人工智能行业报告：Db2 人工智能 (AI) 数据库

今天分享的是人工智能系列深度研究报告：《人工智能专题：Db2 人工智能 (AI) 数据库》。

（报告出品方：IBM）

由 AI 驱动，为 AI 而构建

各个行业的数据量和数据类型不断增加，需要使用新的 专业知识、流程和基础架构来推动数字化转型。机器学习 (ML) 和人工智能 (AI) 是这项工作的关键部分，因为它们使计算机能够处理数据并不断吸取经验，而无需持续的人为干预。

AI 和 ML 有助于传统和非传统的计算任务——从分析和物流到自然语言交互、音乐创作、化学设计和欺诈检测。 它们为企业带来数据驱动的情报，使企业能够了解已经发生、正在发生和可能要发生的事情。

AI 之旅如同登梯，每个组件都是一个梯级。那些踏上旅程的人会加固梯子，使之更加实用。

AI 之旅立足于一个强大的数据基础架构 - 使组织能够访问、收集、组织所有数据并使其可用于分析，无论其类型、来源或部署。在 ML 驱动的数据管理中，AI 既是目标，也是手段。

集成了 AI 和 ML 的解决方案让数据管理更简单、更快、更智能，从而使开发人员和数据科学家能够以新的方式使用数据，并将 AI 功能部署到整个业务中 - 从运算到模型构建再到应用程序开发。

IBM' Db2”内置的机器学习和 AI特性支持一些改变游戏规则的数据管理功能,包括:

-全栈数据虚拟化-自动工作负载管理和资源优化-提高 10 倍的查询性能-基于置信度的查询结果

数据虚拟化

概念

数据联合与抽象层的组合。它使所有用户和应用程序能够从单个访问点同时与多个数据源交互，不论底层数据的类型、格式、大小或位置如何。这种更强大的访问能力有助于打破数据孤岛，使数据能够更快、更有效地用于扩展 AI 采用。

重要性

单个数据入口点具有以下优点：

– 为数据专业人员提供简单的数据访问

所有数据的单一视图支持跨不同数据源（结构化或非结构化、关系型或 NoSQL） 进行数据搜索和访问，而不必花费时间和资源四处移动数据。开发人员和数据工程师可以访问所有可能的数据类型（包括历史数据和新数据），并且能够从意想不到的数据组合中获得见解。

– 单点控制治理和安全性

当管理员可以简单地将所有用户和应用程序指向所有数据存储库的单个访问点时，安全性和治理安排就更简单、更稳健且不易出错。

– 减少数据传输

数据处理可以在原始存储库中完成，无需先将查询到的数据传输到本地存储库。这将显著减少延迟和带宽成本。

工作原理

现代企业数据环境依赖于多个数据存储。这些数据包括关系数据存储中的事务数据、Hadoop 集群中的情感分析数据、数据仓库中的历史客户数据以及快速数据 集群中的点击流电子商务数据。

如果没有虚拟化，则每个想要与这些数据交互的人 - 从数据库管理员 (DBA) 到应 用程序开发人员和数据科学家。

需要针对每个数据存储实施一个自定义访问方 法。即使往好处说，这至少会让每个相关人员感到非常头疼。它将限制用户通过相互比较不同类型的数据（例如，将客户的历史数据与实时浏览行为进行比较）而获得见解的能力。往坏处说，它会导致数据损坏和出现新安全漏洞的风险。

能够对整个企业中的各种数据进行单点访问，是数据联合变得如此流行的原因。但是，IBM 数据虚拟化超越了数据联合的范畴，它提供一个抽象层并允许用户定义自己的数据访问术语和方法（见图 1）。

报告来源/公众号：【海选智库】
本文仅供参考，不代表我们的任何建议。海选智库整理分享的资料仅推荐阅读，如需使用请参阅报告原文。