如今，人工智能市場在各個行業(yè)都在迅速增長，從創(chuàng)業(yè)到政府和軍事部門。多家企業(yè)成功掌握了首批試點應用。據(jù)分析公司 稱，目前全球人工智能市場規(guī)模超過80億美元，到2022年將接近776億美元。

人工智能 (AI) 的發(fā)展涉及機器的不斷學習。為了變得“聰明”，計算機需要處理大量數(shù)據(jù)、大量內存和強大的處理器來大量學習。此類處理器的速度已經比單個人類神經元的速度高出幾個數(shù)量級，在全球范圍內它們的數(shù)量與人腦中的神經元數(shù)量相當。行為建模算法在不斷改進，處理器內存已經超過了人類的潛力。

人工智能訓練所需的數(shù)據(jù)本身仍然存在問題。正是在這里，區(qū)塊鏈技術脫穎而出，即點對點(peer-to-peer)網(wǎng)絡的可能性，用于收集和積累數(shù)據(jù)，用于跨國家甚至全球的培訓。

點對點網(wǎng)絡是一種無服務器網(wǎng)絡技術，它允許多個設備共享資源并直接相互通信而無需中介。作為對等系統(tǒng)成員的每臺計算機都充當存儲在其上的文件的服務器。使用區(qū)塊鏈為機器學習收集數(shù)據(jù)將有助于使這些數(shù)據(jù)值得信賴，而加密貨幣的使用可以推動個人和公司收集這些數(shù)據(jù)。

區(qū)塊鏈將增強人工智能的力量

除了經過區(qū)塊鏈驗證的數(shù)據(jù)源源不斷，人工智能還需要大量的算力才能發(fā)展。通常算法用于這些目的 ANN - 人工神經網(wǎng)絡。人工神經網(wǎng)絡通過查看許多示例來學習如何執(zhí)行任務，因此需要大量的能力來快速處理數(shù)百萬個值。

如果區(qū)塊鏈可以通過網(wǎng)絡傳輸數(shù)據(jù)，那么理論上它的計算能力可以用于其他目的。區(qū)塊鏈的一些變體允許用戶在點對點 (P2P) 市場中向需要進行復雜計算工作的人提供他們機器的計算能力。對于容量的提供，用戶將獲得代幣形式的獎勵。

AI 本身將能夠在此類計算平臺上以更高的效率進行學習。這種共生還將降低訓練算法的成本。

人工智能在構建邏輯數(shù)據(jù)結構中起到關鍵的作用

邏輯數(shù)據(jù)結構是統(tǒng)一數(shù)據(jù)交付平臺的愿景，該平臺通過隱藏復雜性并以業(yè)務友好的格式公開數(shù)據(jù)來抽象對多個數(shù)據(jù)系統(tǒng)的訪問。

在當今數(shù)據(jù)優(yōu)先的經濟中，一些組織擁有多個數(shù)據(jù)科學、數(shù)據(jù)工程和數(shù)據(jù)平臺團隊來處理定價、供應鏈和與店內購物相關的高級數(shù)據(jù)分析和數(shù)據(jù)等問題并不罕見?？茖W來推動他們的業(yè)務并獲得競爭優(yōu)勢。因此，如今 IT 團隊面臨的最大挑戰(zhàn)之一是為具有不同技能水平的廣泛數(shù)據(jù)消費者提供服務。這就是邏輯數(shù)據(jù)結構方法日益突出的原因。

這種方法有望實現(xiàn)靈活、實時和增強的數(shù)據(jù)集成管道，結合全面的數(shù)據(jù)管理功能，為組織內最精通數(shù)據(jù)和最不精通數(shù)據(jù)的消費者提供服務。通過在活動元數(shù)據(jù)上利用知識圖譜、數(shù)據(jù)目錄和AI/ML，這種新的數(shù)據(jù)集成和數(shù)據(jù)管理方法支持更快、更自動化的數(shù)據(jù)訪問和共享。

數(shù)據(jù)結構是一種可組合的架構，這意味著數(shù)據(jù)目錄、知識圖、數(shù)據(jù)準備層、推薦引擎、DataOps和編排等組件可以與不同的工具結合在一起工作。雖然這是真的，但一些同類最佳的數(shù)據(jù)結構是單一平臺，提供數(shù)據(jù)結構的所有重要功能。邏輯數(shù)據(jù)結構是一個統(tǒng)一數(shù)據(jù)交付平臺的愿景，它為業(yè)務消費者抽象了對多個數(shù)據(jù)系統(tǒng)的訪問，隱藏了復雜性并以業(yè)務友好的格式公開數(shù)據(jù)，同時保證數(shù)據(jù)的交付根據(jù)預定義的語義和治理規(guī)則。在我們生活的數(shù)字世界中，可以毫不夸張地說這將使每個 CIO 夢想成真。

當今自助服務戰(zhàn)略的一個關鍵標準是商業(yè)用戶(例如公民分析師、數(shù)據(jù)科學家和 LoB 開發(fā)人員)能夠在數(shù)據(jù)交付層中找到哪些數(shù)據(jù)集可用，以確定哪些數(shù)據(jù)集與其信息需求相關。數(shù)據(jù)搜索和發(fā)現(xiàn)對 IT 團隊的依賴已成為數(shù)據(jù)科學家和公民分析師等角色的瓶頸。更糟糕的是，這些稀缺資源不能浪費爭吵數(shù)據(jù)而不是構建模型或分析數(shù)據(jù)。與數(shù)據(jù)交付層集成并通過基于AI/ML的推薦引擎增強的數(shù)據(jù)目錄，幫助用戶實現(xiàn)快速的數(shù)據(jù)發(fā)現(xiàn)和探索。業(yè)務管家可以根據(jù)元數(shù)據(jù)創(chuàng)建業(yè)務視圖目錄，根據(jù)業(yè)務類別進行分類，并為它們分配標簽以便于訪問。具有增強協(xié)作功能的邏輯數(shù)據(jù)結構可幫助所有用戶認可數(shù)據(jù)集或注冊有關數(shù)據(jù)集的評論或警告，幫助他們進一步了解數(shù)據(jù)集的使用情況并更好地了解他們的同行對其的體驗。

雖然數(shù)據(jù)搜索、數(shù)據(jù)發(fā)現(xiàn)、數(shù)據(jù)分類和標記的簡便性可幫助用戶在正確的時間找到正確的數(shù)據(jù)，但在強大的 AI/ML 引擎的幫助下，它可以得到顯著增強。在 AI/ML 支持的邏輯數(shù)據(jù)結構中，可以分析過去的用戶活動，以提供個性化的建議和選擇數(shù)據(jù)集的快捷方式，從而加速數(shù)據(jù)科學項目和高級分析。其他增強功能可能包括有關數(shù)據(jù)集和列的擴展分析信息以及智能搜索的改進，即結果的智能排名，類似于谷歌搜索的工作方式，但在企業(yè)數(shù)據(jù)訪問的上下文中。

隨著公司將業(yè)務擴展到全球，他們的數(shù)據(jù)也在擴展。更重要的是，企業(yè)范圍的數(shù)據(jù)不僅分布在區(qū)域內，而且分布在多個云中，有時是多個云和本地。雖然邏輯數(shù)據(jù)結構架構在很大程度上保證了數(shù)據(jù)的非復制性，但這也回避了數(shù)據(jù)科學家、業(yè)務分析師或 LoB 用戶運行查詢的性能問題，這是做出快速業(yè)務決策的關鍵標準. 單個查詢可能會訪問來自全球多個不同位置的數(shù)據(jù)，混合使用云和本地系統(tǒng)。雖然有許多可能的方法來加速查詢，包括緩存、查詢下推等，但最有用的查詢加速之一可以通過使用 AI/ML 來實現(xiàn)。

數(shù)據(jù)消費者(例如數(shù)據(jù)科學家、公民分析師或高管)經常尋找具有相關或相同中間數(shù)據(jù)集的信息。在這種情況下，這個中間階段的信息可以智能地具體化并存儲在數(shù)據(jù)存儲庫中，這些存儲庫最適合以后的數(shù)據(jù)訪問。在類似的查詢運行期間，AI/ML 引擎可以推薦使用物化視圖，以成倍地加速查詢。它可以大大加快業(yè)務決策的制定，從而有助于增加收入和/或降低成本。

通過元數(shù)據(jù)激活和 AI/ML 技術的結合，可以實現(xiàn)查詢加速和基于數(shù)據(jù)目錄的增強協(xié)作和數(shù)據(jù)搜索。元數(shù)據(jù)確實為數(shù)據(jù)管理和數(shù)字業(yè)務轉型的未來帶來了希望。由基于元數(shù)據(jù)的數(shù)據(jù)集成、數(shù)據(jù)管理和數(shù)據(jù)交付的基礎組成，希望是一個精心規(guī)劃的邏輯數(shù)據(jù)結構，其中包括數(shù)據(jù)虛擬化、集成數(shù)據(jù)目錄和強大的 AI/ML 等關鍵功能 -基于推薦引擎可以解決復雜的企業(yè)范圍的數(shù)據(jù)訪問問題，使組織能夠更好地為客戶服務。