在未来十年内，随着数据分析的成熟和企业受益于十年前才认为不可能的见解

大多数数据是机器产生的，而不是人为的它为从牙刷到空间关键科学分析的一切提供动力，似乎突然之间就像人工智能无处不在，但是人工智能及其实现的数据分析的前景却越来越渺茫，这是因为所有公司数据分析和机器学习（ML）项目中约有85％的失败是由于缺乏人的技能，运营资源或生产计划而导致的，而且并非每家企业都有CPDA数据分析师。

到目前为止基于AI和ML的系统及其生成的数据一直是数据科学家的主要保护对象

企业依靠它们来计划数据分析，并构建获得结果所需的ML模型。这是非常特殊的技能，如果可以为所有人简化AI和ML，以便业务分析师和数据科学家可以发现所需的结果呢？如果我们能够做到这一点，那么这还将通过从更深的候选人库中招募候选人来为内部客户和合作伙伴提供数据见解。

当失败几率如此之高时普通企业如何弥合承诺与现实之间的鸿沟

领先于数据分析？简而言之，需要简化AI及其使用的ML模型的操作，这样每个人都可以访问AI和ML的价值，而不会遇到任何复杂性，而这些复杂性迄今为止已经破坏了许多项目。

这是企业面临的五个关键业务问题，以及我们如何解决它们？

1、复杂：开源软件框架无处不在，为企业提供了所需的所有“门把手”，从而为获取所需的数据分析结果开辟了道路。但是不幸的是，这种优势有一个直接的弊端：这些工具的数据结构-从通过框架和集群的数据流到ML模型-变得太复杂了。如果AI要兑现其诺言，则需要对其进行简化。否则，它将无法达到分析师所要求的临界质量。我们需要一个简单的用户界面，用户可以在其中选择连接到公共，私有或混合云服务的连接器，仪表板和应用程序，以自动导入数据。然后，我们需要能够利用开源解决方案，日志分析、而无需管理节点，分片，副本，

2、成本：我们可能会喜欢它，但让我们大声说一下，的数据搜索引擎并不需要花那么多钱，开始数据分析之旅的企业需要降低TCO壁垒，而且如果您是大型企业，并且使用Splunk或Sumo Logic，那么您将了解管理的成本和复杂性，开源技术很棒但是管理它们正在推高持续的价格。

3、存储：数据分析的另一个推动成本上升的方面是存储，通常随着企业服务的增长，数据库的大小增加，创建了更多的数据库，摄取和管理了更多的数据，所有这些都需要额外的块存储，这需要更多的资金，如果我们可以在这里减少数据冗余，那就更好了。

4、容量：企业需要为根本不使用的基础架构支付高昂的云费用的日子已经一去不复返了，使用平均托管的服务，企业必须购买计划使用的固定数量的基础结构，然后仅将软件作为托管服务提供，实际上他们承诺的固定成本是每月数千美元，无论使用容量的1％还是95％，即使这样如果需求达到顶峰并且高于预期（并且如果您的业务状况良好，就会发生很多事情），那么组织别无选择，只能购买更多的基础架构。

5、大海捞针：所有这些复杂性意味着，寻找所需的数据以使您的企业能够利用实时的新兴机会确实是一项挑战，那是分析技术成长的产物：随着新功能的出现，企业开始采用它。这里的问题是，随着时间的流逝，企业已经启用了如此多的软件和系统层，以至于终发现难以捉摸的单一事实来源变得十分缓慢。