Prognosen für die hybride Datenlandschaft

Das Zeitalter der Daten ist angebrochen, und neue Datenquellen, -ziele und -verarbeitungsmodelle breiten sich in Unternehmen aller Größenordnungen rasant aus. Obwohl Daten noch nie so wertvoll für ein Unternehmen waren - sie bestimmen jetzt das Wer, Was, Wo, Wann und Wie der Entscheidungsfindung - bringt diese neue hybride Datenlandschaft neue Herausforderungen mit sich. Wir erwarten die folgenden innovativen Bemühungen in den Bereichen Datenmanagement, Integration und Analyse, um diese Herausforderungen zu bewältigen.

Der Aufstieg von HTAP - das Beste aus beiden Welten im Datenmanagement

Einer der aufregendsten Trends für den Rest dieses Jahrzehnts ist HTAP (Hybrid Transactional/Analytical Processing), ein von Gartner geprägter Begriff, der für eine hybride, konvergente Software-Infrastruktur steht, die sowohl traditionelle transaktionale Datenmanagement-Workloads als auch moderne analytische Datenmanagement verarbeiten kann.

Jedes Unternehmen sucht nach Werkzeugen und Techniken, um die Menge, Vielfalt und Geschwindigkeit der Daten effektiv zu analysieren. Eine neue Generation von spaltenbasierten analytischen SQL-Datenbanken (wie Actian Vector) wird entscheidend sein, um das Versprechen von data driven Entscheidungen einzulösen. Gleichzeitig sind Unternehmen mit ihren Investitionen in traditionelle transaktionale SQL-Datenbanken (wie Actian Ingres), die in den meisten Unternehmen das Rückgrat des Datenmanagement bilden, vertraut und versuchen, diese zu erhalten. Wie können diese beiden Anforderungen an Datenmanagement miteinander verbunden werden?

Was wäre, wenn Sie beide Funktionen in derselben Datenbank haben könnten? Was wäre, wenn Sie das Beste aus beiden Welten haben könnten? Robuste Funktionen der Unternehmensklasse, die auf über 30 Jahre Pionierarbeit im Datenmanagement zurückblicken. Und dann fügen Sie die weltweit leistungsstärkste spaltenbasierte Analytics Database (mit Vektorverarbeitung) in dieselbe Datenbankinfrastruktur ein. Eine Datenbank, ein Sicherheitsmodell, ein SQL, ein Anbieter - und damit eine innovative Mischung aus operativer und analytischer Verarbeitung, die das gesamte Spektrum des Datenmanagement abdeckt! Mit der Möglichkeit zur Bereitstellung in der Cloud oder vor Ort. Das ist etwas, worüber man sich freuen kann.

Das Aufkommen von Edge-Datenbanken für dasDatenmanagement

Den aufkommenden IoT und -Lösungen fehlt ein wichtiges Element skalierbar Architekturen - eine elastische Zwischenschicht, die am "Rand" des Netzwerks sitzen und robuste Verarbeitungsdienste für das Onboarding und die Analyse von IoT liefern kann. Die meisten herkömmlichen IoT konzentrieren sich lediglich auf die beiden wichtigsten Endpunkte - die Sensoren selbst, die Low-Level-Daten ausspucken, und die Cloud, in der die Sensorereignisse schließlich zur Analyse "landen" sollen.

Aufgrund der schieren Menge und Wiederholung von Sensordaten ist es nicht vorstellbar, dass alle Sensordaten in der Cloud"landen". Die intelligenteren IoT werden eine intelligente Zwischenebene vorsehen - eine Art Gateway-Funktion, die in der Nähe der Sensoren, am Rande, angesiedelt ist. Diese Schicht ist für die frühzeitige Erfassung, Verarbeitung und lokale Analyse der Sensordaten vorgesehen, bevor nur die wichtigsten Informationen an die Cloud gesendet werden.

Die natürliche Technologie für den Einsatz am "Rand" des Netzes ist ein kugelsicheres eingebettet IoT Edge-Datenbank. Abgesehen von den offensichtlichen Vorteilen des Einsatzes einer eingebettet IoTDB am "Rand" des Netzwerks (Persistenz, Sicherheit usw.) können Sie auch wichtige lokale Filter (z. B. Duplikate, Fehler, stationäre Zustände usw.) und Datenoperationen (z. B. Sortierungen, Aggregate, Modellanwendung und lokale Analysen) auf die Daten anwenden, bevor sie in der Cloud "landen" - eine viel effizientere und produktivere Einrichtung für Cloud Analysen von Sensordaten.

Der Aufstieg der hybriden Integrationsplattformen

Unabhängig davon, wie viel wir investieren, scheint die Integration ein ungelöstes Problem zu bleiben, das in allen IT-Abteilungen und -Organisationen ganz oben auf der Prioritätenliste steht. Die Vielfalt der IT-Systeme garantiert eine Reihe von Integrationsproblemen. Eine unüberschaubare Anzahl neuer Endpunkte jedes Jahr verschlimmert die Situation noch. Berücksichtigt man, dass sich alte und neue Endpunkte ständig ändern, vervielfacht sich das Problem noch weiter. Wenn man dann noch die Anforderungen an unterschiedliche Integrationsmuster und Bereitstellungsmodelle hinzunimmt, werden die vielen beängstigenden Dimensionen des Integrationsproblems deutlich.

Gibt es Hoffnung? Ja, Tools, die über den begrenzten Charakter der heutigen typischen Integrationsangebote hinausgehen, finden ihren Weg auf den Markt. Anstatt sich auf eine Dimension des heutigen Integrationsproblems zu konzentrieren - veraltetes On-Premises ETL, schweres EAI-Tooling oder leichtgewichtige Cloud - werden sich die Kunden hybriden Integrationsplattformen zuwenden - modernen, dynamischen und Cloud Lösungen - um alle Dimensionen zu bewältigen. Ob es sich um die Vielfalt der EndpunkteCloud, mobil oder vor Ort), die Vielfalt der Muster (A2A über APIs oder B2B über Daten), die Vielfalt der Fähigkeiten (IT-Experte bis LoB-Praktiker) oder die Vielfalt der BereitstellungsmodelleCloud oder vor Ort) handelt, eine moderne hybride Integrationsplattform wie die Actian DataCloud wird es den Kunden ermöglichen, sich an die heutigen Datenintegrationsanforderungen anzupassen.

Der Aufstieg von Graph Analytics in der Cloud

Neo4J, der führende kommerzielle Anbieter von On-Premises , hat kürzlich eine Finanzierungsrunde in Höhe von 36 Millionen US-Dollar abgeschlossen. Diese Finanzierung etabliert Graphdatenbanken (und den damit verbundenen Bereich der Graphanalyse) als erstklassige Bürger im Pantheon der modernen Analysetechniken.

Warum Grafik? Um es mit den unsterblichen Worten von Donald Rumsfeld zu sagen: Es gibt "Bekannte" (die über BI und Reporting behandelt werden), es gibt "bekannte Unbekannte" (die über prädiktive Analyse behandelt werden, um eine bekannte analytische Herausforderung wie Betrug in den Griff zu bekommen) und es gibt "unbekannte Unbekannte". Das sind die Fragen, von denen Sie nie wussten, dass Sie sie stellen, die Abfragen, von denen Sie nie wussten, dass Sie sie schreiben. Was sind die unbekannten/unbekannten Muster, die in Ihren Daten verborgen sind, und wie können Sie sie finden? Dies ist eine der großen analytischen Herausforderungen bei Datensätzen - was sind die inhärenten (aber unsichtbaren) Beziehungen in den Daten - welche Objekte sind "nah" an welchen anderen Objekten? Welche Objekte sind "Ausreißer"? Welche bisher scheinbar unverbundenen Ereignisse teilen sich Raum und Zeit?

Genau aus diesem Grund ist der Graph eine wichtige neue analytische Waffe. Graph-Analysen in der Cloud sind die ideale Implementierungsplattform, und wir erwarten Angebote, mit denen Sie Ihre Daten in die Cloud übertragen, sie in einen Back-End-Graph-Datenspeicher wie Actian Versant laden und dann "grafisch darstellen" können, um in den Daten enthaltene Muster zu erkennen (und sogar zu sehen, wie neue Muster spontan entstehen, wenn Sie weitere Daten hinzufügen).

Über Actian Corporation

Actian macht Daten einfach. Unsere Datenplattform vereinfacht die Verbindung, verwalten und Analyse von Daten in Cloud, Hybrid- und On-Premises . Mit jahrzehntelanger Erfahrung in den Bereichen Datenmanagement und Analytik liefert Actian High-Performance Lösungen, die Unternehmen in die Lage versetzen, data driven Entscheidungen zu treffen. Actian wird von führenden Analysten anerkannt und hat Branchenauszeichnungen für Leistung und Innovation erhalten. Unsere Teams präsentieren bewährte Anwendungsfälle auf Konferenzen (z. B. Strata Data) und tragen zu Open-Source-Projekten bei. Im Actian-Blog behandeln wir Themen, die von Dateneingang bis hin zu KI-gesteuerter Analytik reichen.