AI / ML驱动器将数据流式传输到应用程序堆栈中

调查显示，引人注目的流数据驱动因素之一是AI / ML的采用率在短短两年内增长了五倍以上，流数据是您从不同来源获取数据集并将其放入模型中以提出建议或答案的方式。无论是来自网页上用户的点击流以提供决策支持，还是其他AI / ML用例，该数据的价值显然都离实时性。

物联网中流数据的使用在短短2年内也增长了3倍

调查还显示，在这批开发人员的调查中，物联网管道的采用率从2017年的5％增长到2019年的16％增长了两倍以上，从我的角度来看，我们仍处于工业物联网的起步阶段，这将是一个巨大的市场。但是我们还很早就回到家了，今天那里有很多一次性的智能设备，但是它们之间没有太多的互连性。我相信，距离我们整个房子只有两到五年的距离，因为它们需要互操作的设备。

值得注意的是，物联网管道采用者的热情是巨大的

已经纳入物联网数据的人中有48％表示此用例将在近期获得的增长。从我的角度来看，我们仍处于工业物联网的起步阶段，这将是一个巨大的市场，但是我们还很早就回到家了，今天那里有很多一次性的智能设备，但是它们之间没有太多的互连性，我相信距离我们整个房子只有两到五年的距离，因为它们需要互操作的设备，值得注意的是，物联网管道采用者的热情是巨大的，已经纳入物联网数据的人中有48％表示此用例将在近期获得的增长。

流系统中更细微的规模和故障管理至关重要

流媒体及其用例将很难提供服务，尤其是为了支持动态工作负载而放大和缩小。流并不一致-它们一直在流动，但是命中应用程序的数据量总是变化的。因此，支持应用程序的基础架构需要具有放大和缩小的能力，但是对于将流系统推向生产的企业来说，在应用程序的弹性和可扩展性方面，也存在着一个崩溃的过程。

同样重要的是您将那些容器放入容器中并使它们作为单个应用程序工作

这些关于数据一致性，持久性，延迟保证以及许多其他问题的细粒度关注引起了这样的框架，成为流数据堆栈中越来越普遍的同伴。在调查中，流数据采用的障碍是知识和复杂性-我认为，这些细粒度关注点的尖锐学习曲线是存在大量知识差距的地方。

开发人员处理数据的方式将永远不同

开发人员过去一直将数据视为必不可少的邪恶，并奢侈地认为数据已准备就绪可以使用并针对其应用程序进行了量身定制。关系数据存储是专门构建的，因此应用程序可以以一致，通用的方式进行访问。流数据不再是这种情况，现在我们可以存储几乎无限的数据，现在作为开发人员，我们必须根据这些数据深入探讨机会。不仅仅是数据移动速度更快，数据量更大，还在于它是非结构化的，并且不会从关系数据库中移交。

应用程序更加丰富，但是开发人员也被迫变得对数据更加智能

在他们刚刚询问数据和存储过程的架构之前，现在他们需要知道其延迟，延迟的来源以及在进入应用程序之前是否发生了任何处理，开发人员是此流数据未来的，与任何其他语言相比，它提供了一种处理流数据的更直接的方法，包括高效代码，类型安全性以及确保在投产之前捕获复杂错误的保证。在构建基于流的应用程序时，那么您将获得该语言处理数据操作的好处。

 客服热线：400-050-6600

商业联合会数据分析专业委员会