Tendencias en la infraestructura de datos

Eso es bueno para los clientes y es bueno para aquellos que quieran intentar construir los próximos Databricks. Estas son las tendencias en la infraestrucutra de datos.

Malla de datos: al igual que los microservicios en el desarrollo de software, la idea es crear equipos de datos independientes que sean responsables de su propio dominio y proporcionen datos 'como un producto' a otros dentro de la organización.

DataOps: al igual que DevOps, pero para los datos, implica "crear mejores herramientas y prácticas para garantizar que la infraestructura de datos pueda funcionar y mantenerse de forma fiable y a escala.

Tiempo real: el deseo de trabajar con la transmisión de datos en tiempo real en una gama más amplia de casos de uso de lo que se suponía originalmente.

Almacenes de métricas: Generar confianza en los datos empresariales al "estandarizar la definición de métricas comerciales clave y todas sus dimensiones, y proporcionar a las partes interesadas conjuntos de datos precisos y listos para el análisis basados ??en esas definiciones.

ETL inverso: está en el lado opuesto del almacén de las herramientas ETL / ELT típicas y permite a los equipos transferir datos desde su almacén de datos a aplicaciones comerciales como CRM, sistemas de automatización de marketing o plataformas de atención al cliente para utilizar los datos consolidados y derivados en sus procesos de negocio funcionales.

Intercambio de datos: ayuda a las empresas a compartir datos con su ecosistema de proveedores, socios y clientes por una amplia gama de razones, incluida la visibilidad de la cadena de suministro, la capacitación de modelos de aprendizaje automático o iniciativas compartidas de comercialización.

¿Y qué pasa con el mundo de la IA que surge de esta infraestructura de datos?

Tiendas de características: Actúa como un lugar centralizado para almacenar los grandes volúmenes de características seleccionadas (una propiedad o característica de entrada individual medible) dentro de una organización, ejecuta las canalizaciones de datos que transforman los datos sin procesar en valores de características y proporciona baja latencia acceso de lectura directamente a través de API.

ModelOps: para poner en funcionamiento todos los modelos de IA, incluido ML, a un ritmo más rápido en todas las fases del ciclo de vida, desde la formación hasta la producción.

Generación de contenido de IA: al igual que GPT-3, se utiliza para crear contenido en todo tipo de medios, incluidos texto, imágenes, código y videos.

Descubre la innovación

Para asegurar el éxito empresarial, ahora y a futuro, es imprescindible maximizar el retorno de la inversión existente en software, a la vez que innovar y adoptar nuevas tecnologías. Los retos que hay abordar para competir en un mundo de TI Híbrida incluyen DevOps, Seguridad, Gestión de riesgos y Análisis predictivo. Puedes obtener más información sobre cómo abordar estos retos e innovar en este enlace.