

我們試圖將機器學習/AI做入到適合它的幾乎任何企業(yè)應用中，現在已有三四個年頭。無疑有一些拙劣的早期產品(第一代聊天機器人)和一些營銷噱頭不切現實(尤其是試圖將機器學習/AI做入到現有產品中的老牌公司)，總體而言仍處于早期階段。許多開發(fā)機器學習/AI應用的初創(chuàng)公司仍在摸索從研發(fā)模式進入到完全投產所面臨的挑戰(zhàn)。

但今后幾年的趨勢似乎很明顯：拿來某個問題，看看機器學習/AI能否大有作為，如果有幫助，構建一款AI(或AI驅動的)應用軟件更有效地解決問題。經過幾年的評估和試驗后，我們正完全進入AI的部署階段。今后幾年，機器學習/AI產品會部署在整個企業(yè)，這一點很顯然且不可避免。

一些產品將由內部團隊使用上述企業(yè)AI平臺構建和部署。其他產品將是各供應商提供的嵌入AI的全棧式產品，其中AI部分可能在很大程度上對客戶不可見。還有一些產品由提供產品和服務組合的供應商來提供。

無論技術復雜程度方面還是產品方面，成熟度都在逐步提高。目前狀態(tài)下的機器學習/AI能做什么、不能做什么，這點越來越清晰;我們開始對任務在機器和人類之間的正解分配有了更好的認識。比如說，下一代客戶服務聊天機器人在機器人/AI與可配置性和透明度之間提供了極其智能化的組合，最終造福最終用戶。

展望未來，隨著機器學習/AI逐漸普及起來，并支持性能越來越高的數據堆棧，我們是否看到了完全自動化企業(yè)的曙光?

自IT出現以來，企業(yè)一直備受孤島現象的困擾，各個系統(tǒng)和數據散布于各部門，無法彼此聯系(這催生了龐大的系統(tǒng)集成服務行業(yè))，人類充當之間的“粘合劑”。在數據和系統(tǒng)日益整合的世界，機器學習/AI能夠逐漸讓人類從某些業(yè)務職能解放出來，現在比以往更有可能讓企業(yè)以越來越自動化、系統(tǒng)化的方式運作。

比如設想一家自動化企業(yè)：需求的增加(通過機器學習來預測)自動觸發(fā)供應商增加供貨，這將自動記錄在財務系統(tǒng)中(財務系統(tǒng)可自動計算和支付補償獎金等);或預期的需求減少可能自動觸發(fā)績效營銷支出相應增加。

在將來，企業(yè)不僅成為完全自動化的組織，最終還會是自愈合、自主的。然而，我們離那個階段還遠著呢，今天基本上專注于RPA。這個類別炙手可熱，如上所述，UI Path和Automation Anywhere等領導公司的發(fā)展非�？�，完成了巨額融資。

RPA的全稱是機器人流程自動化(不過它不利用任何實際的機器人)，是指拿來通常很簡單的工作流程——通常是手動(人類執(zhí)行)且重復的流程，用軟件取而代之。許多RPA出現在后臺職能部門(比如發(fā)票處理)。

RPA得益于如火如荼的數字化轉型(這個領域的幾個領導品牌已存在多年，但是數字化轉型成為熱門話題時，突然迎來井噴式發(fā)展)。它還提供了豐厚的投資回報率，因為其實施可以直接與人類執(zhí)行相同任務的成本進行比較。RPA對技術服務巨頭們也很有吸引力，因為它涉及大量的實施服務(因為需要為無數不同的工作流程配置軟件);因此，RPA初創(chuàng)公司得益于與那些大型服務公司的密切合作關系。

有理由對RPA持懷疑態(tài)度。一些人認為RPA是基本上非智能的“創(chuàng)可貼”，或者某種權宜之計——拿來人類執(zhí)行的低效工作流程，就讓機器來執(zhí)行。從這個角度來看，RPA可能只是帶來了下一級技術債務，不清楚周圍環(huán)境變化時自動化的RPA職能會發(fā)生什么變化。

上述的原因在于RPA更強調自動化而不是智能，更強制基于規(guī)則的解決方案而不是AI(盡管RPA供應商在提供AI時大搞營銷噱頭)，至少在這個階段如此。

應將RPA與智能自動化區(qū)分開來，后者是以機器學習/AI為中心的更新穎的類別。智能自動化還以企業(yè)流程和工作流為目標，但它以數據為中心而不是以流程為中心，最終能夠學習、改進和治愈。

智能自動化的一個例子是智能文檔處理(ADP)，這個類別是指：可以利用機器學習/AI來解讀文檔(表格、發(fā)票和合同等)，其理解能力不遜于人類，解讀大規(guī)模文檔除外。

今后幾年這些領域值得觀察，RPA和智能自動化可能會合并，除非后者的發(fā)展非�？�，以至于限制了對前者的需求。

在商業(yè)智能(BI)領域，過去幾個月的明顯趨勢是前面提到的合并不斷，Tableau、Looker、Zoomdata和Clearstory被收購，SiSense與Periscope合并。

BI界會有更多的合并嗎?微軟憑Power BI占有強大地位，但當整個細分市場合并、每家公司都積極參與其中時，并購市場會呈現自己的狀況�？紤]到QuickSight BI通常被認為有點落后，AWS可能需要更強大的產品。

事后分析一下，BI界的合并在某種程度上不可避免，因為數據可視化和自助分析領域已商品化，有大量的專業(yè)供應商。無論大小，每家供應商都面臨著實現多樣化、增強功能的壓力。對于云收購者而言，這些新產品線無疑會增加收入，但更重要的是，它們有增值能力，這是幫助創(chuàng)造核心平臺收入的另一個工具。

 

標簽： 大數據 人工智能 

版權申明：本站文章部分自網絡，如有侵權，請聯系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯系。