2017的数据年

拥抱机器学习的时代

　　机器学习以前只限于数据科学家，但2017年将全面开放。无论是谷歌的最新排名算法或卓越的电子产品，机器学习都能找到一个立足点。2016年的大数据已经相当庞大了，预计今后将继续增长，机器学习也会紧随其后。

　　无论是业务分析还是其他方面，机器学习都将在大数据背景下入侵一个个领域。这将改变政府和企业在物理和虚拟服务器之间处理数据集的方式，前瞻性的变革领域将包括医疗自动化和能源。

云数据内聚

　　大数据一直被认为能够很好地响应基于云的服务器，但2017年将扩大其覆盖面。关于云采用或数据主权的隐私问题预计会得到改善。由于数据集更大，大多数企业可能会转移到虚拟服务器上。

      与将数据迁移到云相比，把云带到数据中看起来将是一个前瞻性的变化，特定于数据需求的云策略将是至关重要的。

数据驱动应用

　　大数据技术以前因在信息技术领域的影响而闻名。然而，最近的趋势证实了大数据分析在企业应用中有着更高采用率。无论是大量AI驱动的应用程序或流媒体客户端(如Megabox)以及未来的应用，每个企业都将很快实现大数据转变。

物联网及其集成

　　物联网已经接受了很多批评，尽管缺乏物联网创新，但大数据可以帮助物联网恢复到应有的层次。无论是以移动为中心的应用还是家用小工具，IoT与大数据的配对预计将是2017年革命性的一步。

　　物联网应用程序开发将会更加简单，并且即使在远处也会感觉到影响。智能城市的普及建设已经到来。

数据虚拟化：成为现实

　　当谈到企业家的想法时，数据孤岛的扩散是常见的问题。无论是与NoSQL，Spark还是Hadoop合作，数据库肯定会在2017年得到提升。必须知道，隐藏的数据集通常很难访问，因为企业无法确定存储库完好。统一接入，一个难以捉摸的实体，数据虚拟化将在2017年得到提升。这种方法将用来进行大数据分析和应用，因为不需要移动数据。

使用Kafka

　　大数据预测一定要提Kafka，一种由Apache提出的技术。Kafka已经呈现出跨越式发展的趋势，确切地说它可能会在2017年第三季度达到峰值，Kafka预测是大数据预测技术的跑道。

　　除此之外，在架构方面，一个总线型技术Kafka可以轻松处理数据结构，甚至是数据集——主要集中在数据湖及促进用户接入方面。

云数据系统(预包装和集成)

　　从头开始构建传统的数据实验室是很困难的，然而，企业越来越依赖大数据，这促进了集成云数据系统的发展。这些是预先封装的实体，包括数据科学，分析，数据使用甚至数据集成的复杂性。

　　2017年将见证专用于大数据湖的预打包云系统的稳步增长。

Hadoop HDFS的替代品

　　Hadoop的HDFS长期以来一直是最受欢迎的分布式文件系统，但对象存储预计在2017年将会达到同样的受欢迎程度，原因是其具有更好的数据复制，可用性和备份等特点。

　　此外，可行性是对象存储关注的重点。这是基于与HDFS相同的数据层技术的大数据存储库。

深度学习可能达到云层次

　　如上所述，数据虚拟化日后将发展得更好。因此，这种方法将促进大量加速技术的发展，包括NVMe甚至GPU。在2017年，还将看到深入学习加入大数据指标。可见的结果将包括非阻塞，大容量，改进的I / O，甚至更好的网络性能。

Hadoop将更加重要

　　希望利用大数据的用户和公司正在谨慎地使用Hadoop，但在2017年，可能会在每个以数据为中心的项目中看到Hadoop多级部署。Hadoop安全性将作为一个非可选实体出现，并且每个领域的应用程序可能都需要它。

结语

　　大数据是近乎猖獗的，增长规模绝对首屈一指。然而，随着物联网以及社交媒体的发展，大数据应用程序已经出现压倒性的反应。在2017年，一定会看到大量的知情预测，公司甚至可以用更低的成本得到更多的收益，感谢全球采用大数据和相关技术。

转载于:https://my.oschina.net/smalltigerwan/blog/838521