我們將看到在2018年出現幾個趨勢，其重點將是使新技術變得容易和可消費。

2017年新技術的在數量上已經勢不可擋：云的使用速度超過了分析師的預測，并帶來了一些新技術；人工智能被引入到我們生活的方方面面；物聯網和邊緣計算應運而生；還有大量的云計算技術實現了，如Kubernetes，serverless，以及云數據庫等。一年前，我在我的2017年預測中介紹了其中的一些情況，現在是時候分析這些趨勢，并預測明年科技領域可能會發生什么。

雖然我們喜歡新技術，但一般的企業所有者、IT買家和軟件開發人員對這一巨大的創新不太了解，不知道如何將其轉化為商業價值。我們將在2018年看到一些趨勢，他們的重點將是使新技術變得容易和可消費。

[[216584]]

集成平臺和一切都變成了無服務器計算

亞馬遜和其他云服務提供商正在競相獲取和維護市場份額，因此他們不斷提高抽象和跨服務集成的水平，以提高開發人員的生產力，并加強客戶的本地化。我們看到亞馬遜推出了新的數據庫服務，并在上個月的AWS峰會上全面發布了整合人工智能圖書館和工具。它也開始區分不同形式的服務器：AWS Lambda現在是關于服務器的功能，而AWS Aurora和Athena則是關于“無服務器數據庫”，擴展了對隱藏底層服務器的任何服務的服務器定義。據推測，現在有更多的云服務可以通過這個更寬泛的定義稱自己為“無服務器”。

在2018年，我們將看到云提供商更加重視進一步整合那些具有更高層次抽象的單個服務。他們還將關注與人工智能、數據管理和無服務器相關的服務。這些解決方案將使開發人員和操作人員的工作更簡單，并隱藏其固有的復雜性。然而，他們確實有更大的風險。

在2017年，我們看到所有的云提供商都將Kubernetes作為微服務編排層進行調整，這一層可以緩解一些鎖塊。在2018年，我們將看到在Kubernetes上建立的開放和商業服務的不斷增長，該服務可以為私有云服務提供多云服務。Iguazio的Nuclio當然是這樣一個開放和多云服務器平臺的一個很好的例子，正如Red Hat的Openshift multicloud PaaS。

智能邊緣vs私有云

云支持所需的業務敏捷性，以開發現代和數據驅動的應用程序，無論是在初創公司還是在類似于初創公司的大型企業中。挑戰在于，不能忽略數據的嚴重性，因為許多數據源仍然生活在邊緣或企業中。這增加了5G帶寬，延遲，新的法規，比如GDPR，以及更多的強制你將計算和存儲放在離數據源更近的地方。

今天的公共云模型是服務消費，因此開發人員和用戶可以繞過它，帶來一些無服務器的功能，使用自助服務數據庫，甚至可以將視頻上傳到云服務中，并將其轉換為所需的語言。但是，當使用本地替代方案時，必須自己構建服務，而技術棧的發展速度非常之快，it團隊幾乎不可能構建可以與云替代方案相比較的現代服務，迫使組織向云計算。

標簽為“私有云”的IT供應商解決方案與真正的云完全不同，因為它們關注的是自動操作。它們沒有提供更高級別的用戶和面向開發人員的服務，它最終會將幾十個單獨的開源或商業軟件包組合起來，添加常見的安全層、日志記錄和配置管理等，這為云提供商和新公司進入前沿和在prem領域提供了機會。

在2017年，我們看到微軟***執行官薩蒂亞·納德拉(Satya Nadella)越來越關注他所謂的“智能優勢”。微軟引入了Azure Stack，這是Azure云的一個迷你版本，不幸的是，它只包含微軟在云計算中提供的一小部分服務。亞馬遜開始推出名為“雪球邊緣”的邊緣設備，我希望它能在這些方面加倍努力。

智能邊緣不是私有云。它提供了與公共云相同的服務和操作模型，但它是本地訪問的，并且在許多情況下是由中心云操作和維護的，就像操作人員管理我們的有線機頂盒一樣。

在2018年，我們將看到傳統的私有云市場萎縮，同時智能邊緣的勢頭將會增長。云提供商將增加或增加邊緣產品，新公司將進入這一領域，在某些情況下，通過集成產品提供特定的垂直應用程序或用例。

人工智能從原始技術到嵌入式特征和垂直堆棧

我們在2017年看到人工智能和機器學習技術的快速興起，但盡管大肆宣傳，但實際上主要是被亞馬遜(Amazon)、谷歌和Facebook等市場領先的互聯網公司所使用。對于一般企業來說，人工智能并不是微不足道的，但是對于大多數企業來說，沒有理由去雇傭幾乎沒有數據的科學家，或者從頭開始構建和培訓人工智能模型。

我們可以看到Salesforce這樣的公司是如何將人工智能構建到平臺的，利用它所承載的大量客戶數據。其他公司也在沿著這條道路將人工智能嵌入到產品中。與此同時，我們看到AI得到了一個垂直的焦點，我們將開始看到針對特定行業和垂直領域的AI軟件解決方案，比如市場營銷、零售、醫療保健、金融和安全。用戶不需要知道神經網絡的內部結構或這些解決方案中的回歸算法。相反，它們將提供數據和一組參數，并得到可以在應用程序中使用的AI模型。

人工智能仍然是一個非常新的領域，有許多重疊的產品，而且沒有標準化。如果您在學習階段使用了像TensorFlow、Spark、H2O和Python這樣的框架，那么將需要使用相同的方法來進行推斷部分(得分)。2018年，我們將努力定義開放和跨平臺的人工智能模型。此外，我們還將看到更多的解決方案，這些解決方案可以自動化構建、培訓和部署人工智能的過程，就像新引入的AWS Sage Maker一樣。

從大數據到連續數據

在過去的幾年中，組織已經開始開發由中心驅動的大數據實踐。它的目標是收集、管理和集中分析業務數據和日志，以便將來應用。數據收集在Hadoop集群和數據倉庫解決方案中，然后由一組數據科學家使用，他們運行批處理作業并生成一些報告或指示板。根據所有領先的分析師，這種方法已經被證明是失敗的，有70%的公司沒有看到任何投資回報率(根據Gartner的數據)。數據必須是可操作的，才能從中獲得ROI的見解。它必須集成到業務流程中，并從新的數據中派生出來，就像我們在目標廣告和谷歌和Facebook的建議中看到的一樣。

數據洞察必須嵌入到現代商業應用中。例如，訪問一個網站或使用聊天機器人的客戶需要根據他或她最近的活動或個人簡介來獲得針對目標內容的即時響應。從物聯網或移動設備收集到的傳感器數據連續不斷地流動，需要立即采取行動來驅動警報、檢測安全違規、提供預測性維護，或啟用糾正措施。監測和國家安全實時檢查目視數據;零售商還利用它來分析銷售數據，如庫存狀況、客戶偏好以及基于觀察到的客戶活動的實時建議。數據和實時分析通過自動化的過程降低了業務成本。汽車正變得越來越有聯系和自主。電話推銷員和助手被機器人取代。機隊或卡車、出租車司機或技術人員由人工智能和事件驅動的邏輯編排，以***限度地利用資源。

所有這些都已經在2017年開始。

像Hadoop和數據倉庫這樣的技術是十年前發明的，它比人工智能、流處理、內存或閃存技術的時代早。企業現在看到，構建數據湖的價值是有限的，因為他們可以通過使用更簡單的云技術來進行數據挖掘。關注的焦點從主要是收集數據到持續使用數據，這一領域的技術主要集中在靜止和中央驅動的過程中，而不會飛。

在2018年，我們將看到從大數據向快速數據和連續數據驅動應用程序的持續轉變。數據將被各種各樣的來源不斷地攝取。與預先學習或不斷學習的人工智能模型相比，它將在實時的情況下被語境化、豐富和聚合，這樣它就可以立即對用戶產生響應，驅動操作，并在實時的交互式指示板中呈現。

開發人員將使用預先打包的云服務，或者使用相關的云本地服務集成解決方案。在企業中，焦點將從IT轉移到業務部門和應用程序開發人員，他們將在現有的業務邏輯、web門戶和日常客戶交互中嵌入數據驅動的決策。

總結下，2018年將：

• 智能邊緣將會增長，傳統的私有云市場將會萎縮。
• 我們將開始看到針對特定行業和垂直領域的人工智能軟件解決方案。另外，AI模型將開始開放和跨平臺。
• 快速的數據、連續的應用程序和云服務將取代大數據和Hadoop。
• 無論如何，云服務將更容易使用，從而在它們與傳統和私有云解決方案之間的差距上增加。所以，帶上鐐銬，準備好被更多的人鎖定!