今天，人工智能市场在各行各业快速增长，从初创企业到政府和军事部门。首批试点应用已有多家企业成功掌握。据分析公司称，全球人工智能市场目前价值超过80亿美元，到2022年将达到近776亿美元。人工智能(AI)的发展涉及机器的不断学习。为了“聪明”，计算机需要处理大量数据、大量内存和强大的处理器才能学习很多东西。这样的处理器已经比单个人类神经元快几个数量级，而且在全球范围内，它们的数量与人脑中的神经元数量一样多。行为建模算法在不断改进，处理器内存已经超出了人类的潜力。人工智能训练所需的数据本身仍然存在问题。正是在这里，区块链技术脱颖而出，点对点网络为跨国家甚至全球培训收集和积累数据的可能性。点对点网络是一种无服务器网络技术，允许多个设备共享资源并在没有中介的情况下直接相互通信。作为对等系统成员的每台计算机都充当存储在其上的文件的服务器。使用区块链为机器学习收集数据将有助于使这些数据值得信赖，而使用加密货币可以推动个人和公司收集这些数据。区块链将增强人工智能的力量人工智能除了需要区块链验证的数据源源不断的流动外，还需要大量的算力才能发展。通常算法用于这些目的ANN-人工神经网络。人工神经网络通过查看大量示例来学习如何执行任务，因此需要大量的能力来快速处理数百万个值。如果区块链可以跨网络传输数据，理论上它的计算能力可以用于其他目的。区块链的一些变体允许用户将他们机器的计算能力提供给那些需要在对等(P2P)市场中执行复杂计算工作的人。对于容量的提供，用户将以代币的形式获得奖励。人工智能本身将能够在此类计算平台上以更高的效率学习。这种共生关系还将降低训练算法的成本。人工智能在构建LDS中发挥着关键作用LDS是统一数据交付平台的愿景，它通过隐藏复杂性并以业务友好的格式公开数据来抽象化对多个数据系统的访问。在当今的数据优先经济中，一些组织拥有多个数据科学、数据工程和数据平台团队来处理定价、供应链以及与店内购物相关的高级分析和数据等问题并不少见。科学来推动他们的业务并获得竞争优势。因此，当今IT团队面临的最大挑战之一是为具有不同技能水平的范围广泛的数据消费者提供服务。这就是逻辑数据结构方法日益受到重视的原因。这种方法有望实现灵活、实时和增强的数据集成管道，并结合全面的数据管理功能，为组织内最精通和最不精通数据的消费者提供服务。通过在活动元数据上利用知识图、数据目录和AI/ML，这种新的数据集成和数据管理方法支持更快、更自动化的数据访问和共享。DataFabric是一种可组合的架构，这意味着数据目录、知识图谱、数据准备层、推荐引擎、DataOps和编排等组件可以与不同的工具协同工作。虽然这是事实，但一些一流的数据结构是提供数据结构所有重要功能的单一平台。逻辑数据结构是统一数据交付平台的愿景，它为业务消费者抽象出对多个数据系统的访问，隐藏复杂性并以业务友好的格式公开数据，同时确保数据根据预定义的语义和治理规则交付。在我们生活的数字世界中，毫不夸张地说，这将使每个CIO的梦想成真。当今自助服务策略的一个关键标准是业务用户（例如公民分析师、数据科学家和LoB开发人员）能够找出数据交付层中可用的数据集，以确定哪些数据集与其信息需求相关.对IT团队进行数据搜索和发现的依赖已成为数据科学家和公民分析师等角色的瓶颈。更糟糕的是，这些稀缺资源不能浪费在争论数据而不是构建模型或分析数据上。与数据交付层集成的数据目录，并通过基于AI/ML的推荐引擎进行增强，以帮助用户实现快速数据发现和探索。业务管家可以根据元数据创建业务视图目录，根据业务类别进行分类，并为其分配标签，方便访问。具有增强协作功能的逻辑数据结构可帮助所有用户认可或注册有关数据集的评论或警报，帮助他们进一步了解数据集的使用方式并更好地了解他们的同行使用它的体验。虽然数据搜索、数据发现、数据分类和标记的便利性有助于用户在正确的时间找到正确的数据，但在强大的AI/ML引擎的帮助下，它可以得到显着增强。在AI/ML支持的逻辑数据结构中，可以分析过去的用户活动，以提供个性化的建议和选择数据集的快捷方式，加速数据科学项目和高级分析。其他增强功能可能包括有关数据集和列的扩展分析信息以及对智能搜索的改进，结果的智能排名，类似于谷歌搜索的工作方式，但在企业数据访问的上下文中。随着公司在全球范围内扩展业务，他们的数据也在扩展。更重要的是，企业范围的数据不仅分布在区域中，而且分布在多个云中，有时是多个云和本地。虽然逻辑数据结构架构在很大程度上保证了数据不复制，但这也为数据科学家、业务分析师或运行查询的LoB用户回避了性能问题，这是做出快速业务决策的关键标准。单一查询可以使用云和本地系统的混合访问来自世界各地许多不同位置的数据。虽然有许多可能的方法来加速查询，包括缓存、查询下推等，但最有用的查询加速之一可以通过使用AI/ML来实现。数据消费者（例如数据科学家、公民分析师或高管）通常在寻找具有相关或相同中间数据集的信息。在这种情况下，这个中间阶段的信息可以智能地具体化并存储在最适合以后数据访问的数据存储库中。在类似的查询运行期间，AI/ML引擎可以推荐使用物化视图来以指数方式加速查询。它可以显着加快业务决策速度，有助于增加收入和/或降低成本。通过元数据激活和AI/ML技术的结合，可以实现基于数据目录的查询加速和增强协作和数据搜索。元数据确实对数据管理和数字业务转型的未来充满希望。由用于数据集成、数据管理和数据交付的基于元数据的基础组成，希望包含数据虚拟化、集成数据目录和强大的基于AI/ML的推荐引擎等关键功能的精心规划的逻辑数据结构可以解决复杂的问题企业范围的数据访问问题，使组织能够更好地为客户服务。
