預見未來(lái) | 數據智能(néng)的現(xiàn)在與未來(lái)-行業動态-廈門信息集團大數據運營有限公司

預見未來(lái) | 數據智能(néng)的現(xiàn)在與未來(lái)

2019-08-22

來(lái)源：

本文(wén)經授權轉載自(zì)公衆号微軟研究院AI頭條（ID：MSRAsia) 我們正處于大(dà)數據和(hé)數字化轉型的時(shí)代：數據無處不在；運用(yòng)數據驅動的思想和(hé)策略在實踐中逐漸成爲共識；數據的價值已在科學研究和(hé)工(gōng)商業的不同領域得到(dào)充分展現(xiàn)。然而，如果無法從(cóng)數據中提取出知(zhī)識和(hé)信息并加以有效利用(yòng)，數據本身并不能(néng)驅動和(hé)引領數字化轉型取得成功。如何讓數據發揮它最大(dà)的價值？“數據智能(néng)”(Data Intelligence) 應運而生。 <img src="static/picture/150.png" width="700" height="481" alt="" /> 數據智能(néng)是一個跨學科的研究領域，它結合大(dà)規模數據處理(lǐ)、數據挖掘、機器學習、人機交互、可視(shì)化等多種技術，從(cóng)數據中提煉、發掘、獲取有揭示性和(hé)可操作(zuò)性的信息，從(cóng)而爲人們在基于數據制定決策或執行任務時(shí)提供有效的智能(néng)支持。 如果将數據視(shì)爲一種新的“石油”，那麽數據智能(néng)就是“煉油廠(chǎng)”。數據智能(néng)通過分析數據獲得價值，将原始數據加工(gōng)爲信息和(hé)知(zhī)識，進而轉化爲決策或行動，已成爲推動數字化轉型不可或缺的關鍵技術。數據智能(néng)的重要性越來(lái)越凸顯，并在近年來(lái)取得快(kuài)速發展。 數據智能(néng)技術賦予我們探求數據空(kōng)間中未知(zhī)部分的能(néng)力，在不同領域裏蘊育出巨大(dà)的機會(huì)。衆多基于互聯網的新型業務，包括搜索引擎、電子商務以及社交媒體應用(yòng)等，從(cóng)本質上(shàng)就是建立和(hé)運作(zuò)在數據智能(néng)的基礎之上(shàng)。 數據智能(néng)技術正在重塑傳統的商業分析或商業智能(néng)領域。根據Gartner的調研，一種新的 “增強分析”的分析模式正在颠覆舊有方式，預計(jì)在幾年内将成爲商業智能(néng)系統采購的主導驅動力。這(zhè)種“增強分析”模式正是由數據智能(néng)技術賦能(néng)，提供了(le)自(zì)然語言查詢和(hé)叙述、增強的數據準備、自(zì)動的高(gāo)級分析、基于可視(shì)化的數據探索等多種核心能(néng)力。 那麽，數據智能(néng)領域的技術進展如何？未來(lái)，數據智能(néng)的研究又有哪些(xiē)熱點？      數據智能(néng)的技術進展 數據智能(néng)相關的核心技術大(dà)緻可以分爲數據平台技術、數據整理(lǐ)技術、數據分析技術、數據交互技術、數據交互技術、數據可視(shì)化技術等部分。與傳統意義上(shàng)的數據處理(lǐ)、數據分析相比，數據智能(néng)面臨很(hěn)多新挑戰、新問題。在解決這(zhè)些(xiē)問題和(hé)挑戰的過程中，各種技術創新層出不窮。 大(dà)數據系統與平台 爲了(le)支持大(dà)規模的數據處理(lǐ)與分析任務，全新的數據存儲系統需要能(néng)夠容納和(hé)支持高(gāo)效數據吞吐、高(gāo)可伸縮性和(hé)高(gāo)容錯性。傳統的數據庫OLTP面向交易型需求而設計(jì)，無法滿足大(dà)數據統計(jì)分析類的查詢需求和(hé)應用(yòng)。當前的大(dà)數據系統更加強調讀寫效率、數據容量以及系統的可擴展性。具體來(lái)說，将數據分割成塊，并将每塊複制多份後分散到(dào)不同物理(lǐ)機器上(shàng)存儲，用(yòng)冗餘的數據塊來(lái)防止因個别機器損壞對(duì)數據完整性的影響。數據的冗餘保存不但(dàn)提高(gāo)了(le)系統的可靠性，同時(shí)也(yě)可以提高(gāo)了(le)系統在數據讀取時(shí)的并發性能(néng)。另外(wài)，爲降低(dī)成本，現(xiàn)代的大(dà)數據系統運行在價格相對(duì)低(dī)廉的普通服務器上(shàng)；這(zhè)些(xiē)機器通過高(gāo)速網絡連接，實現(xiàn)高(gāo)效的數據傳輸。 處理(lǐ)和(hé)分析大(dà)數據涉及大(dà)量的計(jì)算(suàn)，催生了(le)很(hěn)多分布式NoSQL數據處理(lǐ)系統。在計(jì)算(suàn)模型上(shàng)，MapReduce的推出給大(dà)數據并行處理(lǐ)帶來(lái)了(le)革命性的影響。在MapReduce基礎上(shàng)進一步提出了(le)新的計(jì)算(suàn)模型Spark。Spark充分利用(yòng)在内存中計(jì)算(suàn)的優勢，并且大(dà)大(dà)優化了(le)原來(lái)MapReduce中Shuffle所帶來(lái)的效率問題。經過幾年的發展，Spark已經替代MapReduce成爲業界最爲重要的大(dà)數據處理(lǐ)框架，并且發展了(le)非常豐富的應用(yòng)生态。 此外(wài)，基于流 (Streaming) 的計(jì)算(suàn)模型被開(kāi)發出來(lái)以支持不斷變化和(hé)更新的大(dà)數據應用(yòng)。在流計(jì)算(suàn)模型中，爲了(le)達到(dào)更實時(shí)的更新，每到(dào)達一個數據事(shì)件的時(shí)候就進行一次處理(lǐ)。Spark Streaming、Storm、Flink都是比較流行的流計(jì)算(suàn)平台。 在支持對(duì)大(dà)數據進行在線交互式的查詢和(hé)分析方面，來(lái)自(zì)不同領域的技術正在快(kuài)速融合，共同構建更加實時(shí)高(gāo)效的大(dà)數據交互查詢平台。以ElasticSearch爲代表的一類技術，借鑒搜索系統的索引構架和(hé)技術，對(duì)大(dà)規模非結構化和(hé)半結構化數據進行分塊、索引來(lái)支持快(kuài)速查詢。以Apache Kylin爲代表的另一類技術則将傳統的數據立方體技術推廣到(dào)大(dà)數據領域，通過将預先計(jì)算(suàn)的部分數據立方體緩存起來(lái)，大(dà)大(dà)提高(gāo)了(le)運行時(shí)的查詢速度。 随着技術的發展，對(duì)數據進行高(gāo)語義級别的自(zì)動分析變得越來(lái)越重要。自(zì)動分析技術往往需要頻繁計(jì)算(suàn)在不同查詢條件下(xià)的聚合結果，一個分析查詢可能(néng)涉及成百上(shàng)千次簡單的聚合查詢。這(zhè)就對(duì)查詢性能(néng)提出了(le)更高(gāo)的要求。爲了(le)解決這(zhè)個問題，同時(shí)也(yě)考慮到(dào)大(dà)數據分析中絕大(dà)多數任務對(duì)數據的完整性不太敏感這(zhè)一特點，學術界又提出了(le)BlinkDB、BigIN4等技術和(hé)系統，希望利用(yòng)通過采樣或者預計(jì)算(suàn)得到(dào)的部分數據來(lái)對(duì)用(yòng)戶的查詢結果進行估計(jì)，從(cóng)而達到(dào)快(kuài)速計(jì)算(suàn)的目的。其中BlinkDB試圖利用(yòng)分層采用(yòng)的方法來(lái)減少估計(jì)的誤差，而BigIN4則試圖通過貝葉斯估計(jì)方法來(lái)優化用(yòng)戶查詢的估計(jì)誤差。 基于自(zì)然語言的交互 爲了(le)降低(dī)數據分析的門(mén)檻，使用(yòng)自(zì)然語言作(zuò)爲交互方式顯然是一個理(lǐ)想方案，可以極大(dà)地方便普通用(yòng)戶快(kuài)速、有效地進行數據探索與數據分析。近年來(lái)，随着自(zì)然語言處理(lǐ)和(hé)人工(gōng)智能(néng)技術的快(kuài)速進步，使用(yòng)自(zì)然語言來(lái)查詢和(hé)分析數據變得更加可能(néng)。 自(zì)然語言數據分析要解決的最重要的問題是語義解析。語義解析技術是将自(zì)然語言直接轉化成可以執行的程序 (例如 SQL語句)。基于關系數據庫/數據表的語義解析技術是解決自(zì)然語言交互式查詢的重要途徑。早期主要采用(yòng)基于模式匹配的方法，後來(lái)出現(xiàn)了(le)基于語法分析與語義分析的第二代方法。 近年來(lái)，随着深度學習技術的發展，湧現(xiàn)出了(le)一系列的端到(dào)端的語義解析模型。一般的端到(dào)端模型采用(yòng)sequence-to-sequence的方法，将自(zì)然語言進行序列編碼，然後逐步生成SQL語句，但(dàn)是這(zhè)種方法的缺點是容易産生不正确的或者不可執行的SQL語句。因此，在端到(dào)端的方法的基礎上(shàng)會(huì)融合各種知(zhī)識來(lái)減少搜索空(kōng)間，增加約束，包括嵌入SQL語法知(zhī)識，引入表格信息，甚至是引入外(wài)部的知(zhī)識庫，比如WordNet。 分析的自(zì)動化 數據分析是數據智能(néng)中最核心的部分，大(dà)緻可以分爲描述性分析、診斷性分析、預測性分析、指導性分析等四個類别，每個類别基于數據回答(dá)不同的問題，難度越來(lái)越大(dà)，所能(néng)帶來(lái)的價值越來(lái)越高(gāo)，所使用(yòng)的技術也(yě)越來(lái)越複雜(zá)。數據智能(néng)分析工(gōng)具的發展經曆了(le)如下(xià)四個重要的階段和(hé)層次。 階段1：數據智能(néng)專家深入學習和(hé)了(le)解特定領域的問題，構建端到(dào)端 (end-to-end)的分析流程和(hé)平台，以特定領域的數據分析師爲主要用(yòng)戶，以解決特定領域的專業問題爲主要任務。 階段2：數據智能(néng)專家通過對(duì)各個領域的深刻總結，提煉出在不同領域的任務中所共同依賴的一些(xiē)必要的需求單元，比如分布差異分析、主驅動因素分析、預測分析等等。把各個需求單元對(duì)應的數據智能(néng)技術以積木(mù)塊搭建的形式組成一個分析平台，提供給各個領域使用(yòng)。用(yòng)戶按照自(zì)己分析任務的需求，可以在分析流程中選擇相應的技術模塊。 階段3：進一步發揮機器的“智能(néng)”性，在分析任務的各個環節，通過主動提供相關洞察 (Insight) 的形式，爲用(yòng)戶的下(xià)一步決策或行動提供信息充足的引導性建議(yì)，從(cóng)而更大(dà)程度地提高(gāo)人類智能(néng)與機器智能(néng)的互補，完成更高(gāo)效的協作(zuò)。 階段4：在前三個階段中，數據的處理(lǐ)、特征的選取、模型的設計(jì)以及參數的優化等等核心環節嚴重依賴于機器學習專家的知(zhī)識和(hé)技能(néng)。随着機器學習理(lǐ)論的進一步發展，Auto ML技術開(kāi)始出現(xiàn)并發展起來(lái)，其核心是基于對(duì)已有機器學習成果的總結，将上(shàng)述重要環節進行系統化的抽象，并結合不斷快(kuài)速發展的計(jì)算(suàn)機處理(lǐ)能(néng)力，使其逐漸自(zì)動化，從(cóng)而進一步降低(dī)數據智能(néng)模塊的開(kāi)發門(mén)檻，拓寬對(duì)長尾任務的支持，推動人類智能(néng)和(hé)機器智能(néng)的進一步融合，也(yě)使不同領域的普通用(yòng)戶以自(zì)助方式按需定制針對(duì)具體任務的數據智能(néng)模塊變得可能(néng)。 數據融合的自(zì)動化 如何有效整理(lǐ)、融合如此多樣且繁雜(zá)的數據對(duì)于數據智能(néng)領域非常重要。數據融合的相關技術在整體上(shàng)需要解決以下(xià)關鍵問題。 首先，在機器從(cóng)數據中獲取智能(néng)之前，機器能(néng)夠正确地讀懂各種各樣的數據。對(duì)于機器友好(hǎo)的數據是類似關系數據庫的結構化數據。然而，現(xiàn)實世界裏存在着大(dà)量的非結構化數據，比如自(zì)然語言的文(wén)本；還有介于兩者之間的半結構化數據，比如電子表格。目前機器還很(hěn)難理(lǐ)解這(zhè)些(xiē)非結構化的方面，需要将數據處理(lǐ)成對(duì)機器友好(hǎo)的結構化數據，機器才能(néng)發揮其特長，從(cóng)數據中獲取智能(néng)。非結構化數據、尤其是半結構化數據向結構化數據的轉化，是實現(xiàn)數據智能(néng)不可或缺的先決任務。 其次，數據并不是孤立的，數據智能(néng)需要充分利用(yòng)數據之間存在的關聯，把其他(tā)數據源或數據集所涵蓋的信息傳遞并整合過來(lái)，可以爲數據分析任務提供更豐富的信息和(hé)角度。 最後，數據并不是完美(měi)的，提前檢測并修複數據中存在的缺失或錯誤，是保障數據智能(néng)得出正确結論的重要環節。 數據可視(shì)化 數據可視(shì)化本質上(shàng)是爲了(le)感知(zhī)和(hé)溝通數據而存在的，涉及到(dào)不同的領域，諸如人機交互、圖形設計(jì)、心理(lǐ)學等。在當前大(dà)數據盛行的時(shí)代，數據可視(shì)化逐漸嶄露頭角，扮演着越來(lái)越重要的角色。 可視(shì)化技術用(yòng)于分析，已成爲數據智能(néng)系統不可或缺的部分。這(zhè)些(xiē)技術通常會(huì)集成在一個圖形界面上(shàng)，展示一個或多個可視(shì)化視(shì)圖。用(yòng)戶直接在這(zhè)些(xiē)視(shì)圖上(shàng)進行搜索、挑選、過濾等交互操作(zuò)，對(duì)數據進行探索和(hé)分析。可視(shì)化工(gōng)具進一步趨于簡單化、大(dà)衆化，使一些(xiē)高(gāo)階的分析變得更加簡單。一些(xiē)高(gāo)級的可視(shì)化設計(jì)，如 Word Cloud、Treemap、Parallel Coordinates、Flowmap、ThemeRiver等，也(yě)逐步成爲主流。 在決策過程中，可視(shì)化也(yě)發揮着重要的作(zuò)用(yòng)，它能(néng)将信息展示得更準确、更豐富、更容易理(lǐ)解，從(cóng)而極大(dà)提高(gāo)人與人之間的溝通效率。可視(shì)化叙事(shì) (visual storytelling) 研究如何将可視(shì)化用(yòng)于信息的展示和(hé)交流。當今主流的數據分析平台，例如Power BI、Tableau、Qlik等，都提供了(le)可視(shì)化叙事(shì)的模式。可視(shì)化叙事(shì)的研究目前還處在一個比較早期的階段，人們還在探索它的各個方面，例如修飾形式、叙事(shì)方式、交互手段、上(shàng)下(xià)文(wén)、記憶性等。如何評估一個可視(shì)化叙事(shì)也(yě)有待進一步研究。 基于隐私保護的數據分析 近年來(lái)，随着數據隐私問題成爲關注的焦點，以及相關數據保護的立法 (比如GDPR) 開(kāi)始實施，研究人員開(kāi)始積極探索保護隐私的數據分析技術，即在保護數據隐私的情況下(xià)，對(duì)數據進行管理(lǐ)和(hé)處理(lǐ)。 一個方向是提供可信計(jì)算(suàn)環境去執行敏感操作(zuò)。用(yòng)戶的數據始終是加密的，隻有在可信計(jì)算(suàn)的環境中才會(huì)解密及處理(lǐ)。 另一個方向是直接對(duì)加密數據進行處理(lǐ)得到(dào)想要的結果，因爲數據沒有解密，隐私得到(dào)了(le)保證。選擇性加密技術早已廣泛應用(yòng)于多媒體内容保護，但(dàn)很(hěn)難擴展到(dào)其他(tā)類型的數據。另一種适用(yòng)性更廣的方法是同态加密，它允許對(duì)密文(wén)進行某些(xiē)同态操作(zuò)，例如加法和(hé)/或乘法，使得密文(wén)下(xià)的運算(suàn)結果在解密後與對(duì)明(míng)文(wén)執行相應操作(zuò)的結果一緻。 數據智能(néng)技術的未來(lái)熱點 數據智能(néng)研究契合當今大(dà)數據時(shí)代各領域、各行業從(cóng)數據中挖掘、實現(xiàn)價值，進行數字化轉型的迫切需要，因而在近年來(lái)得到(dào)了(le)充分重視(shì)，發展迅速。随着數據智能(néng)在更多領域的落地和(hé)發展，新的應用(yòng)和(hé)場景、新的問題和(hé)挑戰将進一步激發和(hé)驅動數字智能(néng)研究保持強勁的發展勢頭，邁向更高(gāo)的層次。展望未來(lái)，數據智能(néng)技術将朝着更自(zì)動、更智能(néng)、更可靠、更普适、更高(gāo)效的方向繼續發展。 熱點1：在更高(gāo)的語義理(lǐ)解水(shuǐ)平上(shàng)進行分析 爲了(le)更加智能(néng)地分析數據，需要對(duì)數據有更加豐富的語義理(lǐ)解。與知(zhī)識圖譜 (Knowledge Base) 不同，雖然數據分析中最常用(yòng)的關系數據模型也(yě)是對(duì)實體和(hé)關系的建模，但(dàn)是關系數據模型的建模是爲查詢和(hé)存儲性能(néng)而優化的，往往丢失了(le)大(dà)量語義信息。如何引入領域知(zhī)識和(hé)常識型知(zhī)識對(duì)于更好(hǎo)地理(lǐ)解數據至關重要。 如何從(cóng)表格數據和(hé)其他(tā)容易獲得的文(wén)本數據 (如web網頁) 中自(zì)動獲取語義信息來(lái)增強和(hé)豐富表格數據是一個需要研究的重要方向。比如，确定表格中行或列的實體類型(包括人名、地名、機構名等命名實體以及時(shí)間、地址、貨币等數據類型)。表格往往不具有文(wén)本中的豐富的上(shàng)下(xià)文(wén)信息，因此表格中的實體識别不同于其他(tā)自(zì)然語言處理(lǐ)任務中的實體識别，十分具有挑戰性。除了(le)處理(lǐ)實體識别外(wài)，數據表格中實體關系的挖掘和(hé)分析也(yě)至關重要。充分挖掘實體之間的關聯關系可以完成一些(xiē)實體類型的推薦和(hé)回答(dá)數據分析的問題。 熱點2：構造通用(yòng)知(zhī)識和(hé)模型的框架 人類對(duì)知(zhī)識和(hé)方法能(néng)夠舉一反三，觸類旁通。具體到(dào)數據分析領域，分析中用(yòng)到(dào)的知(zhī)識和(hé)模型需要在不同數據對(duì)象和(hé)分析任務之間共享和(hé)遷移。在機器學習領域，已經有很(hěn)多相關工(gōng)作(zuò)，也(yě)提出了(le)一些(xiē)方法，比如遷移學習、多任務學習、預學習模型等等。要實現(xiàn)這(zhè)個“舉一反三”的目标，除了(le)需要深入研究具體的機器學習算(suàn)法，也(yě)需要從(cóng)模型和(hé)知(zhī)識的框架體系來(lái)思考，研究适合數據分析領域的通用(yòng)知(zhī)識和(hé)模型的原語體系，以及知(zhī)識和(hé)模型的遷移共享的統一框架。 熱點3：建立高(gāo)質量的訓練數據集和(hé)基準測試數據集 由于訓練數據的缺乏，人工(gōng)智能(néng)、深度學習等技術在數據智能(néng)領域的進一步應用(yòng)遇到(dào)了(le)很(hěn)大(dà)的困難。正如ImageNet數據對(duì)于計(jì)算(suàn)機視(shì)覺領域的研究起到(dào)了(le)顯著的推動作(zuò)用(yòng)一樣，數據智能(néng)領域的研究也(yě)亟需建立起一整套公用(yòng)的大(dà)規模、高(gāo)質量的訓練數據集和(hé)基準測試數據集。一旦有了(le)豐富的訓練數據，數據智能(néng)領域的很(hěn)多研究，諸如自(zì)動分析、自(zì)然語言交互、可視(shì)化推薦等等，将會(huì)取得突破性的進展。 熱點4：提供具有可解釋性的分析結果 用(yòng)戶将不再滿足于僅僅依賴黑盒式的智能(néng)、端到(dào)端地作(zuò)用(yòng)于整個任務，而需要更細粒度的、有針對(duì)性的、更透明(míng)的數據智能(néng)。例如，數據智能(néng)用(yòng)于财務審計(jì)系統中，準确推薦最有風(fēng)險的交易記錄進行優先審查，以達到(dào)在最小(xiǎo)化系統風(fēng)險的前提下(xià)，最大(dà)化審計(jì)效率。在這(zhè)類系統的研發中，需要構建可理(lǐ)解性強的模型。在推薦高(gāo)風(fēng)險交易記錄的同時(shí)，盡量提供系統是依據哪部分信息、通過怎樣的邏輯判斷這(zhè)是一條高(gāo)風(fēng)險交易的相關依據。這(zhè)與過去通常使用(yòng)的黑盒技術路線有了(le)明(míng)顯的變化，将成爲今後技術發展的一個趨勢。 熱點5：人類智能(néng)和(hé)機器智能(néng)更加緊密融合 現(xiàn)有人工(gōng)智能(néng)技術從(cóng)本質上(shàng)依然隻是被動服從(cóng)人類設定的既定邏輯然後自(zì)動地運行，歸根到(dào)底還是無法突破人類傳授的學習框架，沒有創造力。因此在可預見的未來(lái)，數據智能(néng)将依然無法擺脫人與機器協作(zuò)的模式，需要全面地總結人類在數據分析方面的智能(néng)和(hé)經驗，便于轉化爲機器算(suàn)法，系統化地集成到(dào)已有的智能(néng)系統當中。 熱點6：強大(dà)的指導性分析成爲主流 數據分析的核心目标之一便是指導行動，無論分析得有多好(hǎo)，如果不采取行動，那麽分析的價值就不會(huì)得到(dào)實質的體現(xiàn)，這(zhè)就是指導性分析的重要價值所在。 例如，根據詳盡的分析，數據智能(néng)預測某品牌在接下(xià)來(lái)一個季度的銷量會(huì)下(xià)滑10%。如果分析任務結束于此，那麽數據智能(néng)并沒有盡到(dào)全部的責任，人還需要根據後續分析結合自(zì)己的經驗去搞清楚怎樣才能(néng)減輕甚至避免潛在的銷量下(xià)滑。相應的指導性分析可以是，如果想保持下(xià)季度銷量不下(xià)滑，應該采取怎樣的行動。指導性分析的結果可以是把某一類子産品的産量減少20%，同時(shí)把另兩類子産品的産量各增加10%等等。 現(xiàn)在的數據智能(néng)技術在給出指導性分析的同時(shí)，并沒有具備足夠解釋性的模型，無法提供充足的依據，從(cóng)而不足以讓人類用(yòng)戶充分信任自(zì)動推薦的結果。提供具有更好(hǎo)解釋性的指導性分析是一個趨勢。 熱點7：基于隐私保護的數據分析更加成熟完善 通過從(cóng)立法、技術、到(dào)用(yòng)戶參與等全方位的共同努力，隐私保護将被進一步納入到(dào)未來(lái)的數據分析中。從(cóng)技術層面, 應該确保個人數據由數據主體控制如何收集、管理(lǐ)、處理(lǐ)和(hé)共享，并在整個生命周期得到(dào)保護，同時(shí)應開(kāi)發并部署保護隐私的數據處理(lǐ)技術，以便在保護隐私的前提下(xià)，數據得以處理(lǐ)并獲得想要的結果。 熱點8：智能(néng)分析助手得到(dào)普及 智能(néng)代理(lǐ) (Intelligent Agent) 技術與數據分析技術的融合是一個重要的方向。在不久的将來(lái)，智能(néng)的數據分析助手能(néng)夠幫助人類更加高(gāo)效地分析和(hé)利用(yòng)數據。 這(zhè)些(xiē)數據分析智能(néng)助手通過自(zì)然語言對(duì)話(huà)的方式與人交流數據分析的任務和(hé)結果，理(lǐ)解分析的背景和(hé)上(shàng)下(xià)文(wén)，可以完成人類交給的特定數據分析任務 (根據分析的語義層級不同，可分爲基本分析命令和(hé)高(gāo)級數據挖掘任務)，也(yě)可以把具有商業價值的數據事(shì)實推薦給相關人類用(yòng)戶 (比如自(zì)動從(cóng)數據中挖掘到(dào)的數據洞察)，并對(duì)某些(xiē)數據事(shì)件做出智能(néng)判斷和(hé)适當的反應 (比如自(zì)動對(duì)數據中需要注意的變化進行提示和(hé)警報(bào))。這(zhè)樣的智能(néng)體還具有一定的學習能(néng)力，能(néng)夠通過與人類分析師的對(duì)話(huà)交流積累特定領域的知(zhī)識，從(cóng)而能(néng)夠更加具有針對(duì)性和(hé)更加智能(néng)地進行自(zì)動數據分析。 熱點9：協作(zuò)化的可視(shì)分析 随着各種溝通工(gōng)具的興起和(hé)普及，協作(zuò)化的可視(shì)分析會(huì)成爲熱點。不同于傳統的面對(duì)面、小(xiǎo)規模的協作(zuò)，新的協作(zuò)分析往往是異步的和(hé)大(dà)規模的，人們在不同的時(shí)間和(hé)地點，使用(yòng)不同的設備，對(duì)同一個數據進行可視(shì)分析。在此過程中，如何協調人們的協作(zuò)？如何避免重複性的工(gōng)作(zuò)？如何保證不同人在不同的顯示終端上(shàng)看(kàn)到(dào)的數據是一緻的？如何共享各種信息？如何搭建一個高(gāo)效的協作(zuò)平台？這(zhè)些(xiē)都是需要解決的技術挑戰。 熱點10：可視(shì)化将無所不在 在更長遠的将來(lái)，我們相信可視(shì)化終将變得透明(míng)。就像文(wén)字和(hé)語音(yīn)一樣，廣泛滲透到(dào)我們的日常生活中。爲此需要有三個方面的技術儲備： 首先，可視(shì)化視(shì)圖必須能(néng)夠被快(kuài)速地生産和(hé)消費。目前，多數可視(shì)化視(shì)圖的生成還是離不開(kāi)人的參與，但(dàn)是在人工(gōng)智能(néng)的幫助下(xià)，未來(lái)在人工(gōng)智能(néng)的幫助下(xià)，可視(shì)化視(shì)圖将能(néng)被大(dà)規模和(hé)精确地生成，從(cóng)而大(dà)大(dà)降低(dī)可視(shì)化創作(zuò)的開(kāi)銷。 其次，要進行交互方式的變革。傳統的基于鍵盤、鼠标的交互模式不是最自(zì)然的方式，各種人類更習慣的方式 (例如手勢、筆(bǐ)紙(zhǐ)、觸控等) 需要慢慢演化成更成熟的交互手段。 最後，需要顯示設備的普及。顯示設備終将被集成到(dào)人的生活中去，無論是穿戴式的、手持的，還是出現(xiàn)在人們日常生活的物品表面上(shàng)的。隻有當顯示設備無處不在的時(shí)候，可視(shì)化才能(néng)真正變成一種溝通的基本方式。

上(shàng)一篇：沒有了(le)

安徽省支持實體經濟發展政策281條彙編下(xià)一篇：